閔凡華

摘 要：人工判別病害有較大的工作量、達不到較高效率等問題在橋梁檢測中比較常見，本研究基于RC（鋼筋混凝土）橋梁初步探討了橋梁病害檢測中機器學習的應用。圍繞鋼筋混凝土橋梁應用橋梁病害的現有檢測方法、機器學習研究進展及機器學習方法等方面展開相關探討，結果顯示，以深度學習為基礎的橋梁病害檢測方法可從病害圖像中自動提取病害相應特征，對病害進行分類并準確定位，為病害自動化檢測提供了具體應用場景，對于提高橋梁智能化養(yǎng)護管理水平十分積極地作用。

關鍵詞：鋼混橋梁;病害圖像;橋梁病害檢測

0 前言

隨著橋梁使用年限的逐漸延長，混凝土材料日益發(fā)生老化問題，橋梁使用中難免出現開裂、麻面、蜂窩及鋼筋銹蝕裸露等各類病害，嚴重影響橋梁的耐久性及安全性。對于正在使用中存在病害的橋梁，橋梁維護的關鍵在于快速有效地進行病害檢測。橋梁病害采用傳統人工判別方法因存在較大工作量、較強主觀性及達不到較高效率等不足之處，與實際需求不能完全相適應。隨著日益發(fā)展的計算機技術，機器學習由于在智能化水平、成本及效率等方面具有明顯優(yōu)勢，在橋梁病害檢測中日益得到廣泛應用。對橋梁檢測中得到的病害圖像，由傳統人工判別方式采用自動定位及識別方式替代，使橋梁提高管理有效性，逐漸成為一個主要的研究趨勢。

1 現有鋼筋混凝土橋梁病害檢測方法

現有大部分橋梁都采用鋼筋混凝土結構，存在裂縫、蜂窩麻面、剝落、空洞及銹蝕漏筋等較多缺陷類型。病害不僅有對空洞等病害容易判別明顯特征，而且只有較小寬度，裂縫不明顯等表現。病害采用傳統人工判別方式盡管便捷，但受到較大工作量、較低效率等不足之處的限制，檢測中經常發(fā)生錯檢及漏檢問題。隨著逐漸增長的橋梁體量，待檢橋梁不斷增長數量，將不斷放大不足之處。采用聲發(fā)射、紅外熱像及超聲脈沖等無損檢測技術，盡管可對橋梁內部病害進行探測，但只能有限應用于自動化場景，現有工程還處于對病害的定性識別過程中，無法定量分析病害。為使傳統檢測方法存在的局限性得到及時解決，近年來無人機逐漸發(fā)展到評估土木工程外觀等方面。采用將高清相機搭載到無人機中檢查橋梁結構外觀，得到結構缺陷的具體圖像，與圖像處理與機器學習技術相結合檢測病害，逐漸成為一個研究熱點。

2 機器學習方法

2.1 機器學習理論

機器學習主要是指在大量樣本數據中利用算法對其存在的隱含規(guī)律進行發(fā)現，建立網絡模型分類或預測數據。根據樣本數據的人工標注是否存在，可將機器學習有監(jiān)督學習算法和無監(jiān)督學習算法兩類。目前相關研究中，在橋梁病害檢測中應用的機器學習方法主要是有監(jiān)督學習算法。

2.2 有監(jiān)督學習算法

在BP神經網絡中，主要分為輸入層、輸出層及隱藏層，分為前向和誤差后向兩個傳播階段。算法根據計算網絡得到輸出值與期望的差距，對網絡權重和偏置參數逐漸更新，直至符合誤差要求。雖然BP算法的非線性映射能力較好，但因存在收斂速度不快及存在局部極小值等不足之處，不同訓練結果不能保持一致性。

支持向量機屬于二值分類模型，以找到可對數據集劃分正確并達到最大幾何間隔的一個超平面為主要決策思路。與超平面相距最近的點被稱為支持向量，其間距為到超平面的兩倍距離。其泛化能力和魯棒性優(yōu)勢明顯，但對大規(guī)模數據集適用性不強，在多分類問題中難以達到良好效果。

卷積神經網絡屬于深度神經網絡結構，因其采用權值共享、局部連接方式，使模型降低了復雜度，解決了使傳統神經網絡中過大數據量不能學習的問題得到解決，在圖像識別中目前已得到較為廣泛地應用。

YOLO v3是基于回歸的一種目標檢測算法，算法較為迅速，可對目標邊界框具體位置直接預測，采用對目標細節(jié)特征識別方式檢測。該算法應用53個卷積層的網絡結構，對圖片下采樣共5 次，生成尺度不同的3個目標特征圖，用于檢測尺度大小不同的目標。

3 基于機器學習的病害檢測應用

鋼筋混凝土橋梁病害檢測主要是以計算機視覺為基礎的目標檢測，目前主要有兩類基于機器學習的病害檢測方法，一是采用手工方式對圖像特征進行提取，對其分類和預測可與機器學習算法相結合。二是采用深度學習算法，對圖像特征自動提取，將目標病害類別及具體部位輸出。

3.1 圖像特征的手工提取方式與機器學習相結合

該方法采用手工方式對裂縫形態(tài)、梯度直方圖特征等圖像特征進行提取，預測或分類與淺層神經網絡相結合。某橋梁采用八旋翼無人機為平臺，對橋梁實施實橋成像試驗方法，對橋梁裂縫形態(tài)特征圖進行提取，與支持向量機相結合識別裂縫，采用多個訓練樣本進行驗證，可達到95%的分類正確率。對橋梁裂縫采用無人機成像形狀和寬度證實了其可靠性，但該方法應對圖像特征采用人為提取方式，淺層神經網絡智能對較少樣本數量進行處理。在橋梁病害檢測中，針對環(huán)境復雜及樣本量較大病害的應用較為有限。

3.2 基于深度學習的病害檢測方法

隨著日益發(fā)展的深度學習，深層神經網絡可對實現對圖像特征的自動提取，不僅對大量圖像數據進行處理，還確保

分類正確率較高，對于基于深度學習的病害檢測技術的發(fā)展具有重要促進作用。有研究表明路面病害識別中引入卷積神經網絡，對眾多橋梁病害檢測圖像提取裂縫、坑槽特征，病害判別分別達到96.5%、94.7%的準確率，進一步證實卷積神經網絡精度符合橋梁病害復雜形態(tài)特性，但在橋梁病害檢測中對于病害部位及類別更為重視?；诰矸e神經網絡的目標檢測算法，不只可對目標病害類別輸出，還可對目標病害部位進行預測，對于橋梁病害檢測智能化的發(fā)展具有一定推動作用。有研究結果顯示，采用卷積神經網絡算法，對混凝土裂縫及程度不同的螺栓、鋼板腐蝕等不能類型損傷的2365張多種損傷類型圖像進行識別定位，平均分類準確率高達89.25%。采用YOLO v3算法識別和定位2 205張混凝土橋梁病害檢測圖像，與遷移學習策略相結合，使訓練樣本存在的不足之處得到明顯改善，識別及定位病害準確率高達82%。

4 結語

綜上所述，在橋梁自動化檢測中基于深度學習的橋梁病害檢測方法具有更明顯的適用性，在橋梁運營管理中的智能檢測具有重要推動作用。但在研究中存在很多亟待解決的難題，一是在訓練樣本數量方面，深度學習具有較高要求，有標簽病害圖像在實際訓練中只有有限的數量。二是鋼筋混凝土橋梁病害中，因裂縫等較小寬度的病害存在，圖像中不具有明顯目標，增大了識別難度，成為相關研究中眾多病害達不到較高分類準確率的一個重要原因。

參考文獻：

[1]賀拴海，趙祥模，馬建，等.公路橋梁檢測及評價技術綜述[J].中國公路學報，2017，30（11）：63-80.

[2]黃鳳華，曹一山，蔣永生，等.機器學習在橋梁病害檢測識別中的研究應用進展[J].公路交通科技（應用技術版），2019，15（9）：114-116.

[3]馬曄.混凝土結構缺陷的紅外熱成像檢測識別技術[J].公路交通科技，2017，34（12）：59-65.

[4]張潤，王永濱.機器學習及其算法和發(fā)展研究[J].中國傳媒大學學報（自然科學版），2016，23（2）：10-18+24.

[5]李彥冬，郝宗波，雷航.卷積神經網絡研究綜述[J].計算機應用，2016，36（9）：2508-2515+2565.

[6]常志明.正交試驗對高粘薄層瀝青混合料路用性能的研究[J].安徽建筑，2013，20（2）：208-210.