張 鵬 利 銘 姚海波 張軍徽,2) 馬少軍 高 峰

*(北京市市政一建設(shè)工程有限責(zé)任公司，北京 100036)

?(北方工業(yè)大學(xué)土木工程學(xué)院，北京 100144)

**(中國電建中國水利水電第七工程局有限公司，成都 610200)

巖石變形局部化是巖體變形破壞過程中應(yīng)變由均勻分布演化為非均勻分布，呈現(xiàn)出一條或多條應(yīng)變集中窄帶的現(xiàn)象。巖石變形局部化與裂縫形成、斷裂破壞、整體失穩(wěn)等都有著直接聯(lián)系。巖石變形局部化的識別對巖石破壞機(jī)理研究和巖土工程災(zāi)害監(jiān)測預(yù)警都有重要的意義。

數(shù)字散斑相關(guān)方法(digital speckle correlation methods，DSCM)通過采集到的試件表面散斑圖像進(jìn)行分析即可得到變形相關(guān)的信息。目前，該方法已被廣泛用于巖石變形局部化的測量。王學(xué)濱等[1]使用DSCM 對巖石變形非均勻性進(jìn)行研究，提出采用變異系數(shù)描述變形非均勻性；吳加權(quán)等[2]利用DSCM 得到了試件的載荷-位移曲線，實現(xiàn)了對常用工程材料聚甲基丙烯酸甲酯（polymethylmethacrylate，PMMA）的彈性模量的測量；李元海等[3]利用DSCM 對巖土材料變形時空的非均勻特征進(jìn)行研究，提出了一種DSCM的快速優(yōu)化分析方法；吳佳寧等[4]通過DSCM 獲取巖石表面位移場，基于有限元法反演了巖石邊界條件和彈性參數(shù)；王杰等[5]使用DSCM 觀測類巖石試件的單軸壓縮實驗過程，對變形局部化帶的位置、方向演化特性與預(yù)警應(yīng)用進(jìn)行了研究；文獻(xiàn)[6-8]采用DSCM 作為實驗觀測手段，對巖石變形演化、材料力學(xué)參數(shù)及聲發(fā)射特征進(jìn)行了研究；文獻(xiàn)[9-12]采用DSCM 對巖體加載實驗進(jìn)行觀測，從而分析研究了巖石局部化變形演化規(guī)律；許海亮等[13]使用DSCM 和聲發(fā)射技術(shù)對紅砂巖單軸壓縮過程進(jìn)行觀測，對震源時空演化特征和破裂機(jī)制進(jìn)行了研究。

近年來，采用卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）進(jìn)行巖石宏觀裂縫檢測識別的研究方興未艾。薛東杰等[14]提出基于CNN的智能識別算法，用于天然巖石與混凝土裂隙識別；張偉光等[15]使用多層感知器和CNN 從路面圖像中識別裂縫，結(jié)果表明CNN 的準(zhǔn)確率更高，達(dá)到了99.75%；余加勇等[16]將Mask R-CNN 和無人機(jī)結(jié)合，實現(xiàn)了對高聳橋梁結(jié)構(gòu)表面裂縫的遠(yuǎn)程非接觸、自動化識別；劉奇等[17]使用轉(zhuǎn)置CNN 對路面圖像進(jìn)行裂縫識別，結(jié)果表明該神經(jīng)網(wǎng)絡(luò)的識別效果優(yōu)于CrackNet 神經(jīng)網(wǎng)絡(luò)；任松等[18]使用單步多框目標(biāo)檢測卷積神經(jīng)網(wǎng)絡(luò)(single shot multibox detector，SSD)和基于區(qū)域的全卷積目標(biāo)檢測網(wǎng)絡(luò)(region-based fully convolutional networks，R-FCN)分別對公路隧道襯砌裂縫圖像進(jìn)行識別，結(jié)果表明SSD 識別速度快，R-FCN 識別精度高；許穎等[19]基于視覺幾何組卷積神經(jīng)網(wǎng)絡(luò)（visual geometry group convolutional neural networks，VGG16 CNN）提出一種用于混凝土銹蝕裂縫識別的SCNet 模型，結(jié)果表明該模型能從圖像中識別裂縫并分類，準(zhǔn)確率達(dá)96.8%；吳子燕等[20]比較了多種經(jīng)典CNN對橋梁裂隙的識別效果，結(jié)果表明擁有Inception-V3 模塊的GoogLeNet CNN 模型具有較高的精度；李雯雯等[21]提出一種新的基于全CNN 和樸素貝葉斯數(shù)據(jù)融合模型的混凝土橋梁裂縫自動識別算法，結(jié)果表明，與其他算法相比，該方法的識別精確度與識別時間均具有優(yōu)勢。采用CNN網(wǎng)絡(luò)模型對巖石變形局部化圖像進(jìn)行識別，無需人工進(jìn)行大量的圖像處理過程，一般只需要對所采集的圖像進(jìn)行灰度化便可以直接作為輸入進(jìn)行訓(xùn)練，CNN 能夠自動學(xué)習(xí)不同圖像的像素差異，從而能夠?qū)崿F(xiàn)對巖石變形局部化的快速、準(zhǔn)確識別。

本文針對巖石變形局部化的識別問題，提出了一種結(jié)合DSCM 與CNN 的巖石變形局部化智能識別模型，以DSCM 獲得巖石試件的變形場作為數(shù)據(jù)集輸入，搭建CNN，實現(xiàn)對巖石局部化帶的智能識別，該模型能夠充分利用圖像的高維特征，避免原始光學(xué)圖像容易受到環(huán)境光照、設(shè)備噪聲等外界因素影響的缺點，與之前的方法相比具有高精度、抗干擾、自動化識別的優(yōu)點。

1 基本原理

DSCM-CNN 巖石變形局部化智能識別方法的實現(xiàn)主要包括：（1）DSCM 獲取巖石表面變形場；（2）對應(yīng)變場進(jìn)行歸一化、數(shù)據(jù)增強(qiáng)等預(yù)處理，設(shè)置濾除門檻確定變形局部化帶位置，進(jìn)行圖片標(biāo)注完成數(shù)據(jù)集構(gòu)建；（3）搭建變形局部化智能識別的CNN 模型；（4）對DSCMCNN 模型性能進(jìn)行評估。流程如圖1所示。

圖1 DSCM-CNN 巖石變形局部化識別流程Fig.1 Identification process of rock deformation localization by DSCM-CNN model

1.1 采用DSCM 獲取變形場

使用CCD 相機(jī)實時采集試件表面散斑圖像，從散斑圖像中提取試件變形場，原理如圖2 所示。首先，計算參考圖像子區(qū)和目標(biāo)圖像子區(qū)的相關(guān)系數(shù)，確定匹配點；然后，跟蹤匹配點的運動，獲得其坐標(biāo)位置，進(jìn)而計算出變形場。

圖2 DSCM 原理示意圖Fig.2 Schematic diagram of DSCM

式中，Δx和 Δy為點A到子區(qū)中心點的距離；?u/?x，?u/?y，?v/?x，?v/?y為位移的一階導(dǎo)數(shù)。最終將圖3(a)散斑云圖轉(zhuǎn)化成圖3(b)的DSCM 變形場云圖。

圖3 將散斑圖像轉(zhuǎn)化為DSCM 變形場云圖Fig.3 Convert speckle image into DSCM deformation field nephogram

1.2 數(shù)據(jù)集的構(gòu)建

巖石變形局部化與最大剪應(yīng)變場密切相關(guān)[9]，將最大剪應(yīng)變場歸一化處理后繪制成云圖，然后，采用旋轉(zhuǎn)、增加噪音的方式進(jìn)行數(shù)據(jù)增強(qiáng)。按式（3）設(shè)置濾除門檻，將過大或過小的應(yīng)變值濾除，并用emin和emax代替原應(yīng)變值e，獲得更清晰的變形局部化帶云圖。濾除門檻效果如圖4所示。

圖4 濾除門檻效果示意圖Fig.4 Schematic diagram of filtering threshold effect

將增強(qiáng)處理后的云圖劃分為若干個子區(qū)域，采用one-hot 編碼標(biāo)簽描述巖石整體和局部是否存在變形局部化現(xiàn)象：當(dāng)整體處于安全狀態(tài)時，即整體未出現(xiàn)變形局部化現(xiàn)象，第一個子標(biāo)簽為“1”，否則為“0”；后4 個子標(biāo)簽用于描述各子區(qū)域是否存在變形局部化帶，存在時標(biāo)簽為“1”，否則為“0”。根據(jù)上述標(biāo)注方法，圖5 的整體標(biāo)簽為：[0,1,0,1,0]。對所有增強(qiáng)處理后的DSCM最大剪應(yīng)變云圖進(jìn)行標(biāo)注，完成數(shù)據(jù)集的構(gòu)建。

圖5 云圖標(biāo)注方法Fig.5 Nephogram labeling method

1.3 智能識別的DSCM-CNN 模型

試件表面的每個子區(qū)域都可能存在變形局部化帶，且區(qū)域之間相互獨立，可能出現(xiàn)多個區(qū)域同時存在變形局部化帶的情況，這樣的問題被稱為多標(biāo)簽分類。本文采用二元相關(guān)法將多標(biāo)簽問題轉(zhuǎn)化為L個相互獨立的二分類問題，L為子標(biāo)簽數(shù)量，即針對每個子標(biāo)簽分別構(gòu)建一個二元分類器，用于判別該標(biāo)簽對應(yīng)區(qū)域是否存在變形局部化帶。二元分類器采用標(biāo)準(zhǔn)邏輯回歸Sigmoid函數(shù)，計算公式為

式中，x是i個神經(jīng)元接收到的輸入信號；pi是第i個子標(biāo)簽的正實例概率。當(dāng)pi ＞0.5 時，則標(biāo)記為正實例，即存在變形局部化；當(dāng)pi ＜0.5時，則標(biāo)記為負(fù)實例，即不存在變形局部化。

智能識別的DSCM-CNN 模型如圖6 所示。應(yīng)變場云圖從輸入層進(jìn)入智能識別模型，通過CNN 實現(xiàn)特征提取和整合，然后將特征信息傳遞到擁有L個神經(jīng)元的Sigmoid 分類層，最終輸出云圖對應(yīng)的預(yù)測標(biāo)簽。

圖6 變形局部化智能識別的DSCM-CNN 模型Fig.6 DSCM-CNN model for intelligent identification of deformation localization

智能識別模型訓(xùn)練時需要將損失函數(shù)最小化，通常與Sigmoid 函數(shù)搭配使用的損失函數(shù)是二元交叉熵，計算公式為

式中，yi為第i個子標(biāo)簽的真實標(biāo)簽，L是Sigmoid 分類層的神經(jīng)元個數(shù)。

2 紅砂巖單軸壓縮DSCM 實驗

對紅砂巖試件進(jìn)行單軸壓縮實驗，試件尺寸如表1 所示。在試件的待觀測面上輪流噴涂黑、白油漆制作人工散斑，完成試件的制備。實驗采用RLJW-2000 型液壓伺服實驗機(jī)進(jìn)行加載，通過Basler A641f 型CCD 相機(jī)對加載過程的試件表面散斑圖像進(jìn)行采集，整體實驗系統(tǒng)如圖7所示。實驗機(jī)下方底座保持不動，上方壓頭按0.1 mm/min 速度向下加載；CCD 相機(jī)以5 幀/s的速率采集散斑圖像，圖像分辨率為1600 pixel×1200 pixel。

表1 紅砂巖試件尺寸Table 1 Red sandstone specimens sizes

圖7 實驗系統(tǒng)Fig.7 Experimental system

圖8 是試件1 加載曲線和標(biāo)識點散斑圖像處理示意圖。以加載開始時刻的散斑圖像作為參考圖像，標(biāo)識點時刻散斑圖像作為變形圖像，在試件表面選取尺寸約為400 pixel×800 pixel 的分析區(qū)域，并在區(qū)域內(nèi)選取清晰的白色散斑作為校對點，消除變形圖像的剛體位移；設(shè)置計算子區(qū)尺寸為31 pixel×31 pixel，步長為5 pixel，運行DSCM 分析軟件計算得到最大剪應(yīng)變場，并繪制應(yīng)變云圖；最后將云圖尺寸統(tǒng)一調(diào)整為192 pixel×192 pixel×3（RGB 通道）。

圖8 散斑圖像處理示意圖Fig.8 Speckle images processing diagram

3 智能識別DSCM-CNN 模型搭建

3.1 數(shù)據(jù)集構(gòu)建

采用單軸壓縮DSCM 實驗獲得的應(yīng)變云圖搭建智能模型的數(shù)據(jù)集。原始應(yīng)變云圖的變形局部化帶位置不清晰，試件標(biāo)識點處云圖的標(biāo)注過程如圖9 所示。通過設(shè)置濾除門檻emax=1.2% 和emin=0.2%將過大、過小應(yīng)變?yōu)V除，得到清晰的變形局部化帶云圖；變形局部化帶從左下角向右上角延伸，穿過子區(qū)域2 和子區(qū)域3，可確定標(biāo)簽為[0,0,1,1,0]；將原始應(yīng)變云圖和標(biāo)簽綁定為一組樣本數(shù)據(jù)。

圖9 云圖標(biāo)注過程示意圖Fig.9 Schematic diagram of nephograms labeling process

從加載過程的所有應(yīng)變云圖中每間隔5 s 選取一張按以上流程進(jìn)行云圖標(biāo)注，共獲得381 組樣本數(shù)據(jù)。然后對這381 組樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)：將云圖進(jìn)行旋轉(zhuǎn)，角度包括0°，90°，180°和270°；為云圖增加噪音，噪音按正態(tài)分布隨機(jī)生成。樣本數(shù)量擴(kuò)充至1524 組，最終構(gòu)建的紅砂巖變形局部化帶數(shù)據(jù)集（部分）如表2 所示。

表2 紅砂巖變形局部化帶數(shù)據(jù)集Table 2 Red sandstone deformation localization zone dataset

3.2 智能識別的DSCM-CNN 模型訓(xùn)練

采用1.3 節(jié)所述方法搭建DSCM-CNN 模型，編程語言為Python3.7.0，深度學(xué)習(xí)框架為Tensor-Flow 2.10.0。CNN 的基本架構(gòu)為搭載了最大池化層的ResNet50v2，采用Adam 算法優(yōu)化器，初始學(xué)習(xí)率設(shè)置為0.001。運行環(huán)境為：Windows 10 系統(tǒng)筆記本電腦，CPU 為Intel i5-6300HQ，內(nèi)存20 GB，未啟用GPU 加速。

從數(shù)據(jù)集中抽取80%樣本作為訓(xùn)練集數(shù)據(jù)。需要注意的是，設(shè)置濾除門檻的云圖僅用于確定標(biāo)簽，不作為樣本數(shù)據(jù)的云圖。將訓(xùn)練集按每批次100 份樣本輸入到DSCM-CNN 模型中，所有樣本都完成輸入則記為1 次迭代訓(xùn)練，共進(jìn)行50次迭代訓(xùn)練。驗證集同時輸入至智能識別模型中，但僅用于驗證模型性能，不參與訓(xùn)練。

采用漢明損失對DSCM-CNN 模型的收斂性進(jìn)行評價，計算公式為

式中，m為樣本總數(shù)，L表示子標(biāo)簽數(shù)量，Yi為第i個樣本的真實標(biāo)簽，Pi為第i個樣本的預(yù)測標(biāo)簽，Δ 為對稱差計算符。漢明損失表示模型的誤差程度，數(shù)值越小表示誤差越低。

圖10 為DSCM-CNN 模型的漢明損失曲線。黑色曲線為訓(xùn)練集的漢明損失曲線，經(jīng)過10 次迭代迅速減少至0.011 33，最終降至0.001 97，此時訓(xùn)練集的漢明損失值非常小，說明未出現(xiàn)“欠擬合”問題，智能識別模型復(fù)雜度滿足變形局部化識別的需求。紅色曲線為驗證集的漢明損失曲線，呈現(xiàn)波動式下降，在第10 次、第50 次迭代時分別為0.028 38 和0.014 83，與同時期的訓(xùn)練集漢明損失之差分別為0.017 05 和0.012 86，兩者差距在不斷縮小，說明未出現(xiàn)“過擬合”問題，數(shù)據(jù)量滿足智能識別模型訓(xùn)練要求，迭代次數(shù)適中，學(xué)習(xí)率取值合理。

圖10 漢明損失曲線Fig.10 Curve of Hamming loss

用式I[Yi=Pi] 表示真實標(biāo)簽和預(yù)測標(biāo)簽是否完全相同，完全相同時I=1，否則I=0。采用子集準(zhǔn)確率、精確度、召回率等指標(biāo)對智能識別模型的性能進(jìn)行評估

式中，∩和∪分別為交、并運算符；|A| 為輸出集合A的元素數(shù)量。DSCM-CNN 模型在訓(xùn)練集的性能指標(biāo)如圖11 所示。

圖11 DSCM-CNN 模型在訓(xùn)練集的性能指標(biāo)Fig.11 Performance indicators of DSCM-CNN model in training dataset

由圖11 可知，DSCM-CNN 模型在訓(xùn)練集的子集準(zhǔn)確率，即預(yù)測標(biāo)簽和真實標(biāo)簽完全相同的樣本在所有樣本中的占比達(dá)到了99.02%；智能識別模型在訓(xùn)練集的精確度和召回率達(dá)到了99.60%，模型訓(xùn)練成功。另外，智能識別模型的訓(xùn)練時間僅為4 h，訓(xùn)練速度快，便于調(diào)試與部署，若采用GPU 加速訓(xùn)練時間還將大幅度減少。

4 DSCM-CNN 智能模型的實驗驗證

采用第2 節(jié)紅砂巖單軸壓縮的DSCM 實驗驗證本文提出的DSCM-CNN 智能模型的有效性。隨機(jī)選取DSCM 實驗云紋圖的20%共305 張構(gòu)成實驗驗證集，將驗證集的云圖樣本輸入至第3節(jié)訓(xùn)練好的DSCM-CNN 模型，智能模型將輸出對應(yīng)的預(yù)測標(biāo)簽，智能識別模型在實驗驗證集上的子集準(zhǔn)確率、精確度、召回率指標(biāo)如圖12 所示。該智能模型在驗證集上每秒可識別23 張云圖，識別速率可以滿足真實工程需求。

圖12 DSCM-CNN 模型在驗證集的性能指標(biāo)Fig.12 Performance indicators of DSCM-CNN model in validation dataset

由圖12 可以看出，智能識別模型在實驗驗證集上的子集準(zhǔn)確率、精確度、召回率分別為94.19%，97.21%和96.41%，相較于第3 節(jié)訓(xùn)練集上的性能指標(biāo)有所降低，但仍保持較高性能，說明模型泛化能力優(yōu)秀，能準(zhǔn)確識別陌生實驗樣本的變形局部化帶位置，且漏報、誤報占比小。

DSCM-CNN 模型在實驗驗證集的部分典型識別結(jié)果如表3 所示。

表3 DSCM-CNN 模型在驗證集的識別結(jié)果（部分）Table 3 Results of DSCM-CNN model in validation dataset (partial)

由表3 可知，對于未出現(xiàn)變形局部化帶的測試樣本1 和2，智能識別模型給出了正確的識別結(jié)果。對于單個區(qū)域存在變形局部化帶的測試樣本3 和4，智能識別模型給出了正確的識別結(jié)果。對于局部化帶跨區(qū)域發(fā)展的測試樣本5，6，7 和8，智能識別模型也給出了正確的識別結(jié)果。測試樣本9 的整體應(yīng)變均勻，不存在變形局部化帶，但右上角橘紅色區(qū)域排列緊密，呈現(xiàn)細(xì)長帶狀特征，這使得智能識別模型將其錯誤識別為變形局部化帶，導(dǎo)致誤報。測試樣本10 原始云圖的右下角（即子區(qū)域1）出現(xiàn)明顯變形集中現(xiàn)象，但通過濾除門檻得到圖13，可以發(fā)現(xiàn)實際的變形局部化帶跨越了子區(qū)域1 和子區(qū)域4，智能識別模型僅識別出子區(qū)域4 存在變形局部化帶，漏報了子區(qū)域1 的變形局部化帶，這可能是因為右下角的應(yīng)變值遠(yuǎn)大于其他區(qū)域，使帶狀特征被掩蓋。未來可考慮采用拉伊達(dá)準(zhǔn)則等預(yù)處理方法，將極端應(yīng)變值濾除以減少模型漏報風(fēng)險。

圖13 濾除門檻后的測試樣本10Fig.13 The filtered test sample 10

5 結(jié)論

（1）本文將DSCM 與圖像識別領(lǐng)域的CNN相結(jié)合，提出了一種用于巖石變形局部化智能識別的DSCM-CNN 模型。

（2）采用單軸壓縮實驗對該模型進(jìn)行了驗證，結(jié)果表明：子集準(zhǔn)確率、精確度、召回率分別為94.19%，97.21%和96.41%，說明本文提出的DSCM-CNN 巖石變形局部化智能識別方法有效可行。

（3）DSCM-CNN 智能識別模型的訓(xùn)練時間短，識別速率高，便于調(diào)試與部署，為巖土工程災(zāi)害監(jiān)測預(yù)警提供了一種新思路。