楊濟瑞，張曉燕，杜小甫

（廈門大學(xué)嘉庚學(xué)院信息科學(xué)與技術(shù)學(xué)院，福建漳州，363105）

0 引言

在橋梁建造和使用過程中，復(fù)雜的內(nèi)在或外在環(huán)境原因會引起橋梁產(chǎn)生各式各樣的裂縫，這些不起眼的裂縫（寬度大于0.2毫米）隨著時間的推移不斷擴寬、加深，引起橋面上的混凝土剝落、鋼筋露出等現(xiàn)象，嚴重影響到橋梁的安全，甚至導(dǎo)致橋梁坍塌。對橋梁裂縫進行分類，便于裂縫檢測完后進行針對性修補，因此，橋梁裂縫的檢測分類算法得到了廣泛關(guān)注和應(yīng)用。2016年，劉洪公、王學(xué)軍等人將機器視覺和卷積神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合，提出了一種智能裂縫檢測方案[1]；2019年，賀志勇和王鵬[2]提出采用無人機橋梁檢測方案，通過八方向的Sobel算子和構(gòu)造BP神經(jīng)網(wǎng)絡(luò)對所得到的橋梁裂縫圖像進行邊緣檢測并且統(tǒng)計裂縫的特征,實現(xiàn)橋梁裂縫檢測分類智能化。陳瑤[3]等提出了一種基于爬壁機器人的橋梁裂縫圖像檢測與分類方法。盡管提出的方法很多，但是小樣本條件下裂縫分類問題仍然有待研究，本文提出基于深度學(xué)習和支持向量機的分類方法，以提高在小樣本情況下橋梁裂縫分類的準確性。

1 分類系統(tǒng)結(jié)構(gòu)

根據(jù)橋梁裂縫的產(chǎn)生原因和不同的走向?qū)⑵浞譃樗念悾簷M向裂縫、塊狀裂縫、斜向裂縫與縱向裂縫。目前提出的裂縫分類算法主要有BP神經(jīng)網(wǎng)絡(luò)、投影法、CNN卷積神經(jīng)網(wǎng)絡(luò)和SVM分類器[4]。本文提出基于深度學(xué)習和SVM分類器結(jié)合的裂縫分類算法，設(shè)計流程圖如圖1所示。

圖1 設(shè)計流程圖

1.1 數(shù)據(jù)準備及預(yù)處理

將采集的橋梁裂縫圖像分為訓(xùn)練集和測試集，采集圖像會受天氣、光照等因素影響，還會受到各種噪聲干擾，使得圖像除了裂縫目標外，還可能存在蜂窩、麻面、劃痕、空洞等缺陷，會嚴重影響圖像特征提取。使用中值濾波去除噪聲；圖像增強突出裂縫，減小裂縫區(qū)域外的紋理和細節(jié)影響；再用圖像形態(tài)學(xué)分析方法去除圖像中噪聲塊，初步分割出裂縫信息；最后運用裂縫連接方法將斷開的裂縫連接起來，再將連線之間的小塊連通域填充，進而分割出完整裂縫。

1.2 特征提取

采用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)圖像從空間域到高維特征域的映射[5]。因VGG16具有簡潔性和實用性以及在圖像分類和目標檢測表現(xiàn)突出的特點，本文采用VGG16卷積神經(jīng)網(wǎng)絡(luò)作為基本模型來進行提取圖像特征。VGG16的結(jié)構(gòu)如圖2所示。

圖2 VGG16的結(jié)構(gòu)

輸入224*224*3尺寸的圖像，卷積核（濾波器）大小3*3，步長為1，卷積的padding為2，左右各padding1個像素來確保卷積后特征圖大小不變。池化層大小2*2，步長為2，有兩個全連接層，每層4096個神經(jīng)元。

本文的全連接層設(shè)計為兩層，而不是1層或3層。因為從原理上考慮，2層的神經(jīng)網(wǎng)絡(luò)可以擬合任何函數(shù)，1層只能擬合線性函數(shù)，多加一層3層參數(shù)量會大大提升，會增強4096*2+4096個參數(shù)，綜合考慮模型性能和參數(shù)量，所以本文設(shè)置為2層全連接。最后輸出層包含1000個神經(jīng)元的softmax層（代表ImageNet數(shù)據(jù)集的1000個類別），激活函數(shù)全部使用RELU。

1.3 橋梁裂縫分類

由于SVM基本模型是定義樣本在特征空間上的間隔最大的線性分類器[6]。這使它不僅可以對不同的樣本進行精確分類，而且可確保樣本間的間隔。本文采用泛化能力較好的SVM分類器進行分類，即正確預(yù)測未知數(shù)據(jù)的能力高。SVM主要是利用一個超平面（hyper plane）將兩類數(shù)據(jù)分開，同時邊際（margin）最大，如圖3所示。如果把超平面定義為w*x+b=0，那么超平面距離任意一個支持向量的距離就是1/||w||（||w||是w的范數(shù)）。

圖3 SVM超平面

SVM最大分類間隔數(shù)Φ(w)為：

其中，非負松弛因子ξ和懲罰松弛因子c的取值對分類非常重要。

2 實驗結(jié)果分析

把采集的裂縫圖像分為訓(xùn)練集和測試集，將橋梁裂縫分為1bock（塊狀裂縫）、2horizontal(橫向裂縫)、3slope(斜向裂縫)、4vertical(豎向裂縫)四類，分類結(jié)果如圖4所示

圖4 測試橫向裂縫圖像

表1對比了投影法、支持向量機法、卷積神經(jīng)網(wǎng)絡(luò)法和本文方法的分類結(jié)果。可知：投影法和SVM 分類法以及卷積神經(jīng)網(wǎng)絡(luò)法最大分類精均低于89.2%，且投影法僅能識別3種裂縫類型，局限性很大。本文方法分類精度率均在92%左右，性能有了較大提升。

表1 不同裂縫分類方案檢測結(jié)果對比表

本文算法在實時性上也比基于卷積神經(jīng)網(wǎng)絡(luò)的方法提高很多，總體性能較好。

3 總結(jié)

本文提出了基于深度學(xué)習和SVM的圖像裂縫分類方法，通過深度學(xué)習提取圖像特征，基于SVM實現(xiàn)特征分類，實驗表明具有較高得準確性。并且本文的樣本數(shù)據(jù)是小樣本，而只用CNN卷積神經(jīng)網(wǎng)絡(luò)進行提取特征并分類則需要大量的樣本數(shù)據(jù)。從準確性和實時性兩個方面對比分析，證實了本文算法具有較好的性能。