孫瑞猛，劉偉，喻東曉，劉妍妍

（1.泊頭市交通運輸局，河北 滄州062154；2.滄州市道路運輸事業(yè)發(fā)展中心，河北 滄州061014；3.河北興滄工程檢測技術(shù)有限公司，河北 滄州061000；4.河北水利電力學院，河北 滄州061001）

1 引言

混凝土被廣泛應用于基礎(chǔ)設(shè)施建設(shè)， 裂縫是混凝土結(jié)構(gòu)的常見病害，嚴重時可能會導致整體性破壞。 我國基礎(chǔ)設(shè)施數(shù)量多，存量大，監(jiān)測維護任務繁重，因此，高效精準地識別混凝土表面裂縫是行業(yè)中的一個重要需求。

近年來，為克服現(xiàn)有技術(shù)的缺陷，實現(xiàn)自動識別裂縫，大量學者通過攝像頭采集混凝土表面圖像， 利用圖像處理或者機器視覺技術(shù)自動識別混凝土裂縫[1-2]。 此外，有學者對裂縫圖像特征變換開展了針對性的研究， 利用機器學習識別裂紋的高級特征以實現(xiàn)自動判別裂紋[3-4]。

本研究提出一種針對混凝土表面裂縫的快速識別方法，采用圖像特征變換的方法，實現(xiàn)對裂縫圖像形態(tài)特征的識別。分類器總體復雜度及樣本需求量大大降低，提高了準確率，降低了開發(fā)成本和難度，具有較高的工程應用價值。

2 圖像特征轉(zhuǎn)換方法

2.1 混凝土表面圖像形態(tài)特征分類

通過對大量橋梁、 隧道等水泥混凝土工程構(gòu)造物表面圖像分析， 可以將混凝土表面存在的視覺對象分為以下6 種類別，即裂縫、斑塊或污漬、文字、水痕或者補痕、施工縫、筆畫或劃痕等，具體如圖1 所示。

圖1 水泥混凝土表面視覺對象類型

作為一種視覺對象，裂縫與其他紋理圖案的差異主要在于其幾何形態(tài)，而顏色、明暗等其他方面的差異并不明顯。 因此，通過對視覺對象進行特征轉(zhuǎn)換，把像素（灰度）信息變換為幾何形態(tài)信息，進而用于區(qū)分裂縫與非裂縫，能夠獲得較為理想的效果。

2.2 混凝土表面圖像特征轉(zhuǎn)換

混凝土表面圖像經(jīng)過二值化處理， 可以得到視覺對象的輪廓。 輪廓是一個由二值圖形的外邊緣點構(gòu)成的點集，它保留了對象的形態(tài)特征，降低了其他無效特征的干擾。

Suzuki S 等[5]提出的輪廓提取算法，能夠高效地獲得圖像的嚴格封閉輪廓。 在此基礎(chǔ)上， 可以對輪廓進行進一步的處理，提取出裂縫輪廓的一系列特征值，進而實現(xiàn)對樣本的特征轉(zhuǎn)換，區(qū)分裂縫與其他對象的有效特征。

1）周長（Fp）：周長是輪廓作為一個點集所含點的個數(shù)。

2）面積比（Fa）：面積比的定義是輪廓的面積除以周長。 裂縫的形態(tài)是狹長的，因而其面積比一般很小。

3）圓率（Fc）：圓率等于輪廓的面積除以周長相同的圓的面積，取值介于0～1。 裂縫形態(tài)狹長，其圓率一般接近0。

4）方正率（Fe）：方正率等于輪廓最小外接矩形的寬與長之比。 它反映了輪廓在二維平面上的集中程度。

5）填充度（Fr）：填充度是輪廓自身的面積與最小外接矩形的面積之比，它表達了輪廓整體形狀的筆直程度。

6）離散度（Fs）：離散度是輪廓上每個點到最小外接矩形的中心的歐氏距離平均值。 它既反映了輪廓幾何上的集中程度，也反映輪廓的絕對尺寸大小。

2.3 圖像特征轉(zhuǎn)換示例

在獲取被測表面的圖像后，通過二值化、提取輪廓、求取特征3 個步驟，即可實現(xiàn)視覺對象的特征轉(zhuǎn)換。

如圖2 所示，其中視覺對象有3 類，左側(cè)的裂縫、中部的水痕以及右側(cè)的文字，將圖像進行二值化后提取輪廓，并按照周長閾值濾除圖中噪點，剩下4 個輪廓，再對4 個輪廓分別求特征值。

經(jīng)過以上轉(zhuǎn)換， 原始圖片中的視覺對象變換為由6 個雙精度數(shù)值組成的數(shù)組。 特征變換之后， 視覺對象的信息被簡化， 簡化后所得到的特征值體現(xiàn)了與裂縫特征具有強相關(guān)性的幾何形態(tài)，而濾除了其他無關(guān)特征。 后續(xù)的分類器訓練和識別均基于特征數(shù)組進行展開。

3 級聯(lián)分類器模型

通過對裂紋圖案及各種干擾圖案類型的分析，本文建立了一種級聯(lián)結(jié)構(gòu)的分類器模型， 以用于對混凝土表面裂縫的快速識別。 具體裂縫識別算法的級聯(lián)分類器結(jié)構(gòu)如圖3所示。

圖3 裂縫識別算法的級聯(lián)分類器結(jié)構(gòu)

整個分類器由5 個層級的子分類器串聯(lián)而成， 且每個子分類器的作用在于排除特定類型的負樣本。 通過了所有分類器的對象，則確定為裂縫。 各個子分類器的結(jié)構(gòu)、激活函數(shù)、損失函數(shù)均相同，但由于它們訓練樣本和所采用的特征不同，故其任務學習能力也有所差異。 此外，混凝土表面裂紋識別目標相對單一， 故識別算法中僅設(shè)置雙隱藏層， 共4 層的神經(jīng)網(wǎng)絡(luò)。 各個子分類器的訓練均獨立進行，正樣本統(tǒng)一采用裂紋樣本組，而負樣本則使用對應的干擾圖案樣本組。

本文采用式（1）所示損失函數(shù)：

式中，Li為第i 個樣本在本級分類器的損失；x 為子分類器的輸出值；k 為相關(guān)系數(shù)，若訓練樣本i 為裂縫，為提高棄真錯誤的損失，k 需大于1；若訓練樣本i 為非裂縫，為降低納偽錯誤的損失，k 需設(shè)定為0～1。

4 模型訓練及性能評價

4.1 樣本庫建立

為了驗證級聯(lián)分類模型的有效性， 采用自主研發(fā)的裂縫檢測手持設(shè)備進行測試。設(shè)備外觀如圖4 所示。通過小輪使攝像頭在混凝土構(gòu)造物表面掃動， 外加光源與攝像頭固定在一起， 形成統(tǒng)一穩(wěn)定的圖像采集環(huán)境。 為了盡可能減少手持重量，檢測器被設(shè)計成分離式結(jié)構(gòu)。

圖4 自制手持式裂縫檢測設(shè)備實物圖

通過自開發(fā)裂縫檢測手持設(shè)備共采集2 866 張混凝土照片，并對照片進行提取分類。其中裂縫圖案1 042 個、斑塊圖案673 個、文字圖案450 個、水痕圖案324 個、施工縫圖案109 個、筆跡圖案362 個。將圖案轉(zhuǎn)換為6 個特征值，進而形成樣本庫。

4.2 子分類器的特征選取及訓練

采用交叉驗證的方法尋找最優(yōu)特征組合， 即從6 個特征量中選取n 個（1≤n≤6），則可能的取法數(shù)目為：

訓練集中的所有樣本隨機分為5 個子集。 訓練時每次輪流選取其中1 個子集作為臨時測試集，其他4 個子集作為訓練集。 對于某個子分類器，依次選用63 種特征量組合構(gòu)建神經(jīng)網(wǎng)絡(luò)，對每個網(wǎng)絡(luò)輪流測試5 組訓練子集，并在臨時測試集上檢驗準確率。 多次嘗試后，找到某個網(wǎng)絡(luò)對所有臨時測試集的準確度都比較高，則認為它是一個沒有過擬合的最優(yōu)訓練結(jié)果。

經(jīng)測試得到各子分類器特征選取結(jié)果如表1 所示。

表1 子分類器特征量選取結(jié)果

4.3 模型性能評價

圖5 對比了級聯(lián)分類器與非級聯(lián)結(jié)構(gòu)的普通全連接神經(jīng)網(wǎng)絡(luò)分類器的訓練效率。 其中級聯(lián)分類器的迭代次數(shù)是每個子分類器迭代次數(shù)之和。3 次試驗A、B、C 中，總的迭代次數(shù)均大于普通分類器。 級聯(lián)分類器中每個子分類器的結(jié)構(gòu)比較簡單， 故其總體訓練成本要低于普通分類器， 訓練效率可提升35%以上。 級聯(lián)分類器對樣本庫數(shù)量的敏感度更低，且效率較高，可以在樣本數(shù)量偏少的情況下取得較好的訓練效果。

圖5 普通全連接神經(jīng)網(wǎng)絡(luò)與級聯(lián)分類器訓練效率

5 結(jié)語

本文基于圖像特征變換和級聯(lián)分類模型， 構(gòu)建了一種用于混凝土表面裂縫快速識別方法， 并采用自主開發(fā)的裂縫檢測設(shè)備采集數(shù)據(jù)，對模型展開訓練及驗證，主要得出如下結(jié)論：

1）通過特征變換將裂縫圖案轉(zhuǎn)化為特征值，能有效突出裂縫與其他圖案的形態(tài)區(qū)別，使分類器復雜性大大降低。

2）級聯(lián)分類器的準確率高，且訓練效率明顯提升，對樣本數(shù)量的要求降低，表現(xiàn)出更高的可靠性和魯棒性。