劉華勛 王武

摘要 由于常規(guī)的橋梁混凝土路面裂縫檢測架構(gòu)多為獨(dú)立形式，導(dǎo)致檢測的效率較低，誤檢率上升。為了提高檢測效率，文章采用了多層級(jí)的方式，構(gòu)建了多層級(jí)CNN裂縫檢測架構(gòu)。在此基礎(chǔ)上，設(shè)計(jì)了一種注意力機(jī)制混凝土路面裂縫檢測模型，并采用自適應(yīng)漸進(jìn)處理的方法來實(shí)現(xiàn)裂縫檢測。最終的測試結(jié)果表明：針對(duì)選定的5個(gè)測試區(qū)域，分兩個(gè)階段進(jìn)行測試，得出的誤檢率均被較好地控制在5%以下。

關(guān)鍵詞 注意力機(jī)制；橋梁施工；混凝土路面；路面裂縫；裂縫檢測；檢測方法

中圖分類號(hào)TP391.41文獻(xiàn)標(biāo)識(shí)碼 A文章編號(hào) 2096-8949（2024）05-0108-03

0 引言

橋梁作為交通基礎(chǔ)設(shè)施的重要組成部分，其安全性和可靠性對(duì)于保障社會(huì)經(jīng)濟(jì)的穩(wěn)定發(fā)展具有至關(guān)重要的作用[1]?；炷谅访媪芽p是橋梁常見的病害之一，會(huì)對(duì)其結(jié)構(gòu)安全和耐久性產(chǎn)生嚴(yán)重影響[2]。因此，對(duì)橋梁混凝土路面裂縫進(jìn)行及時(shí)、準(zhǔn)確的檢測，對(duì)于保障橋梁的安全運(yùn)營具有重要意義?；谧⒁饬C(jī)制的橋梁混凝土路面裂縫檢測方法是一種新型的計(jì)算機(jī)視覺技術(shù)，通過訓(xùn)練深度學(xué)習(xí)模型來自動(dòng)檢測混凝土路面裂縫。該方法通過在圖像中識(shí)別和關(guān)注裂縫區(qū)域，減少干擾信息的影響，從而提高檢測的準(zhǔn)確性和效率[3]。此次以真實(shí)工程為背景，結(jié)合實(shí)際的裂縫檢測需求及標(biāo)準(zhǔn)，設(shè)計(jì)更加靈活、多變的檢測結(jié)構(gòu)，從多個(gè)角度進(jìn)行檢測及目標(biāo)的優(yōu)化，完善數(shù)據(jù)預(yù)處理、模型訓(xùn)練和測試等步驟，不斷增加路面裂縫檢測的可行性和優(yōu)越性，為相關(guān)領(lǐng)域的研究人員提供了參考和借鑒，有助于推動(dòng)計(jì)算機(jī)視覺技術(shù)在橋梁檢測領(lǐng)域的應(yīng)用和發(fā)展。

1 工程概況

此次主要是對(duì)基于注意力機(jī)制的橋梁混凝土路面裂縫檢測方法的實(shí)際應(yīng)用效果進(jìn)行分析與驗(yàn)證研究，考慮最終測試結(jié)果的真實(shí)性與可靠性，采用對(duì)比的方式展開分析，選定J某橋梁公路K43+000～K67+000路段作為測試的主要目標(biāo)對(duì)象。當(dāng)前為該橋梁公路通車的第三年，在日常維護(hù)勘察時(shí)，發(fā)現(xiàn)混凝土路面較多位置出現(xiàn)裂縫，且裂縫的類型及延伸方向差異較大。除此之外，當(dāng)前該路面上出現(xiàn)的裂縫數(shù)量及長度差異性較強(qiáng)，路面無變形，部分裂縫存在支縫，出現(xiàn)橫向和斜向連接縫，網(wǎng)裂情況十分嚴(yán)重，甚至部分路段形成了一定的沉陷情況。使用瑞雷面波、探地雷達(dá)等手段探測該路段的病害嚴(yán)重，現(xiàn)狀堪憂。

2 設(shè)計(jì)橋梁混凝土路面注意力機(jī)制裂縫檢測方法

2.1 裂縫圖像采集與特征類型提取

橋梁混凝土路面裂縫圖像采集與特征類型提取是進(jìn)行橋梁健康監(jiān)測與評(píng)估的關(guān)鍵步驟。隨著無損檢測技術(shù)的發(fā)展，圖像處理技術(shù)被廣泛應(yīng)用于路面裂縫檢測中，結(jié)合實(shí)際的檢測需求，進(jìn)行混凝土路面裂縫采集與特征類型提取[4]。首先，對(duì)所需要測定的路段進(jìn)行拍攝點(diǎn)位及范圍的劃分，依據(jù)標(biāo)記，使用高分辨率相機(jī)對(duì)橋梁混凝土路面進(jìn)行拍攝，獲得高質(zhì)量的原始圖像。將同類型的圖像匯總，以待后續(xù)使用[5]。

為了提取與裂縫相關(guān)的特征，需要對(duì)圖像進(jìn)行預(yù)處理。先進(jìn)行去噪處理，此次采用中值濾波處理方法，選擇一個(gè)包含目標(biāo)像素的窗口，通常為3×3或5×5的矩陣，將窗口內(nèi)的像素灰度值進(jìn)行排序，選取中間值作為目標(biāo)像素的新值，消除圖像上的噪聲，保留圖像的邊緣信息。隨后，對(duì)現(xiàn)有圖像進(jìn)行分割處理，可以計(jì)算出當(dāng)前的分割閾值，如公式（1）所示。

（1）

式中，F(xiàn)——分割閾值；k——邊緣檢測范圍；——重疊范圍；d——裂縫數(shù)量；——邊緣裂縫數(shù)量。結(jié)合得出的分割閾值，將圖像的灰度值分為不同類別。對(duì)于多值圖像，也可以將灰度值高于閾值的像素設(shè)為一種顏色，低于閾值的像素設(shè)為另一種顏色。依據(jù)顏色的不同，分割出多個(gè)區(qū)域，接下來，對(duì)分割后的裂縫區(qū)域進(jìn)行特征提取。此次，采用裂縫的寬度作為可識(shí)別的特征，通過邊緣檢測算法測算出裂縫檢測的邊緣均值，如公式（2）所示。

（2）

式中，m——裂縫檢測邊緣均值；φ——可感應(yīng)寬度；——裂縫深度；u——識(shí)別裂縫數(shù)量；a——檢測梯度值。將得出的裂縫檢測邊緣均值設(shè)定為裂縫檢測的限制約束條件，采用不同的分類器，先對(duì)橋梁的健康狀況，進(jìn)行一個(gè)基礎(chǔ)的評(píng)估，在此基礎(chǔ)之上分析裂縫的走向。

2.2 構(gòu)建多層級(jí)CNN裂縫檢測架構(gòu)

傳統(tǒng)的混凝土路面裂縫檢測多維目標(biāo)式或者定位式，雖然能夠?qū)崿F(xiàn)預(yù)期檢測目標(biāo)，但是整體缺乏穩(wěn)定性與靈活性，對(duì)裂縫的檢測結(jié)果并不可靠，導(dǎo)致裂縫檢測結(jié)果不可靠，常常產(chǎn)生不可控的誤差。為了解決這一問題，相關(guān)人員設(shè)計(jì)了多層級(jí)CNN裂縫檢測架構(gòu)，構(gòu)建一個(gè)多層級(jí)卷積神經(jīng)網(wǎng)絡(luò)（CNN）架構(gòu)，便于更好地捕捉裂縫的各種特征，包括形狀、大小、方向等。將所采集的圖像分為幾個(gè)大塊，每個(gè)大塊包含若干個(gè)可能存在裂縫的小塊。這樣做的目的是減少網(wǎng)絡(luò)的輸入大小，降低計(jì)算復(fù)雜度。接下來，設(shè)計(jì)定向檢測層級(jí)，主要分為卷積層、池化層和全連階層三個(gè)層級(jí)，對(duì)每個(gè)小塊區(qū)域進(jìn)行精細(xì)的裂縫檢測。卷積層一般需要使用一系列的卷積核來提取圖像的特征。以裂縫的形狀和深度作為引導(dǎo)特征，先測定出基礎(chǔ)的卷積和數(shù)量，對(duì)裂縫的邊緣位置進(jìn)行標(biāo)定，結(jié)合卷積核，形成特有的裂縫形狀特征，可以提取更豐富的特征信息。接下來，進(jìn)行池化層的設(shè)計(jì)。這部分主要目的是降低特征的維度，減少計(jì)算量。可以先計(jì)算出同區(qū)域裂縫的基礎(chǔ)維度特征值，如公式（3）所示。

? （3）

式中，C——裂縫基礎(chǔ)維度特征值；β——池化差；γ——邊緣值；x——裂縫深度。將得出的裂縫基礎(chǔ)維度特征值設(shè)置為當(dāng)前裂縫檢測的限制約束條件之一，隨后使用不同大小的池化窗口，捕捉裂縫的不同尺度特征，并再次縮小裂縫的檢測范圍。隨后，進(jìn)行全連接層的設(shè)計(jì)與實(shí)踐應(yīng)用。把前面層級(jí)提取的特征進(jìn)行組合，對(duì)結(jié)果進(jìn)行分類。全連接層后面連接一個(gè)softmax函數(shù)，用于將輸出結(jié)果轉(zhuǎn)化為概率分布。具體的執(zhí)行結(jié)構(gòu)與細(xì)節(jié)內(nèi)容如圖1所示。

結(jié)合圖1，實(shí)現(xiàn)對(duì)多層級(jí)CNN裂縫檢測架構(gòu)的設(shè)計(jì)與實(shí)踐驗(yàn)證?；诖?，將每個(gè)小塊區(qū)域獲取的檢測結(jié)果進(jìn)行融合，得到整個(gè)區(qū)域的裂縫分布情況，此時(shí)基本對(duì)該橋梁路段的裂縫進(jìn)行了基礎(chǔ)的模糊識(shí)別，并做出標(biāo)定，以便于后續(xù)精確化檢測處理。這部分需要注意的是，為了提高該結(jié)構(gòu)的性能，還需要進(jìn)行適當(dāng)?shù)恼{(diào)參工作，包括學(xué)習(xí)率、批次大小、迭代次數(shù)等。同時(shí)，為了防止過擬合，還需要使用正則化技術(shù)進(jìn)行輔助，更為有效、快速地檢測出裂縫，為橋梁的健康監(jiān)測和評(píng)估提供更準(zhǔn)確的數(shù)據(jù)支持。

2.3 設(shè)計(jì)注意力機(jī)制下混凝土路面裂縫檢測模型

完成對(duì)多層級(jí)CNN裂縫檢測架構(gòu)的構(gòu)建之后，接下來，結(jié)合注意力機(jī)制，設(shè)計(jì)混凝土路面裂縫檢測模型?；谏鲜鲈O(shè)定先進(jìn)行數(shù)據(jù)收集，獲取大量的混凝土路面圖像，包括有裂縫和無裂縫的路面用于訓(xùn)練模型。預(yù)處理之后，需要進(jìn)行檢測指標(biāo)及參數(shù)的設(shè)置，如表1所示。

結(jié)合表1，實(shí)現(xiàn)對(duì)注意力機(jī)制下混凝土路面裂縫檢測指標(biāo)及參數(shù)的設(shè)置?；诖?，對(duì)裂縫的區(qū)域進(jìn)行劃分，標(biāo)定好裂縫的邊緣輪廓之后，再次采集細(xì)節(jié)化的裂縫數(shù)據(jù)。此次以鍵值對(duì)注意力機(jī)制作為模型的主要執(zhí)行結(jié)構(gòu)，計(jì)算出鍵值，如公式（4）所示。

（4）

式中，Q——鍵值；φ——覆蓋檢測范圍；S——定向裂縫檢測距離；T——檢測均值；n——裂縫深度檢測差；υ——識(shí)別空間。結(jié)合得出的鍵值與注意力機(jī)制，構(gòu)建當(dāng)前橋梁混凝土路面裂縫檢測模型原理，具體如圖2所示。

圖2 橋梁混凝土路面裂縫檢測模型原理圖

結(jié)合圖2，實(shí)現(xiàn)對(duì)橋梁混凝土路面裂縫檢測模型原理的分析?；阪I值對(duì)注意力機(jī)制，計(jì)算裂縫圖像中每個(gè)位置的注意力權(quán)重，具體如公式（5）所示。

? （5）

式中，N——注意力權(quán)重；λ——并行檢測差；σ——檢測定點(diǎn)距離；D——轉(zhuǎn)換比；y——路段寬度。結(jié)合當(dāng)前得出的模型注意力權(quán)重值，使模型進(jìn)一步標(biāo)注圖像中裂縫的集中區(qū)域，基于此，還需要使用收集的數(shù)據(jù)來訓(xùn)練模型，并使用驗(yàn)證集來優(yōu)化模型的參數(shù)，提高模型的準(zhǔn)確性。此外，為進(jìn)一步確保最終裂縫檢測結(jié)果的精準(zhǔn)可靠，此次可以計(jì)算裂縫的檢測限值，具體如公式（6）所示。

（6）

式中，B——模型裂縫檢測限值；——?jiǎng)討B(tài)檢測范圍；O——檢測次數(shù)；——特征值；ξ——裂縫數(shù)量。結(jié)合當(dāng)前測定，將得出的模型裂縫檢測限值設(shè)定為動(dòng)態(tài)化檢測的標(biāo)準(zhǔn)，與初始的檢測標(biāo)準(zhǔn)進(jìn)行比對(duì)，確保最終模型檢測結(jié)果的真實(shí)可靠，強(qiáng)化模型的裂縫檢測泛化能力。

2.4 自適應(yīng)漸進(jìn)處理實(shí)現(xiàn)裂縫檢測

自適應(yīng)漸進(jìn)處理是一種高效的圖像處理技術(shù)，可用于實(shí)現(xiàn)橋梁混凝土路面裂縫檢測。能夠根據(jù)圖像的不同區(qū)域和特征，以及模型輸出的裂縫檢測結(jié)果，自適應(yīng)地調(diào)整處理參數(shù)和方法，以提高檢測的準(zhǔn)確性和效率。在自適應(yīng)修正處理過程中，通過逐步放大和處理圖像的關(guān)鍵區(qū)域，能夠準(zhǔn)確地識(shí)別和定位裂縫的位置和大小。

3 實(shí)例測定結(jié)果分析

結(jié)合上述測定，完成對(duì)路段裂縫的檢測方案構(gòu)建。在當(dāng)前選定的測試路段之中，隨機(jī)選定5個(gè)小區(qū)域進(jìn)行裂縫的檢測，通過注意力機(jī)制對(duì)裂縫進(jìn)行兩個(gè)階段的同步鎖定，測定計(jì)算誤檢率，如公式（7）所示。

? （7）

式中，H——誤檢率；——檢測范圍；j——定向檢測均值；σ——裂縫覆蓋范圍。結(jié)合得出的結(jié)果數(shù)據(jù)，進(jìn)行比對(duì)分析，如表2所示。

結(jié)合表2，得出以下結(jié)論：針對(duì)選定的5個(gè)測試區(qū)域，分兩個(gè)階段進(jìn)行測試，最終得出的誤檢率均被較好地控制在5%以下，說明此次結(jié)合注意力機(jī)制所設(shè)計(jì)的橋梁混凝土路面裂縫檢測方法更加靈活、多變，針對(duì)性較強(qiáng)，具有實(shí)際的應(yīng)用價(jià)值。

4 結(jié)束語

總而言之，以上便是對(duì)基于注意力機(jī)制的橋梁混凝土路面裂縫檢測方法的設(shè)計(jì)與驗(yàn)證分析。注意力機(jī)制作為一種有效的計(jì)算機(jī)視覺技術(shù)，融合應(yīng)用之后，一定程度上可以快速、準(zhǔn)確地檢測橋梁混凝土路面的裂縫。通過訓(xùn)練深度學(xué)習(xí)模型，自動(dòng)識(shí)別和關(guān)注裂縫區(qū)域，減少干擾信息的影響，從而提高檢測的準(zhǔn)確性和效率。此外，結(jié)合注意力機(jī)制，所設(shè)計(jì)的混凝土路面裂縫檢測方法覆蓋范圍相對(duì)較大，針對(duì)性較強(qiáng)，具有更高的檢測精度和更快的檢測速度，可以適應(yīng)不同場景下的橋梁混凝土路面裂縫檢測任務(wù)，泛化性較強(qiáng)，為保障橋梁的安全運(yùn)營和社會(huì)經(jīng)濟(jì)的穩(wěn)定發(fā)展作出更大的貢獻(xiàn)。

參考文獻(xiàn)

[1]李凌志， 陳勇. 基于機(jī)器學(xué)習(xí)的高速公路水泥混凝土路面裂縫檢測方法[J]. 建筑技術(shù)， 2023（7）： 808-811.

[2]瞿中， 王彩云. 基于注意力機(jī)制和輕量級(jí)空洞卷積的混凝土路面裂縫檢測[J]. 計(jì)算機(jī)科學(xué)， 2023（2）： 231-236.

[3]劉憲逸. 基于改進(jìn)遺傳規(guī)劃的混凝土路面早期裂縫檢測算法分析[J]. 市政技術(shù)， 2022（9）： 214-219.

[4]李云峰. 基于HHT的瀝青混凝土路面疲勞裂縫檢測方法研究[J]. 交通世界， 2022（Z2）： 90-92+123.

[5]瞿中， 陳雯. 基于空洞卷積和多特征融合的混凝土路面裂縫檢測[J]. 計(jì)算機(jī)科學(xué)， 2022（3）： 192-196.