針對橋梁構(gòu)件的表觀檢測，裂縫是較為重要的檢測項(xiàng)目。在橋梁檢測實(shí)踐中，針對裂縫往往先拍照，然后手畫裂縫分布圖。拍照比較清晰直觀，但是只見局部不見整體，手繪裂縫分布加以補(bǔ)充，對裂縫在構(gòu)件整體分布進(jìn)行表示。
橋梁構(gòu)件裂縫檢測如此處理比較方便直接，基本的工作模式仍然是“報(bào)告模式”，而不是“數(shù)據(jù)模式”。因?yàn)闊o論是照片還是手繪裂縫分布圖，都是為了插入報(bào)告而不是為了形成裂縫的“數(shù)據(jù)”，“數(shù)據(jù)”能夠存儲、分析、處理以及做不同歷史時間之間的比較。
基于數(shù)字圖像的裂縫識別方法由于具有方便、可靠、易操作、識別面積大的特點(diǎn)在實(shí)際應(yīng)用中逐漸受到青睞。從原理上講，基于數(shù)字圖像的損傷識別方法是一種模擬人類視覺行為的算法，但同時又有區(qū)別。從步驟上講，基于數(shù)字圖像處理的裂縫識別主要包括數(shù)字圖像降噪、裂縫提取、裂縫參數(shù)識別、識別結(jié)果展示這幾個步驟。由于數(shù)字圖像法操作方便、后期處理準(zhǔn)確性高、不依賴于操作人員的經(jīng)驗(yàn)，其逐漸成為橋梁結(jié)構(gòu)表面損傷識別的研究方向。
基于數(shù)字圖像的裂縫識別方法主要分為兩類：（1）基于數(shù)字圖像處理（DIP）的裂縫識別，（2）基于深度卷積神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)算法的裂縫識別。在2015年之前，使用數(shù)字圖像法識別結(jié)構(gòu)表面損傷基本都采用DIP方法，包括各類圖像濾波器、亞像素操作等，其存在的主要問題在于：（1）由于環(huán)境中存在大量與裂縫相似的物體（例如斑點(diǎn)及水漬等），強(qiáng)噪音干擾下的識別效果會受到很大的影響；（2）現(xiàn)有方法很難將裂縫與施工縫、層間縫區(qū)別開來。2015年后，隨著人工智能、機(jī)器學(xué)習(xí)等概念的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)在數(shù)字圖像處理中的優(yōu)勢被學(xué)者充分挖掘，結(jié)構(gòu)表面損傷識別研究中也大量交叉采用相關(guān)方法。卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)中具有代表性的網(wǎng)絡(luò)結(jié)構(gòu)之一。典型的卷積神經(jīng)網(wǎng)絡(luò)主要由輸入層、卷積層、池化層（下采樣層）、全連接層和輸出層組成，如
早期的卷積神經(jīng)網(wǎng)絡(luò)比較簡單，如經(jīng)典的LeNet-5 模型，應(yīng)用在手寫字符識別、圖像分類等簡單的計(jì)算機(jī)視覺領(lǐng)域中。而隨著研究的不斷深入，卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)不斷優(yōu)化，其應(yīng)用領(lǐng)域也逐漸得到延伸和擴(kuò)展。例如，與深信度網(wǎng)絡(luò)相結(jié)合組成的卷積深信度網(wǎng)絡(luò)，被應(yīng)用在人臉特征提??；AlexNet在圖像分類領(lǐng)域取得了突破；基于局部區(qū)域特征提取的R-CNN在目標(biāo)檢測領(lǐng)域也取得了成功；全卷積網(wǎng)絡(luò)更是實(shí)現(xiàn)了端到端（end to end）的圖像語義分割。隨著遷移學(xué)習(xí)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用更加廣泛。在裂縫識別領(lǐng)域，國際上已有多位學(xué)者用CNN進(jìn)行研究。
CNN的優(yōu)勢在于：（1）該方法避免了對圖像復(fù)雜繁瑣的前期預(yù)處理過程，可以直接輸入原始圖像，而不用對圖像進(jìn)行復(fù)雜的預(yù)處理（二值化、圖像降噪、圖像增強(qiáng)等等）；（2）只要數(shù)據(jù)集足夠豐富，該方法可以達(dá)到很高精度的裂縫識別正確率，并且相較于數(shù)字圖像處理技術(shù)來說不需要人為設(shè)置閾值，系統(tǒng)的魯棒性較強(qiáng)。綜合采用數(shù)字圖像處理（DIP）方法與卷積神經(jīng)網(wǎng)絡(luò)（CNN）方法進(jìn)行橋梁結(jié)構(gòu)表面的裂縫識別，可充分發(fā)揮CNN在裂縫判斷以及DIP技術(shù)在像素操作中的優(yōu)勢，實(shí)現(xiàn)裂縫準(zhǔn)確的識別與參數(shù)計(jì)算，具有更強(qiáng)的可行性。
（1）基于深度卷積神經(jīng)網(wǎng)絡(luò)的數(shù)字圖像法裂縫識別方法；
橋梁結(jié)構(gòu)混凝土表面會出現(xiàn)表層脫落、劃痕、污漬，甚至某些裂縫帶有的滲水、漏筋等損傷，此類損傷或表面特征在數(shù)字圖像的灰度與二值化處理后均變?yōu)榕c裂縫極其類似的黑色物體，影響裂縫判斷的準(zhǔn)確性。針對該問題，為了保證該裂縫識別效果的準(zhǔn)確性，應(yīng)建立包含橋梁結(jié)構(gòu)混凝土表面裂縫圖像的專項(xiàng)數(shù)據(jù)庫，利用該數(shù)據(jù)庫中的照片對裂縫進(jìn)行訓(xùn)練，保證其適用性。該數(shù)據(jù)庫的建立主要有以下幾個原則：
a. 原始照片可以來源于不同配置的相機(jī)，并且包含不同光照作用、不同角度下的裂縫照片；
b. 數(shù)據(jù)庫中需要包含橋梁結(jié)構(gòu)常見的裂縫及相似損傷，如滲水、漏筋、劃痕、污漬、表面脫落的照片，以保證該系統(tǒng)的魯棒性；
c. 數(shù)據(jù)庫中需要包含橋梁混凝土表面的施工縫以及分層縫的照片。
在得到該數(shù)據(jù)庫后，利用該數(shù)據(jù)庫對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從而得到一個具有精確性、魯棒性的卷積神經(jīng)網(wǎng)絡(luò)。
本研究團(tuán)隊(duì)已有深度學(xué)習(xí)以及計(jì)算機(jī)視覺等相關(guān)領(lǐng)域的經(jīng)驗(yàn)與長期積累，目前已基本實(shí)現(xiàn)實(shí)驗(yàn)室條件下基于Deep-CNN的裂縫識別研究，示例見圖4所示；同時，已經(jīng)建成包含裂縫圖像3000余張的混凝土損傷圖像數(shù)據(jù)庫，可為基于Deep-CNN的橋梁結(jié)構(gòu)混凝土表面裂縫識別提供部分?jǐn)?shù)據(jù)基礎(chǔ)。
（2）基于像素的裂縫寬度與長度參數(shù)定量計(jì)算方法。
橋梁混凝土表面的裂縫一般呈樹狀或網(wǎng)狀的復(fù)雜分布形式，使用數(shù)字圖像處理法進(jìn)行裂縫參數(shù)計(jì)算，首先需要完成裂縫分解。研究擬采用裂縫骨架線，以多條裂縫交叉點(diǎn)為起點(diǎn)，進(jìn)行裂縫分解，逐一完成各條裂縫的編號。裂縫分解與編號研究的步驟示意圖見圖5所示：
基于數(shù)字圖像的裂縫寬度、長度計(jì)算將直接決定裂縫損傷識別的準(zhǔn)確性。研究采用數(shù)字圖像處理技術(shù)，利用裂縫體的邊緣線與中心線，計(jì)算裂縫的長度與寬度，將裂縫分布、裂縫寬度以裂縫云圖的形式進(jìn)行展示、輸出。裂縫寬度的計(jì)算思路見圖6所示：
上述裂縫識別方法針對某單幅照片內(nèi)的裂縫，我們回到橋梁檢測實(shí)踐來看，還需要下面兩個方面的相關(guān)工作。
（1）裂縫在模型上的重現(xiàn)及歷史比對
采取技術(shù)手段，將拍照識別出來的裂縫在模型上與實(shí)際裂縫對應(yīng)起來，進(jìn)而能夠?qū)崿F(xiàn)不同歷史時期裂縫之間的比對，預(yù)測裂縫開展趨勢。
（2）基于裂縫的橋梁構(gòu)件分級
拋開橋梁構(gòu)件其他病害，單純依據(jù)橋梁構(gòu)件裂縫對橋梁技術(shù)狀況近分級，比如分成五級?；诹芽p的橋梁健康狀況分級，還要考慮進(jìn)裂縫的性質(zhì)（結(jié)構(gòu)裂縫和非結(jié)構(gòu)裂縫、橫向裂縫和縱向裂縫），特殊裂縫的深度等信息。然后融合其他構(gòu)件病害，對構(gòu)件的實(shí)際技術(shù)狀況進(jìn)行分級評估。
文章來源于網(wǎng)絡(luò)
449717568
3