譚兆，王保憲，秦守鵬，趙維剛

(1.中國(guó)鐵路設(shè)計(jì)集團(tuán)有限公司，天津 300251；2.石家莊鐵道大學(xué) 安全工程與應(yīng)急管理學(xué)院，河北 石家莊 050043)

裂縫檢測(cè)與識(shí)別是開展混凝土結(jié)構(gòu)耐久性評(píng)估中的一項(xiàng)重要內(nèi)容。由于人工檢查存在主觀性強(qiáng)、效率低等缺點(diǎn)，近年來(lái)隨著信息技術(shù)的快速發(fā)展，基于深度學(xué)習(xí)的裂縫視覺檢測(cè)與識(shí)別方法成為行業(yè)發(fā)展的新趨勢(shì)[1]。相比于邊緣檢測(cè)[2]、閾值分割[3]等傳統(tǒng)方法，深度學(xué)習(xí)方法利用卷積網(wǎng)絡(luò)從圖像中挖掘多層特征，再通過(guò)訓(xùn)練特定的網(wǎng)絡(luò)結(jié)構(gòu)，完成圖像分類、定位、分割等任務(wù)。CHA等[4-7]提出利用卷積網(wǎng)絡(luò)提取圖像語(yǔ)義特征，并取得了比傳統(tǒng)方法更好的裂縫檢測(cè)效果。王耀東等[8]通過(guò)改進(jìn)AlexNet 網(wǎng)絡(luò)結(jié)構(gòu)，建立了隧道裂縫病害目標(biāo)自動(dòng)提取模型。雖然上述幾種方法采用了卷積網(wǎng)絡(luò)具備的良好特征提取能力，但是整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)較為簡(jiǎn)單，因而在復(fù)雜背景下的普適性無(wú)法有效保證。為了適應(yīng)復(fù)雜環(huán)境，薛亞東等[9]提出利用Faster RCNN 二階段網(wǎng)絡(luò)先確定裂縫候選區(qū)域再辨識(shí)裂縫病害，可一定程度上提高裂縫檢測(cè)與識(shí)別性能。柴雪松等[10]在超像素分割篩選基礎(chǔ)上，提出了基于ResNet18 與DeepLab-V3 的分割網(wǎng)絡(luò)；該方法依賴于超像素分割結(jié)果，對(duì)于細(xì)微裂縫或強(qiáng)背景干擾并不適用。劉新根等[11]引入多尺度裂縫特征融合策略，取得了較好的裂縫分割結(jié)果。類似地，劉凡等[12]也提出一種基于并行注意力機(jī)制的裂縫檢測(cè)與識(shí)別模型。雖然上述方法利用深度神經(jīng)網(wǎng)絡(luò)能夠挖掘裂縫圖像中的一些關(guān)鍵特征，但由于深度學(xué)習(xí)網(wǎng)絡(luò)在各自方法中仍是一個(gè)“黑盒子”模型，網(wǎng)絡(luò)訓(xùn)練過(guò)程中的一些不確定性會(huì)導(dǎo)致識(shí)別模型提取到一些非重要特征，而較為關(guān)鍵的裂縫邊緣特征未能得到重點(diǎn)提取。最終可能導(dǎo)致模型性能局部“坍塌”到一些不好的特征提取層，進(jìn)而出現(xiàn)裂縫漏檢或虛警問題。此外，由于裂縫邊緣特征未能得到強(qiáng)化學(xué)習(xí)，在深度學(xué)習(xí)網(wǎng)絡(luò)的多次下采樣中，幾個(gè)像素寬度的細(xì)微裂縫將更容易丟失，因而出現(xiàn)裂縫漏檢問題。為了更好地建立裂縫檢測(cè)模型，李艷霞[13]提出對(duì)裂縫圖像進(jìn)行邊緣增強(qiáng)預(yù)處理，突出裂縫線條屬性特征，有利于模型更好地訓(xùn)練學(xué)習(xí)。受此啟發(fā)，本文提出一種基于邊緣增強(qiáng)感知學(xué)習(xí)的裂縫檢測(cè)方法。但不同于文獻(xiàn)[13]，本文將裂縫邊緣作為網(wǎng)絡(luò)訓(xùn)練輔助標(biāo)記，如圖1 所示，該方法以U-Net++為主框架，利用通道卷積將原始的U-Net++分割網(wǎng)絡(luò)劃分為2 條支路，一條支路繼續(xù)進(jìn)行裂縫主干區(qū)域的分割工作；另一條支路則利用U-Net++網(wǎng)絡(luò)解碼器具備的聚合上下文功能，構(gòu)建一個(gè)裂縫邊緣預(yù)測(cè)分支網(wǎng)絡(luò)。2 條分支網(wǎng)絡(luò)共同形成雙任務(wù)學(xué)習(xí)體系，使整個(gè)網(wǎng)絡(luò)在學(xué)習(xí)主干特征的同時(shí)能夠聚焦于裂縫邊緣信息，提高對(duì)細(xì)微裂縫病害的檢測(cè)與識(shí)別精度。將待測(cè)試的裂縫圖像輸入到已建立的裂縫檢測(cè)網(wǎng)絡(luò)模型中，模型會(huì)同時(shí)輸出裂縫主體分割區(qū)域以及裂縫邊緣檢測(cè)區(qū)域，其前者將被作為最終的裂縫檢測(cè)結(jié)果。

圖1 本文提出的裂縫檢測(cè)模型原理圖Fig.1 Schematic diagram of proposed crack detection model

1 算法提出

1.1 裂縫分割主干網(wǎng)絡(luò)

U-Net++網(wǎng)絡(luò)是在原U-Net 網(wǎng)絡(luò)基礎(chǔ)上提出的語(yǔ)義分割模型[14]。圖2 展示了本文應(yīng)用的5 層網(wǎng)絡(luò)結(jié) 構(gòu)：X0，X1.0，X2.0，X3.0和X4.0分別表示一個(gè)特征提取卷積模塊，其包含了卷積、激活與歸一化等操作；每個(gè)卷積模塊后緊跟一個(gè)池化層，向下箭頭代表下采樣，向上箭頭代表上采樣；虛線代表了跳躍連接層。本文以U-Net++網(wǎng)絡(luò)為裂縫分割主干網(wǎng)絡(luò)，利用其提取裂縫的多尺度特征。

圖2 U-Net++網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 Structure diagram of U-Net++

利用Dice 系數(shù)來(lái)計(jì)算裂縫分割主干網(wǎng)絡(luò)的損失，其公式為式(1)。其中X*為裂縫分割結(jié)果，Y為人工標(biāo)記真值圖，|X*|和|Y|分別為分割結(jié)果與真值圖中的像素?cái)?shù)量，|X*∩Y|則為分割結(jié)果與真值圖內(nèi)容相同的交集。當(dāng)分割結(jié)果與真值圖的內(nèi)容重合度較大時(shí)，Dice 值接近于1；反之，Dice 值接近于0。式(2)為最終的主干網(wǎng)絡(luò)的損失函數(shù)，式中ε是為了避免Dice 計(jì)算中分母出現(xiàn)0 而設(shè)立的極小常數(shù)值。

1.2 裂縫邊緣真值圖

相比于混凝土結(jié)構(gòu)表面其他類病害(比如滲水、掉塊等)，裂縫為一種典型的條狀類病害。在深度學(xué)習(xí)網(wǎng)絡(luò)的特征提取中，特征下采樣操作會(huì)導(dǎo)致裂縫條狀信息大幅衰減。因此，如何保持裂縫條狀病害的邊緣特征，是本文所解決的關(guān)鍵問題。為了構(gòu)建裂縫邊緣預(yù)測(cè)分支網(wǎng)絡(luò)，需先提取裂縫的邊緣真值圖?？紤]裂縫邊緣主要包含2 個(gè)屬性，即方向和幅度。沿著裂縫邊界方向的像素亮度變化平緩，而垂直于裂縫邊界方向的像素亮度變化劇烈。因此，本文提出利用Sobel 算子提取人工標(biāo)記裂縫區(qū)域的邊緣，作為裂縫邊緣真值圖。

如圖3 所示，Sobel 算子提供了對(duì)垂直(圖3(b))邊緣與水平邊緣(圖3(c))的2個(gè)檢測(cè)模板。設(shè)圖3(a)為待檢測(cè)的3×3 輸入圖像，通過(guò)式(3)～(4)可分別計(jì)算圖像中每個(gè)點(diǎn)的水平方向與垂直方向的梯度值，再利用式(5)計(jì)算該點(diǎn)像素的總梯度大小，由此可判定該像素點(diǎn)是否屬于裂縫圖像邊緣。

圖3 Sobel邊緣檢測(cè)模板Fig.3 Template of Sobel edge detector

1.3 裂縫邊緣預(yù)測(cè)分支網(wǎng)絡(luò)

為了提高網(wǎng)絡(luò)模型對(duì)細(xì)微裂縫病害的檢測(cè)效果，本文在裂縫主干區(qū)域分割基礎(chǔ)上，進(jìn)一步考慮利用裂縫特有的邊緣特征，構(gòu)造一個(gè)邊緣輔助預(yù)測(cè)分支網(wǎng)絡(luò)，并將其與主干網(wǎng)絡(luò)統(tǒng)一到一個(gè)深度學(xué)習(xí)模型中。如圖2所示，選用的裂縫識(shí)別主網(wǎng)絡(luò)U-Net++主要包含編碼器、解碼器等結(jié)構(gòu)。在編碼器部分，網(wǎng)絡(luò)通過(guò)卷積得到不同分辨率的特征圖；在解碼器部分，網(wǎng)絡(luò)將編碼特征與編碼器特征通過(guò)跳躍連接操作進(jìn)行融合，如此構(gòu)建了一個(gè)具有多分辨率特征的金字塔。受此啟發(fā)，提出在主干網(wǎng)絡(luò)的解碼器上構(gòu)建邊緣預(yù)測(cè)分支網(wǎng)絡(luò)，其利用裂縫輸入圖像與裂縫邊緣真值圖進(jìn)行迭代訓(xùn)練，通過(guò)計(jì)算裂縫邊緣真值圖與裂縫邊緣預(yù)測(cè)結(jié)果之間的差值來(lái)構(gòu)造損失函數(shù)。邊緣預(yù)測(cè)分支網(wǎng)絡(luò)的具體建立過(guò)程如下所述。

設(shè)主網(wǎng)絡(luò)U-Net++為5 層網(wǎng)絡(luò)，其原始解碼端的特征金字塔會(huì)輸出5 層特征圖。如圖4 所示，邊緣預(yù)測(cè)分支網(wǎng)絡(luò)以VGG16 網(wǎng)絡(luò)為基礎(chǔ)，去除VGG16 模型中的全連接層，并在卷積層后增加5個(gè)側(cè)邊輸出層，用以輸出多尺度特征。從特征圖的尺寸來(lái)看，主網(wǎng)絡(luò)與邊緣預(yù)測(cè)分支網(wǎng)絡(luò)的各層特征圖尺寸是一樣的(分別為448×448，224×224，112×112，56×56 與28×28)，因此可將U-Net++網(wǎng)絡(luò)的解碼器視為邊緣預(yù)測(cè)分支網(wǎng)絡(luò)的編碼器，并在U-Net++網(wǎng)絡(luò)的后端構(gòu)建邊緣預(yù)測(cè)分支網(wǎng)絡(luò)，增強(qiáng)網(wǎng)絡(luò)模型對(duì)細(xì)微裂縫病害的檢測(cè)效果。同時(shí)為了防止主干分割任務(wù)與邊緣檢測(cè)任務(wù)發(fā)生沖突，應(yīng)用通道卷積對(duì)U-Net++解碼器輸出的特征圖進(jìn)行分支管理，分別用于主干網(wǎng)絡(luò)訓(xùn)練與邊緣檢測(cè)網(wǎng)絡(luò)訓(xùn)練。

圖4 裂縫邊緣預(yù)測(cè)分支網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.4 Structure diagram of crack edge prediction branch network

設(shè)X為輸入裂縫圖像，Y'為原裂縫真值圖Y對(duì)應(yīng)的邊緣真值圖。為了方便與原始分辨率的圖像標(biāo)記進(jìn)行損失函數(shù)計(jì)算，將所有子解碼網(wǎng)絡(luò)層對(duì)應(yīng)的特征圖上采樣至與原始圖像尺寸相同的分辨率，這里設(shè)分支網(wǎng)絡(luò)上采樣后的第i層解碼網(wǎng)絡(luò)特征圖為ψi，可利用交叉熵函數(shù)dist(·，·)計(jì)算第i層網(wǎng)絡(luò)對(duì)應(yīng)的預(yù)測(cè)損失值，如式(6)：

考慮每層解碼網(wǎng)絡(luò)特征圖反饋的信息有所差異，引入特征圖權(quán)重參數(shù)W={w1，w2，w3，w4，w5}對(duì)分支網(wǎng)絡(luò)的每層網(wǎng)絡(luò)預(yù)測(cè)損失值進(jìn)行綜合計(jì)算，由此得到裂縫邊緣預(yù)測(cè)分支網(wǎng)絡(luò)的損失函數(shù)，如式(7)：

將式(7)項(xiàng)作為正則化約束項(xiàng)，聯(lián)合裂縫主干分割網(wǎng)絡(luò)的損失函數(shù)(式(2))，構(gòu)建一種雙任務(wù)聯(lián)合訓(xùn)練框架，最終總體的裂縫分割模型的訓(xùn)練損失函數(shù)如式(8)：

在雙任務(wù)聯(lián)合訓(xùn)練過(guò)程中，整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)會(huì)根據(jù)訓(xùn)練誤差量迭代更新網(wǎng)絡(luò)結(jié)構(gòu)的所有參數(shù)以及所有特征圖的權(quán)重參數(shù)W，由此實(shí)現(xiàn)對(duì)裂縫主干區(qū)域與裂縫邊緣特征的綜合感知學(xué)習(xí)。

2 實(shí)驗(yàn)評(píng)估與分析

2.1 數(shù)據(jù)集建立

為了驗(yàn)證所提出的裂縫病害視覺檢測(cè)模型的有效性，本文收集了來(lái)自Cracktree[15]、CRACK500[16]、CFD[17]等大量裂縫數(shù)據(jù)集進(jìn)行測(cè)試分析，并進(jìn)一步使用佳能HS125 相機(jī)對(duì)石家莊鐵道大學(xué)結(jié)構(gòu)實(shí)驗(yàn)室的諸多試驗(yàn)構(gòu)件進(jìn)行拍攝，尤其拍攝了100 張帶有細(xì)微裂縫的混凝土病害圖像。為了統(tǒng)一所有的裂縫圖像尺寸，本文將收集與拍攝的裂縫圖像均分割成448×448 大小的方塊圖像，共計(jì)有11 600 張。隨機(jī)選取10 000 張數(shù)據(jù)用來(lái)訓(xùn)練網(wǎng)絡(luò)模型，剩余1 600 張數(shù)據(jù)則作為測(cè)試集，用于評(píng)估算法檢測(cè)效果。由于新采集的圖像數(shù)據(jù)，缺少人工標(biāo)記，本文利用Photoshop 軟件對(duì)裂縫數(shù)據(jù)進(jìn)行標(biāo)注。不同于Labelme 等圖像標(biāo)記軟件，Photoshop 軟件具有對(duì)相近亮度的像素點(diǎn)快速引導(dǎo)標(biāo)記功能，因而對(duì)裂縫圖像的像素級(jí)標(biāo)記效率較高。如圖5 所示，通過(guò)Photoshop 軟件中的快速選擇工具對(duì)裂縫區(qū)域進(jìn)行逐像素標(biāo)記，其裂縫區(qū)域被標(biāo)記為白色(像素亮度值為255)，背景區(qū)域被標(biāo)記為黑色(像素值亮度值為0)。

圖5 裂縫病害像素級(jí)標(biāo)記示意圖Fig.5 Illustrations of labeling the pixels of crack region

2.2 實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)定

考慮公平性，本文提出的裂縫檢測(cè)算法與其他對(duì)比算法均在同一個(gè)計(jì)算平臺(tái)上實(shí)現(xiàn)，具體實(shí)驗(yàn)環(huán)境參數(shù)為：CPU處理器I9-9900K、內(nèi)存64 GB、GPU 顯卡11GB-GTX1080Ti，操作系統(tǒng)為Ubuntu16.04，所有算法均采用Python 進(jìn)行編程。對(duì)于網(wǎng)絡(luò)模型而言，其訓(xùn)練參數(shù)主要包括權(quán)重衰減系數(shù)、指數(shù)衰減率、模糊因子、批量處理值以及學(xué)習(xí)率等。這里，權(quán)重衰減系數(shù)是為了避免模型過(guò)擬合而設(shè)定的懲罰參數(shù)，一般設(shè)為默認(rèn)值0；指數(shù)衰減率主要用于平滑權(quán)重參數(shù)的梯度與梯度的平方值，一般設(shè)為默認(rèn)值0.99；模糊因子是防止在網(wǎng)絡(luò)訓(xùn)練過(guò)程中出現(xiàn)分母為0的情況，一般設(shè)定為1×10-8。批量處理值與硬件計(jì)算資源有關(guān)，當(dāng)批量處理值過(guò)大時(shí)，GPU 內(nèi)存會(huì)溢出，導(dǎo)致網(wǎng)絡(luò)無(wú)法訓(xùn)練；而當(dāng)批量處理值設(shè)為1時(shí)，會(huì)出現(xiàn)網(wǎng)絡(luò)收斂不穩(wěn)定的現(xiàn)象。綜合實(shí)際情況，本文將批量處理值設(shè)為4。學(xué)習(xí)率是網(wǎng)絡(luò)模型訓(xùn)練的一個(gè)關(guān)鍵參數(shù)，其值過(guò)小會(huì)導(dǎo)致網(wǎng)絡(luò)收斂緩慢，其值過(guò)大時(shí)雖可提高網(wǎng)絡(luò)訓(xùn)練速度但可能會(huì)導(dǎo)致網(wǎng)絡(luò)無(wú)法收斂。為了確定最優(yōu)學(xué)習(xí)率，本文選取5 個(gè)常見數(shù)值(即0.001，0.005，0.01，0.05和0.1)進(jìn)行測(cè)試。由于在訓(xùn)練過(guò)程中，訓(xùn)練初期的損失值衰減較大，因此利用模型迭代訓(xùn)練20 次后的損失值大小作為評(píng)判依據(jù)，其最小損失值對(duì)應(yīng)的學(xué)習(xí)率參數(shù)為最優(yōu)。如圖6所示，0.005被確定為最優(yōu)學(xué)習(xí)率參數(shù)。圖7展示了在最優(yōu)學(xué)習(xí)率參數(shù)0.005 下，整個(gè)模型的迭代訓(xùn)練損失值變化曲線。當(dāng)?shù)螖?shù)為250 次時(shí)，整個(gè)網(wǎng)絡(luò)的損失值不再發(fā)生明顯變化，因此本文將迭代250次時(shí)的網(wǎng)絡(luò)權(quán)重參數(shù)保存為最終裂縫檢測(cè)模型參數(shù)。

圖6 各學(xué)習(xí)率下的網(wǎng)絡(luò)損失值變化曲線Fig.6 Changing curve of loss function with different learning rates

圖7 最優(yōu)學(xué)習(xí)率下網(wǎng)絡(luò)損失值變化曲線Fig.7 Changing curve of loss function with best learning rate

2.3 實(shí)驗(yàn)結(jié)果與分析

2.3.1 定性分析

圖8 展示了本文算法與3 種對(duì)比算法FCN[18]，U-Net 和U-Net++對(duì)部分裂縫病害圖像的視覺檢測(cè)結(jié)果。首先，圖8 中1～5 號(hào)分圖均為細(xì)微裂縫病害，從原圖中可以看到這些細(xì)微裂縫與背景區(qū)域的對(duì)比度較低、信噪比較小，給裂縫區(qū)域精準(zhǔn)檢測(cè)帶來(lái)很大困難。相比于其他3 種方法，經(jīng)典的FCN 分割模型的解碼層部分相對(duì)簡(jiǎn)單，導(dǎo)致其無(wú)法有效檢測(cè)與識(shí)別大部分細(xì)微裂縫(見圖8中的3～5 號(hào)分圖)。對(duì)于圖8 中的2～3 這2 個(gè)分圖，U-Net算法將背景的2 個(gè)劃痕誤檢測(cè)為裂縫(見虛線框)，可能的原因是U-Net模型未使用跳躍連接層導(dǎo)致其對(duì)裂縫的感知不精準(zhǔn)。雖然U-Net++算法借助跳躍連接層在一定程度上可獲得較為精準(zhǔn)的裂縫分割結(jié)果，但是對(duì)于細(xì)微裂縫而言，其在圖像數(shù)據(jù)中只有幾個(gè)像素的寬度，其形狀類似于一條細(xì)線(例如圖8 中的3～5 分圖中的細(xì)微裂縫)，本就稀少且不明顯的裂縫原始特征很容易在深度學(xué)習(xí)編碼階段的多次下采樣過(guò)程中被消除，因此U-Net++算法對(duì)于細(xì)微裂縫病害的感知結(jié)果出現(xiàn)了漏檢(即圖8中的3～5 分圖中的虛線框部分)。相比而言，本文算法利用通道卷積操作將整個(gè)裂縫分割解碼網(wǎng)絡(luò)分為2條支路，一條支路繼續(xù)為裂縫主體區(qū)域檢測(cè)服務(wù)，另一條支路則為一個(gè)邊緣預(yù)測(cè)分支網(wǎng)絡(luò)，這使得整體網(wǎng)絡(luò)在學(xué)習(xí)裂縫主體區(qū)域特征的同時(shí)能夠聚焦于裂縫的邊界信息，其通過(guò)裂縫邊緣條件約束，從而獲得更加完整的裂縫區(qū)域檢測(cè)結(jié)果。圖8 中1～5 分圖的實(shí)驗(yàn)結(jié)果表明本文網(wǎng)絡(luò)在細(xì)微裂縫檢測(cè)任務(wù)中均取得了最優(yōu)的檢測(cè)效果。

圖8 部分代表性的細(xì)微裂縫病害檢測(cè)結(jié)果Fig.8 Some representative detecting results of fine cracks

考慮在實(shí)際應(yīng)用中，細(xì)微裂縫只是混凝土裂縫病害的一種特殊形式，在大部分情況下，細(xì)微裂縫與正常裂縫同時(shí)存在，呈現(xiàn)一種多尺度裂縫并存現(xiàn)狀，如圖8 中的6～8 分圖所示。為了驗(yàn)證本文算法在取得對(duì)細(xì)微裂縫良好檢測(cè)效果的同時(shí)，對(duì)于其他非細(xì)微裂縫仍可保持良好的檢測(cè)效果，故測(cè)試了本文方法及其他3種算法對(duì)多尺度裂縫病害圖像的檢測(cè)效果。從圖8 中分圖6 的檢測(cè)結(jié)果可看出，其他3 種算法均出現(xiàn)了一些虛警(見圖中虛線框部分)；如圖8 中分圖7 所示，U-Net 模型對(duì)于背景塊狀陰影干擾較為敏感；U-Net++算法雖然可分割出大部分裂縫區(qū)域，但是在細(xì)微裂縫病害感知方面出現(xiàn)了漏檢(見圖8 中分圖6～8 虛線框)。光照干擾也是裂縫檢測(cè)應(yīng)用中必須考慮的一個(gè)問題，圖8 中分圖9 展示了在不均勻光照干擾下4 種模型的裂縫檢測(cè)結(jié)果。顯然FCN 模型對(duì)于背景光照干擾敏感，出現(xiàn)了一些虛警；U-Net 和U-Net++這2個(gè)模型未利用裂縫邊緣關(guān)鍵特征，導(dǎo)致裂縫區(qū)域出現(xiàn)部分漏檢。綜合對(duì)比可知，本文算法在基于U-Net++對(duì)于正常裂縫病害具有良好感知能力的基礎(chǔ)上，通過(guò)引入了裂縫分支預(yù)測(cè)網(wǎng)絡(luò)，取得了在多尺度以及光照干擾等復(fù)雜條件下最優(yōu)的檢測(cè)與識(shí)別效果。

2.3.2 定量分析

本文使用準(zhǔn)確率(A)和Dice 系數(shù)這2 個(gè)指標(biāo)來(lái)評(píng)價(jià)各個(gè)裂縫檢測(cè)模型的性能，具體定義如下：

式中：TP代表算法檢測(cè)到的裂縫區(qū)域像素與真值圖中裂縫區(qū)域像素重合的數(shù)量；TN代表算法檢測(cè)到的背景區(qū)域像素與真值圖中背景區(qū)域像素重合的數(shù)量；FP代表算法誤將背景區(qū)域識(shí)別成裂縫的像素?cái)?shù)量；FN代表算法誤將裂縫區(qū)域識(shí)別成背景的像素?cái)?shù)量。表1 展示了3 種算法對(duì)所有測(cè)試數(shù)據(jù)集的平均準(zhǔn)確率與Dice系數(shù)值。

表1 裂縫檢測(cè)結(jié)果的定量對(duì)比Table 1 Quantitative comparison of crack detection results

準(zhǔn)確率參數(shù)A描述了一幅圖像中所有像素被正確判定為裂縫或背景的比例，其數(shù)值越大，表示裂縫檢測(cè)算法可以正確辨識(shí)圖像中裂縫或背景像素正確標(biāo)簽的能力越高。對(duì)比可知，上述3種檢測(cè)算法的準(zhǔn)確率相差不大。從2.3.1 節(jié)的定性結(jié)果來(lái)看，在引入邊緣預(yù)測(cè)分支網(wǎng)絡(luò)后，本文算法對(duì)于細(xì)微裂縫像素的感知能力有明顯提升，但由于細(xì)微裂縫本身的占比像素較小，因此導(dǎo)致本文算法的平均準(zhǔn)確率相比于U-Net++算法僅有一個(gè)小幅度的提升。Dice 系數(shù)表征了裂縫病害預(yù)測(cè)結(jié)果與真值圖之間的交集與并集的比值，Dice 值越大，則表示裂縫檢測(cè)效果越好。相比于準(zhǔn)確率參數(shù)，Dice系數(shù)可以更好地衡量裂縫檢測(cè)結(jié)果與真值圖之間的相似性。對(duì)比可知，本文算法的平均Dice 系數(shù)值最優(yōu)，且明顯比U-Net++算法高出1 個(gè)百分點(diǎn)，這驗(yàn)證了本文算法在引入邊緣增強(qiáng)感知機(jī)制后，取得了最優(yōu)的裂縫病害感知效果。模型測(cè)試應(yīng)用時(shí)間也是評(píng)估裂縫檢測(cè)算法的一個(gè)重要指標(biāo)，本文將3 種算法對(duì)1 600 張同一測(cè)試數(shù)據(jù)集進(jìn)行測(cè)試并計(jì)算3 種方法平均處理1 張448×448 大小方塊圖像的時(shí)間值，其結(jié)果見表1 的第4 列。由于UNet++網(wǎng)絡(luò)結(jié)構(gòu)比U-Net 模型復(fù)雜，因而其計(jì)算時(shí)耗略大于U-Net 模型；相比于U-Net++模型，本文方法采用了雙任務(wù)學(xué)習(xí)架構(gòu)，其計(jì)算過(guò)程有一定的任務(wù)增加，因此計(jì)算時(shí)耗比U-Net++模型有一定幅度的增長(zhǎng)，但是平均每秒處理幀數(shù)大于15，仍可以滿足大部分裂縫檢測(cè)時(shí)間需求。

3 結(jié)論

1) 該算法以U-Net++為主框架，利用主干網(wǎng)絡(luò)解碼器與裂縫邊緣預(yù)測(cè)網(wǎng)絡(luò)的結(jié)構(gòu)相似性，提出通過(guò)通道卷積將原始裂縫分割網(wǎng)絡(luò)分為2 條支路，一條支路用于裂縫主干分割任務(wù)，另一條支路則用于裂縫邊緣預(yù)測(cè)感知。

2) 將構(gòu)建的裂縫邊緣預(yù)測(cè)分支網(wǎng)絡(luò)以正則化約束方式，與主干網(wǎng)絡(luò)聯(lián)合訓(xùn)練，形成一種基于雙任務(wù)學(xué)習(xí)的裂縫病害感知體系，可提高算法對(duì)多尺度裂縫的綜合感知精度。

3) 本文方法的平均Dice 檢測(cè)指標(biāo)比U-Net++模型高出1 個(gè)百分點(diǎn)，尤其在細(xì)微裂縫識(shí)別方面，會(huì)取得更優(yōu)的檢測(cè)與識(shí)別效果，特別適用于一些遠(yuǎn)距離拍攝產(chǎn)生的細(xì)微裂縫檢測(cè)與識(shí)別應(yīng)用場(chǎng)景。