基于人工智能的高速公路橋梁病害檢測(cè)研究

高秀鑫

(山西省交通建設(shè)工程質(zhì)量檢測(cè)中心(有限公司) 太原市 030006)

0 引言

目前，對(duì)于高速公路橋梁病害的檢測(cè)主要以熟練的作業(yè)人員人力檢測(cè)為主，是通過檢測(cè)人員利用望眼鏡或站在液壓支持架上憑借個(gè)人經(jīng)驗(yàn)檢測(cè)橋梁病害，傳統(tǒng)的檢測(cè)方法效率低、工作量大、拍攝取證難度高、作業(yè)危險(xiǎn)、準(zhǔn)確率不高等問題，利用計(jì)算機(jī)視覺技術(shù)對(duì)高速公路橋梁病害的檢測(cè)具有十分重要的意義。下面對(duì)如何利用人工智能技術(shù)對(duì)高速公路橋梁病害進(jìn)行智能檢測(cè)進(jìn)行探究。

1 高速公路橋梁常見病害

高速公路橋梁常見病害首先是裂縫[1]，由于施工階段受力原因或者橋面水滲入梁體導(dǎo)致梁體鋼筋銹蝕膨脹等因素會(huì)導(dǎo)致高速公路橋梁出現(xiàn)裂縫，嚴(yán)重的會(huì)加劇鋼筋的銹蝕，影響其結(jié)構(gòu)的耐久度。其中預(yù)應(yīng)力空心板結(jié)構(gòu)、混凝土實(shí)心板、T梁結(jié)構(gòu)都會(huì)出現(xiàn)裂縫從而導(dǎo)致危害。其次是露筋，由于有些無眀顯限高標(biāo)志的地方，車輛容易撞擊邊梁，導(dǎo)致混凝土脫落，嚴(yán)重的會(huì)導(dǎo)致主筋外露、崩裂等，會(huì)影響梁體的承載能力[2]。還有蜂窩麻面，當(dāng)配料時(shí)混凝土的配合比不當(dāng)、加水不準(zhǔn)、混凝土攪拌時(shí)間不夠或模板縫隙不嚴(yán)密、水泥漿流失等因素導(dǎo)致高速公路橋梁的蜂窩麻面。這些都是高速公路橋梁常見的病害。

2 人工智能背景下的高速公路橋梁病害檢測(cè)技術(shù)

2.1 深度學(xué)習(xí)

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)分支，都屬于人工智能領(lǐng)域。深度學(xué)習(xí)主要是將大量數(shù)據(jù)樣本通過網(wǎng)絡(luò)逐層訓(xùn)練，將基礎(chǔ)特征從低層傳遞到高層，經(jīng)過黑盒運(yùn)算得到多層級(jí)神經(jīng)網(wǎng)絡(luò)，再對(duì)樣本進(jìn)行檢測(cè)。深度學(xué)習(xí)具有極大的優(yōu)勢(shì)和潛力，深度學(xué)習(xí)的理論也慢慢被人們所熟知。例如，計(jì)算機(jī)視覺領(lǐng)域、語音識(shí)別領(lǐng)域、自然語言處理領(lǐng)域等[3]。而語義分割模型是深度學(xué)習(xí)的一個(gè)分支，許多數(shù)據(jù)集也在網(wǎng)上被公開，這為高速公路橋梁病害的檢測(cè)奠定了良好的數(shù)據(jù)支撐。在人工智能快速發(fā)展的今天，通過對(duì)這些病害的圖像進(jìn)行預(yù)處理、對(duì)其特征進(jìn)行深入研究并提取，可以揭示這些不同類別病害在圖像處理過程中的成像原理，通過深度學(xué)習(xí)技術(shù)構(gòu)建語義分割模型，對(duì)高速公路橋梁病害的檢測(cè)具有重要的應(yīng)用意義。

2.2 PSPNet語義分割網(wǎng)絡(luò)

圖像的語義分割是深度學(xué)習(xí)的重要研究領(lǐng)域，是場(chǎng)景理解的關(guān)鍵技術(shù)之一[4]。在最新的無人駕駛領(lǐng)域，通過對(duì)道路場(chǎng)景進(jìn)行高質(zhì)量的語義分割，為自動(dòng)駕駛汽車的安全行駛提供了保障。而對(duì)高速公路橋梁病害進(jìn)行語義分割則可以快速檢測(cè)出高速公路橋梁的病害。PSPNet[5]是在FCN(fully convolutional network)基礎(chǔ)上進(jìn)一步改進(jìn)的語義分割網(wǎng)絡(luò)，PSPNet采用了PSP模塊，提出了金字塔池化模塊(Pyramid Pooling Module)可以整合不同區(qū)域的信息，從而提高自身獲取全局信息的能力。PSP結(jié)構(gòu)的主要功能是把特征層劃分為不同大小的網(wǎng)格，每個(gè)網(wǎng)格內(nèi)部進(jìn)行平均池化。實(shí)現(xiàn)聚合不同區(qū)域的上下文信息，從而提高獲取全局信息的能力。在PSPNet模型中，會(huì)將輸入的特征層分別劃分為6×6、3×3、2×2、1×1的網(wǎng)格，然后輸出結(jié)果。步驟如圖1所示。

圖1 PSPNet基本結(jié)構(gòu)

3 基于PSPNet模型的高速公路橋梁病害檢測(cè)

3.1 數(shù)據(jù)制作

利用人工智能的技術(shù)代替作業(yè)人員來做高速公路橋梁病害的檢測(cè)，首先需要收集大量的圖像數(shù)據(jù)。而語義分割標(biāo)簽的尺寸與圖像大小是一致的，不同像素值對(duì)應(yīng)著不同的目標(biāo)。目前，公開的數(shù)據(jù)集中對(duì)于高速公路橋梁病害圖像的標(biāo)簽集較少。為了滿足高速公路橋梁病害圖像語義分割對(duì)輸入圖像的要求，就需要收集現(xiàn)有公開的高速公路橋梁病害圖像數(shù)據(jù)集，針對(duì)所有高速公路橋梁露筋、裂縫、蜂窩麻面等病害的圖像數(shù)據(jù)利用Labelme進(jìn)行描點(diǎn)標(biāo)注，從而獲取語義分割標(biāo)簽。為了減少資源占有量，將這些圖像數(shù)據(jù)進(jìn)行裁切處理并利用一些幾何變換或色彩調(diào)整的方式進(jìn)行數(shù)據(jù)增強(qiáng)。

3.2 網(wǎng)絡(luò)訓(xùn)練

使用keras深度學(xué)習(xí)框架進(jìn)行網(wǎng)絡(luò)訓(xùn)練，需要調(diào)整相應(yīng)的參數(shù)。由于高速公路橋梁的病害一共有兩類，第一類是高速公路橋梁有病害的圖像數(shù)據(jù)，第二類是高速公路橋梁無病害的圖像數(shù)據(jù)，所以可把網(wǎng)絡(luò)分類設(shè)置為2，然后將初始學(xué)習(xí)率設(shè)置為0.001，迭代次數(shù)為45次便可進(jìn)行網(wǎng)絡(luò)的訓(xùn)練。

3.3 具體步驟

成功的制作數(shù)據(jù)集并且訓(xùn)練完畢之后，通過無人機(jī)進(jìn)行現(xiàn)場(chǎng)的視頻圖像的采集，將采集的圖像數(shù)據(jù)傳入計(jì)算機(jī)并放入如PSPNet語義分割模型中進(jìn)行訓(xùn)練計(jì)算。從而識(shí)別分類出高速公路橋梁的病害，若檢測(cè)識(shí)別出高速公路橋梁有病害則可將其進(jìn)行記錄，最后采取措施將現(xiàn)有的病害進(jìn)行消除。具體步驟如圖2所示。

圖2 PSPNet模型的高速公路橋梁病害檢測(cè)步驟

4 實(shí)驗(yàn)與分析

4.1 數(shù)據(jù)集收集

論文研究高速公路橋梁的一些病害的PSPNet智能檢測(cè)，首先需要對(duì)高速公路橋梁病害進(jìn)行數(shù)據(jù)集的收集。高速公路橋梁病害較多，例如裂縫、露筋、蜂窩麻面等。首先通過互聯(lián)網(wǎng)和現(xiàn)場(chǎng)拍攝收集高速公路橋梁裂縫圖片1000張，其中900張是訓(xùn)練集，100張是測(cè)試集。利用lableme對(duì)其進(jìn)行數(shù)據(jù)集的標(biāo)注如圖3所示。

圖3 數(shù)據(jù)集制作

4.2 實(shí)驗(yàn)過程與分析

使用PSPNet語義分割平臺(tái)對(duì)制作好的高速公路橋梁裂縫數(shù)據(jù)集進(jìn)行訓(xùn)練。將學(xué)習(xí)率設(shè)為0.0001，batch_size設(shè)為4，epoch設(shè)置為50。訓(xùn)練得出權(quán)重文件，最后對(duì)高速公路橋梁裂縫進(jìn)行檢測(cè)，結(jié)果如圖4所示。

圖4 預(yù)測(cè)結(jié)果展示

結(jié)果表明該方法可以正確檢測(cè)出高速公路橋梁的裂縫，大大提高了人員檢測(cè)的便利性和檢測(cè)效率。

5 結(jié)論

高速公路橋梁病害檢測(cè)是高速公路橋梁管理的重要環(huán)節(jié)之一，通過作業(yè)人員人力進(jìn)行病害的檢測(cè)，從長(zhǎng)遠(yuǎn)角度來看具有成本高、有一定的危險(xiǎn)性等問題。因此探究人工智能背景下的高速公路橋梁病害的檢測(cè)具有十分重要的意義。論文舉例分析使用了PSPNet語義分割平臺(tái)對(duì)高速公路橋梁裂縫進(jìn)行了模型的檢測(cè)實(shí)驗(yàn)，實(shí)驗(yàn)證明PSPNet語義分割模型可以對(duì)高速公路橋梁裂縫進(jìn)行精準(zhǔn)的檢測(cè)，并且有著較好的效果。隨著高速公路橋梁的服務(wù)時(shí)間越來越長(zhǎng)，對(duì)其養(yǎng)護(hù)的次數(shù)和時(shí)間也會(huì)不斷增多，因此利用深度學(xué)習(xí)語義分割模型對(duì)高速公路橋梁病害檢測(cè)識(shí)別的研究將有助于其降低維護(hù)成本、增加檢測(cè)效率、保證作業(yè)人員安全等。