李 巖 徐信芯,2 李世豪,2 葉 敏

(1.長安大學(xué)公路養(yǎng)護(hù)裝備國家工程實驗室 西安 710064； 2.河南省高遠(yuǎn)公路養(yǎng)護(hù)技術(shù)有限公司 新鄉(xiāng) 453000)

在經(jīng)濟的發(fā)展和公路里程的增加給人們的出行和生活提供便捷的同時，隨著公路交通量急劇增加、使用時間不斷增長、車輛重載等多種因素的影響，公路的破壞和修復(fù)已經(jīng)成為城市交通的主要問題。瀝青路面病害的存在會縮短路面的使用壽命，影響路面的使用性能，需要及時對其進(jìn)行修復(fù)作業(yè)。在當(dāng)今公路里程數(shù)及公路交通量極大的情況下，應(yīng)用傳統(tǒng)的人工檢測手段來判定瀝青路面病害破損情況執(zhí)行起來費時費力，并且人工檢測方法較智能方法精度差、效率低，同時也會影響交通的正常運行[1-2]。

深度學(xué)習(xí)指的是學(xué)習(xí)輸入對象的表示層次和內(nèi)在規(guī)律，其在許多行業(yè)已經(jīng)得到了迅速的發(fā)展，也取得了許多優(yōu)異的成果，且在圖像分類領(lǐng)域中使用的效果優(yōu)異[3]。深度學(xué)習(xí)的最終目的是為了得到具有學(xué)習(xí)能力的機器，它能夠完成數(shù)據(jù)識別等任務(wù)。但是由于發(fā)展時間的限制，在一些具體的領(lǐng)域還沒有被廣泛地應(yīng)用[4-5]。模糊神經(jīng)網(wǎng)絡(luò)綜合評價引入了模糊邏輯推理規(guī)則，賦予計算機相關(guān)運算邏輯，避免人為干預(yù)，有評價結(jié)果客觀、步驟簡單、效率高等特點[6]。國內(nèi)外不少學(xué)者對瀝青路面病害識別方向進(jìn)行研究，但大多是單一的利用深度學(xué)習(xí)進(jìn)行病害識別或單一的利用模糊神經(jīng)網(wǎng)絡(luò)等進(jìn)行評判，本研究擬將其結(jié)合起來，對輸入圖像進(jìn)行處理，利用Alexnet網(wǎng)絡(luò)識別出病害類型，再利用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)一步評判。

1 瀝青路面病害數(shù)據(jù)集構(gòu)建

該方法根據(jù)不同瀝青路面病害圖像創(chuàng)建了一個含有3類瀝青路面病害的樣本數(shù)據(jù)集，包括裂縫、水損壞、車轍，共300張圖像，每一類瀝青路面病害共搜集到100張照片，基本涵蓋了目前瀝青路面的主要病害。為了確保識別精度，每個圖像中僅包含單一瀝青路面病害，并且其中瀝青路面病害特征未堆疊或損壞，圖像示例見圖1。

圖1 瀝青路面病害數(shù)據(jù)集中的圖像示例

對收集的病害圖片進(jìn)行整理，歸納出瀝青路面病害類型見圖2，該病害類型構(gòu)成評價指標(biāo)，主要評價指標(biāo)包括裂縫、車轍和水損害3大類，共計11個小類。例如對于裂縫來說，可細(xì)分為橫向裂縫、縱向裂縫、網(wǎng)狀裂縫及不規(guī)則裂縫。

圖2 瀝青路面病害評價指標(biāo)

為實現(xiàn)瀝青路面病害的自動化和智能化識別，建立了圖像處理和病害智能識別2個子評估系統(tǒng)，其流程圖見圖3、圖4。

圖3 圖像處理子系統(tǒng)流程圖

圖4 病害智能識別子系統(tǒng)流程圖

對于圖像處理子系統(tǒng)，首先選擇所處理對象合適的網(wǎng)絡(luò)模型，根據(jù)現(xiàn)有瀝青路面病害圖像構(gòu)建病害數(shù)據(jù)集，再對瀝青路面病害圖像的特征進(jìn)行提取，通過標(biāo)簽化處理、歸一化處理、數(shù)據(jù)集擴充后建立瀝青路面病害圖像典型特征數(shù)據(jù)集。瀝青路面病害圖像經(jīng)圖像處理子系統(tǒng)后進(jìn)入病害智能識別子系統(tǒng)，該系統(tǒng)對輸入的圖像進(jìn)行預(yù)處理使其達(dá)到該子系統(tǒng)可識別的狀態(tài)，隨即與上述所建立的典型數(shù)據(jù)集中的圖像進(jìn)行對比，找到與該輸入圖像特征一致的數(shù)據(jù)集圖像，最后輸出該瀝青路面病害圖像的類型及其危險度等級。

2 瀝青路面病害圖像處理子系統(tǒng)

2.1 圖像識別網(wǎng)絡(luò)模型的選用

至今為止，眾多圖像識別相關(guān)研究都應(yīng)用了深度學(xué)習(xí)方法，在深度學(xué)習(xí)中可用于目標(biāo)識別任務(wù)的網(wǎng)絡(luò)種類龐雜，且性能不一，針對該瀝青路面病害圖譜智能識別方法的研究，所需深度學(xué)習(xí)網(wǎng)絡(luò)性能應(yīng)滿足下述要求。

1) 該系統(tǒng)用以識別瀝青路面病害圖像所需識別目標(biāo)面積大，因此相對應(yīng)識別網(wǎng)絡(luò)應(yīng)可處理中、大型目標(biāo)。

2) 考慮到實際應(yīng)用價值，學(xué)習(xí)網(wǎng)絡(luò)不僅需要較高的模型識別率，而且需要較短的模型訓(xùn)練時間。

3) 本研究所創(chuàng)建的瀝青路面病害圖像數(shù)據(jù)集與ImageNet等大型數(shù)據(jù)集相比小得多，這就要求所選網(wǎng)絡(luò)模型應(yīng)當(dāng)具備優(yōu)秀的的特征學(xué)習(xí)能力和良好的的抗過擬合性能。

4) 由于實驗電腦的CPU與GPU的限制，且需要不斷調(diào)試網(wǎng)絡(luò)參數(shù)，故在維持模型識別率的前提下，應(yīng)盡可能地要求網(wǎng)絡(luò)結(jié)構(gòu)簡單，層數(shù)較少，保持較快的識別速度。

結(jié)合上述要求，與主流的幾大圖像分類方法比較，其中AlexNet和Vgg16等網(wǎng)絡(luò)在訓(xùn)練速度和精度方面性能較優(yōu)。因?qū)嶒炘O(shè)備條件原因，最終選擇AlexNet網(wǎng)絡(luò)作為本研究的網(wǎng)絡(luò)模型。

2.2 圖像樣本數(shù)據(jù)集建立

根據(jù)樣本數(shù)據(jù)集的建立過程繪制其流程圖見圖5。

圖5 數(shù)據(jù)集建立流程圖

根據(jù)樣本數(shù)據(jù)集標(biāo)定的過程繪制其流程圖見圖6。

圖6 數(shù)據(jù)集標(biāo)定流程圖

采用監(jiān)督式的深度學(xué)習(xí)算法，所輸入訓(xùn)練數(shù)據(jù)即瀝青路面病害圖像數(shù)據(jù)集中的樣本圖像需進(jìn)行標(biāo)簽化處理。標(biāo)簽的實際意義在于將照片中有用的，需要被學(xué)習(xí)的信息框選出來，剔除掉無用的干擾信息，使用MATLAB內(nèi)置軟件Image Labeler對瀝青路面病害圖像進(jìn)行標(biāo)定[7]。將標(biāo)定后含有標(biāo)簽信息的mat文件統(tǒng)一保存在對應(yīng)文件夾，隨后使用MATLAB循環(huán)程序可以批量將所保存文件導(dǎo)出為jpg標(biāo)簽圖片，保存訓(xùn)練樣本圖片用于瀝青路面病害識別網(wǎng)絡(luò)的訓(xùn)練。

因識別的目標(biāo)為瀝青路面病害圖像，理論上打標(biāo)簽的對象為瀝青路面病害上特殊的樣貌特征，但是在實際的應(yīng)用中需要識別的是含病害瀝青路面的整體目標(biāo)區(qū)域，因此若只應(yīng)用特殊樣貌特征則會出現(xiàn)不識別整體目標(biāo)區(qū)域的情況，若只應(yīng)用整體目標(biāo)區(qū)域的圖像，由于瀝青路面病害特殊樣貌特征不夠明確會使得識別效果較差。為確保識別精度及較優(yōu)的識別效果，創(chuàng)建了3類數(shù)據(jù)集即特殊樣貌特征數(shù)據(jù)集，整體目標(biāo)區(qū)域數(shù)據(jù)集和特殊樣貌特征與整體目標(biāo)區(qū)域數(shù)據(jù)集，通過比較3類數(shù)據(jù)集的訓(xùn)練結(jié)果，確定最優(yōu)數(shù)據(jù)集方案。

使用Image Labeler對數(shù)據(jù)集中的圖像進(jìn)行剪裁，提取其中有用信息，此時，經(jīng)其處理后的圖像規(guī)格不完全統(tǒng)一，需對數(shù)據(jù)集中的的圖像進(jìn)行歸一化處理，確保其尺寸統(tǒng)一。使用imread函數(shù)將照片循環(huán)讀取后，再使用imresize調(diào)整圖像的尺寸為227×227。

2.3 圖像數(shù)據(jù)集擴充

根據(jù)樣本數(shù)據(jù)集擴充的過程繪制其流程圖見圖7。

圖7 數(shù)據(jù)集擴充流程圖

為獲得更好的訓(xùn)練效果，提高識別精度，應(yīng)擴大數(shù)據(jù)集的規(guī)模，使網(wǎng)絡(luò)模型能學(xué)習(xí)到更多特征。若數(shù)據(jù)集的規(guī)模過小，會使得訓(xùn)練結(jié)果不夠理想，產(chǎn)生欠擬合等問題。但是通過人工采集的方式來獲得大量的樣本圖像會耗費大量的時間和精力，因此對已有數(shù)據(jù)進(jìn)行增強處理可以高效地擴充數(shù)據(jù)集。該子系統(tǒng)采取圖像旋轉(zhuǎn)、圖像鏡像，以及添加噪聲進(jìn)行數(shù)據(jù)增強處理。

1) 圖像旋轉(zhuǎn)。輸入imrotate指令能夠使圖像以其中心點為旋轉(zhuǎn)點進(jìn)行旋轉(zhuǎn)，將原圖像旋轉(zhuǎn)90°得到新圖像，采用雙三次插值的默認(rèn)算法，使用剪切指令對旋轉(zhuǎn)后圖像剪裁，使得輸入輸出圖像尺寸一致。

2) 圖像鏡像。圖像鏡像處理包括水平鏡像與豎直鏡像2種變換，將圖像分別以其豎直中軸線為軸的左右兩部分調(diào)換位置，和以其水平中軸線為軸的上下兩部分調(diào)換位置。

3) 圖像添加噪聲。為了增大數(shù)據(jù)樣本量并且增強模型的抗噪能力，給輸入的樣本圖像分別添加高斯噪聲與椒鹽噪聲，將輸入樣本圖像添加噪聲系數(shù)為0.1的高斯噪聲和椒鹽噪聲，高斯噪聲在理論研究中十分常用，給人視覺感受最清晰的是椒鹽噪聲。對輸入的圖像添加噪聲，使模型能學(xué)習(xí)帶有噪聲干擾的新特征，從而提高網(wǎng)絡(luò)的抗噪能力，因此增加噪聲到輸入的數(shù)據(jù)樣本中是必要的。通過向一部分輸入圖像樣本中添加噪聲密度為0.1的高斯噪聲和椒鹽噪聲，使得所有的數(shù)據(jù)集中有部分圖像有噪聲干擾，既能夠達(dá)到擴充樣本數(shù)據(jù)量的目的，又能夠模擬現(xiàn)實使用中的噪聲干擾，提高網(wǎng)絡(luò)在噪聲下的識別能力。

經(jīng)過上述數(shù)據(jù)預(yù)處理之后，生成了涵蓋三大類瀝青路面病害的1 500幅圖像，每類瀝青路面病害有500張圖像。在訓(xùn)練開始前，將樣本數(shù)據(jù)集進(jìn)行劃分為訓(xùn)練集和測試集兩部分，因樣本數(shù)據(jù)集所含樣本相對較少，為達(dá)到較優(yōu)的訓(xùn)練效果，應(yīng)適當(dāng)擴大訓(xùn)練集比例并減小測試集比例，規(guī)定每類瀝青路面病害的樣本圖像中4/5為訓(xùn)練集，1/5為測試集。通過訓(xùn)練集進(jìn)行網(wǎng)絡(luò)模型的訓(xùn)練，通過測試集來檢測模型的識別精度，以及對網(wǎng)絡(luò)模型進(jìn)行自我評估。

3 瀝青路面病害智能識別子系統(tǒng)

3.1 網(wǎng)絡(luò)模型訓(xùn)練

網(wǎng)絡(luò)模型訓(xùn)練流程圖見圖8。

圖8 網(wǎng)絡(luò)訓(xùn)練流程圖

因使用遷移學(xué)習(xí)訓(xùn)練得到的網(wǎng)絡(luò)模型具有識別精度高、訓(xùn)練效果好等特點，本文采取該方法并選用ImageNet數(shù)據(jù)集上進(jìn)行過預(yù)訓(xùn)練的AlexNet網(wǎng)絡(luò)模型，將先前自建的樣本數(shù)據(jù)集輸入網(wǎng)絡(luò)結(jié)構(gòu)的后3層中，經(jīng)預(yù)訓(xùn)練后的新模型，其收斂速度得到了提升。在數(shù)據(jù)集訓(xùn)練結(jié)束后，通過對AlexNet網(wǎng)絡(luò)模型參數(shù)進(jìn)行調(diào)整，使選擇的網(wǎng)絡(luò)模型與創(chuàng)立的數(shù)據(jù)集達(dá)到最優(yōu)匹配狀態(tài)，提高訓(xùn)練精度，縮短訓(xùn)練時長，得到了網(wǎng)絡(luò)性能和實用性能最佳的模型，其具體數(shù)據(jù)如下。

學(xué)習(xí)率：0.000 1；測驗頻率：10；權(quán)重：5；偏差：5；Minibatchsize：10；MaxEpochs：6；準(zhǔn)確率：89.97%。

3.2 建立因素集

因素集是指以各致災(zāi)因子為元素所組成的集合，致災(zāi)因子是指與瀝青路面病害出現(xiàn)及發(fā)育相關(guān)聯(lián)的因素，即

U={U1，U2，…，Ui}

Ui={Ui1,Ui2,Ui3,…,Uin}

(1)

式中：Ui為因素集U中某類致災(zāi)因子；Uij為致災(zāi)因子Ui中的分因子。

3.3 確定致災(zāi)因子權(quán)重

通過賦予不同致災(zāi)因子權(quán)重ai來表征致災(zāi)因子對瀝青路面病害的影響程度，不同的權(quán)重ai構(gòu)成權(quán)向量A。結(jié)合層次分析法，比較評價體系中同層因子，得到判斷矩陣N。計算出上述矩陣的最大特征值λmax，再結(jié)合平均隨機一致性指標(biāo)RI，根據(jù)式(2)計算其隨機一致性比率CR，由此對判斷矩陣N做一致性檢驗，當(dāng)隨機一致性比率CR<0.10表示一致性檢驗通過，否則需重新確定判斷矩陣N。

(2)

(3)

利用AHP處理評價體系各層，計算出各層權(quán)向量Ai，獲得致災(zāi)因子最終權(quán)向量A。

對瀝青路面病害評價時將可能得出的評價結(jié)果組成評價集V，即

V=(V1,V2,V3)

(4)

評價集中元素分別代表重度、中度、輕度。

以致災(zāi)因子Ui單獨對瀝青路面病害進(jìn)行評價，確定其對評價集V中各元素的權(quán)重Ri=(ri1,ri2,ri3)，得到單因素評價向量，所有單因素評價向量按行組成評判矩陣P。

4 模糊綜合評價

結(jié)合上述評判矩陣P和權(quán)向量A，得模糊綜合評價式如式(5)所示。

B=A·P=(bij)

(5)

令bij=∨(aik∧rkj)，aik、rkj分別為權(quán)向量A和評判矩陣P中的元素，A·P的計算方式類似于矩陣乘法，將其中原本對應(yīng)行、列向量乘法運算換為取最小值(∧)，將其中原本在乘法運算后的加法運算換為取最大值(∨)，再對得到的B進(jìn)行歸一化處理。

將進(jìn)行歸一化處理后的B帶入式(6)

M=B·Z

(6)

其中，列向量Z是根據(jù)危險度等級所劃分?jǐn)?shù)量確定的，Z=(1.0,0.666 7,0.333 3)T，將計算得到的值M與所確立的危險度指數(shù)進(jìn)行比對，最終確定所評判瀝青路面病害的危險度等級，危險度等級劃分見表1。

表1 危險度等級劃分

在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，通過反復(fù)調(diào)試與比較分析，才能獲得兼顧識別效率和識別精度的網(wǎng)格模型。每一個在隱含層和輸出層中的神經(jīng)元都有獨自的權(quán)重值及傳遞函數(shù)?？偟膩碚f，神經(jīng)網(wǎng)絡(luò)的體系結(jié)構(gòu)和其參數(shù)的設(shè)置決定了它處理信息的能力。在獲取最優(yōu)神經(jīng)網(wǎng)絡(luò)的過程中最關(guān)鍵的問題在于確保隱含層處于最優(yōu)化狀態(tài)[8]。其各輸入值權(quán)重與人工神經(jīng)網(wǎng)絡(luò)的算法由各層使用函數(shù)類型決定。在Back Propagation(BP)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，以輸入輸出為基礎(chǔ)，將訓(xùn)練所用實例輸至網(wǎng)絡(luò)，得到其輸出，分析輸出值與其相對應(yīng)的實測值，記錄其偏差，再借助反向傳播，基于網(wǎng)絡(luò)輸出調(diào)整輸入的權(quán)重，通過這種方法能夠減少神經(jīng)網(wǎng)絡(luò)的錯誤[9]。訓(xùn)練過程在實際值與其對應(yīng)的網(wǎng)絡(luò)收斂完成后結(jié)束，通過均方差(MSE)尋找最優(yōu)神經(jīng)網(wǎng)絡(luò)，誤差越小代表其性能越好。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程見圖9。

圖9 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程

由圖9可知，訓(xùn)練應(yīng)在神經(jīng)網(wǎng)絡(luò)達(dá)到其效果最優(yōu)點(13個周期)時結(jié)束，在該神經(jīng)網(wǎng)絡(luò)中，用于驗證的數(shù)據(jù)集相關(guān)系數(shù)為0.976 69，用于測試的數(shù)據(jù)集相關(guān)系數(shù)為0.990 06。

4 路面病害危險度評價分析案例

以滇藏公路青海段為例，采用模糊神經(jīng)網(wǎng)絡(luò)綜合評價法分析該段樁號K170處路基橫向裂縫的危險度。該段路面由于排水設(shè)施不足而導(dǎo)致積水進(jìn)入路面結(jié)構(gòu)，致使半剛性基層水毀，形成了間隔5～6 m分布的路面開裂病害，見圖10。

圖10 樁號K170處橫縫

從相關(guān)研究[10-12]中總結(jié)出誘發(fā)該處橫向裂縫裂縫的相關(guān)致災(zāi)因子，通過劃分得到外部環(huán)境因素、凍土因素和設(shè)計因素3大類致災(zāi)因子，同時對每一大類致災(zāi)因子進(jìn)行細(xì)分，例如外部環(huán)境因素又可具體細(xì)分為地表溫度、行車載荷、日照強度、降水量。經(jīng)過上述步驟得到11個致災(zāi)因子，具體見圖11。

圖11 致災(zāi)因子類型圖

根據(jù)對滇藏公路K170路段現(xiàn)場實際環(huán)境以及鋪筑時相關(guān)路基參數(shù)的研判，結(jié)合神經(jīng)網(wǎng)絡(luò)的訓(xùn)練得出所述3大類致災(zāi)因子的權(quán)重a1、a2、a3，有：(a1,a2,a3)=(0.5,0.2,0.3)。通過AHP建立外部環(huán)境因素下4類致災(zāi)因子(地表溫度、交通流量、日照強度、降水量)的判斷矩陣N1。

(7)

計算得最大特征值λmax=4.013 0，在4階矩陣中，RI=0.9 ，根據(jù)式(2)有

RI=0.011<0.10

(8)

故一致性檢驗通過，計算得到行向量的幾何平均數(shù)Wi；W1=0.451 8,W2=1.189 2,W3=0.804 9,W4=2.213 4，再根據(jù)式(3)經(jīng)歸一化處理后求出在該因素下各致災(zāi)因子權(quán)向量：A1=(0.096 2,0.253 3,0.179 1,0.471 4)；按照上述步驟,依次可求得在設(shè)計因素以及凍土因素下致災(zāi)因子的權(quán)向量A2和A3，并結(jié)合3大類致災(zāi)因子的權(quán)重得到該評價體系權(quán)向量A。

(9)

根據(jù)現(xiàn)場環(huán)境條件及其致災(zāi)因子類型，確定11小類致災(zāi)因子對評價集元素的權(quán)重，11個單因素評價橫向量構(gòu)成評判矩陣P如下。

(10)

將評判矩陣P和權(quán)向量A帶入式(5)并做歸一化處理，得：B=(0.412 5,0.412 5,0.175 0)，帶入式(6)，得：M=0.745 8。由表1危險度等級與指數(shù)的對應(yīng)關(guān)系可知，該路段橫向裂縫的危險度為重度。根據(jù)現(xiàn)場的實際勘察結(jié)果可知，該路段橫向裂縫寬度、深度大，貫穿長度長，裂縫分布集中，有劣化跡象，對路基造成了惡劣影響，同時也危及行車安全，故所得評價結(jié)果為重度，符合該段橫向裂縫實際狀況。

5 結(jié)語

本文針對具有工程實際應(yīng)用意義和研究價值的瀝青路面病害智能識別系統(tǒng)這一方向展開研究與探討，介紹了該系統(tǒng)的建立全過程。通過數(shù)據(jù)庫建立、標(biāo)簽處理，以及圖像預(yù)處理和深度學(xué)習(xí)網(wǎng)絡(luò)的構(gòu)建等步驟，使得網(wǎng)絡(luò)建立邏輯明晰。在圖像處理的基礎(chǔ)上引入模糊邏輯推理與神經(jīng)網(wǎng)絡(luò)相關(guān)知識，評價所識別出的瀝青路面病害危險度等級，借助模糊神經(jīng)網(wǎng)絡(luò)來完成對瀝青路面病害危險度等級評價的邏輯推理，較傳統(tǒng)評價方法有評價結(jié)果精確、評價過程客觀、評價速度快等優(yōu)點。以滇藏公路K170路段的橫向裂縫病害為例進(jìn)行評價，得出該路段橫向裂縫等級為重度，與專家現(xiàn)場評判結(jié)果一致，表明此方法能夠準(zhǔn)確、高效、客觀地識別瀝青路面病害類型并分析其危險度等級。