基于機器學(xué)習(xí)方法的橋梁損傷狀態(tài)識別

李超齊

(中鐵十八局集團有限公司，天津 300000)

0 引言

最近兩年，以大數(shù)據(jù)、人工智能為基礎(chǔ)已成為當(dāng)下各行各業(yè)發(fā)展的重要趨勢，人工智能正在加速形成自己的產(chǎn)業(yè)鏈。我國作為橋梁大國已有幾千年的發(fā)展歷史，擁有規(guī)模龐大的橋梁資產(chǎn)[1]。我國橋梁由古至今分為三種基本橋型：連續(xù)梁、簡支梁、連續(xù)剛構(gòu)。但隨著技術(shù)的進(jìn)步以及各地區(qū)對橋梁需求的不同，又演化出基于三種橋型的幾百種不同類型的橋梁。在此背景下，由于不同類型的橋梁施工工藝不同、建造方法不同，導(dǎo)致維修、養(yǎng)護(hù)方法也有所不同。如何能從這些橋梁數(shù)據(jù)中快速、準(zhǔn)確地將不同類型的橋梁進(jìn)行分類并且充分識別橋梁的振動、變形、應(yīng)力、裂縫等指標(biāo)，并進(jìn)行高水平的運營、管理、維修、養(yǎng)護(hù)具有十分重要的意義[2，3]。對比國內(nèi)外研究發(fā)現(xiàn)，國外建筑行業(yè)利用人工智能識別圖片的文獻(xiàn)很少，國內(nèi)建筑行業(yè)幾乎沒有。為此，本文利用大數(shù)據(jù)與人工智能技術(shù)以三種基本橋型的圖片數(shù)據(jù)作為分類與預(yù)測對象，通過建立健康橋梁圖像訓(xùn)練模型，識別橋梁的結(jié)構(gòu)狀態(tài)，為橋梁狀態(tài)在線評估提供新的思路。

1 橋梁圖像預(yù)測方法

橋梁狀態(tài)對于后期運營、管理、維修、養(yǎng)護(hù)十分重要，本文選擇的監(jiān)測指標(biāo)包括連續(xù)梁、簡支梁、連續(xù)剛構(gòu)承受車輛載荷、風(fēng)載荷后的橋梁變形、位移和振動幅值。Weka圖像數(shù)據(jù)挖掘平臺是在Java環(huán)境下開發(fā)的機器學(xué)習(xí)以及數(shù)據(jù)挖掘軟件，平臺內(nèi)嵌套了多個數(shù)據(jù)挖掘方法，可以實現(xiàn)對圖片數(shù)據(jù)的預(yù)處理、分類、關(guān)聯(lián)規(guī)則、交互式界面可視化等?；赪eka圖像數(shù)據(jù)挖掘平臺，采用樸素貝葉斯、神經(jīng)元網(wǎng)絡(luò)、簡單邏輯回歸3種方法分別建立橋梁圖像識別模型，選擇其中結(jié)構(gòu)狀態(tài)較好的橋梁按照簡支梁、連續(xù)梁、連續(xù)剛構(gòu)3種類型進(jìn)行細(xì)分，再按建筑材料分為鋼筋混凝土橋梁、預(yù)應(yīng)力混凝土橋梁。采用機器學(xué)習(xí)方法對圖像中橋梁變形、振動幅值等參數(shù)進(jìn)行訓(xùn)練，形成對不同類型橋梁撓度、變形、振動的判別標(biāo)準(zhǔn)。

1.1 樸素貝葉斯分類器

樸素貝葉斯定理可以表示為[4]：

(1)

其中：X為隱藏節(jié)點個數(shù)；y為所觀察到的數(shù)據(jù)。

在實際檢測時，往往采用多種參數(shù)及條件(稱為成分xi)來推定事件是否發(fā)生。

1.2 神經(jīng)元網(wǎng)絡(luò)分類器

多層神經(jīng)網(wǎng)絡(luò)也可以用最小二乘法來表示，神經(jīng)網(wǎng)絡(luò)的誤差矩陣為[5]：

(2)

其中：N為節(jié)點數(shù)；yi為節(jié)點i的理想輸出；oi為節(jié)點i的實際輸出；ω為權(quán)重矩陣。

1.3 簡單邏輯回歸分類器

簡單邏輯回歸分類函數(shù)為：

h(x)=hθ(x)=θ0+θ1x1+θ2x2+，….

(3)

其中：θi為回歸系數(shù)。

分類函數(shù)對應(yīng)的錯誤估計函數(shù)為：

(4)

其中：m為樣本個數(shù)；hθ(x(i))為預(yù)測值；y(i)為真實值。

2 數(shù)據(jù)評價與預(yù)測

2.1 數(shù)據(jù)處理與評價

本次實驗共有12 000張橋梁圖片數(shù)據(jù)，將其中的3 500張連續(xù)剛構(gòu)、3 500張連續(xù)梁、3 500張簡支梁共10 500張健康狀況的橋梁圖片數(shù)據(jù)作為訓(xùn)練集，剩下的1 500張圖片(3種類別橋梁各500張)數(shù)據(jù)作為測試集，其中有150張圖片(3種類別橋梁各50張)數(shù)據(jù)存在不同類型的病害。借助Weka 開源平臺下的imagefilter圖片過濾器對圖片訓(xùn)練集和測試集進(jìn)行特征值提取，如果Weka 可以找到所有的圖像文件并且沒有其他錯誤，那么將會看到添加到數(shù)據(jù)集的新屬性均為數(shù)字屬性。具體預(yù)測步驟如圖1所示。

圖1 預(yù)測步驟

2.2 算法對比

樣本數(shù)據(jù)分類是否成功，主要從準(zhǔn)確度、詳細(xì)精度和節(jié)點錯誤率3個方面比較分析。本文以10 500張健康狀況的橋梁圖片數(shù)據(jù)作為訓(xùn)練樣本，1 350張健康狀況的橋梁圖片和150張含有病害的橋梁圖片作為測試樣本。每張圖片為一個單元節(jié)點，分別采用樸素貝葉斯分類器、神經(jīng)元網(wǎng)絡(luò)分類器、簡單邏輯回歸分類器對10 500張健康狀況的橋梁圖片進(jìn)行訓(xùn)練，然后基于訓(xùn)練結(jié)果再對1 350張健康狀況的橋梁圖片和150張含有病害的橋梁圖片進(jìn)行識別，需要同時識別出橋梁類型和健康狀況。3種算法樣本識別準(zhǔn)確度如表1所示。

由表1可以看出：3種算法的識別效果都不錯，樸素貝葉斯>神經(jīng)元網(wǎng)絡(luò)>簡單邏輯回歸>63%。3種算法準(zhǔn)確率的殘差圖如圖2～圖4所示。

表1 3種算法樣本識別準(zhǔn)確度

從圖2～圖4可以看出：樸素貝葉斯分類器分類正確的準(zhǔn)確率平均值較高，接近75%，其散點比較集中，沒有太大的波動，比較穩(wěn)定；神經(jīng)元網(wǎng)絡(luò)分類器分類準(zhǔn)確率接近70%，其穩(wěn)定性略遜于樸素貝葉斯網(wǎng)絡(luò)分類器；簡單邏輯回歸分類器分類的準(zhǔn)確率只有63%，散點分布在各個位置，不集中，其效果差于前兩種分類器。

樣本數(shù)據(jù)經(jīng)過Weka平臺十折交叉驗證后，3種分類器的詳細(xì)精度分析分別如表2～表4所示。以連續(xù)剛構(gòu)為例，正例比率=連續(xù)剛構(gòu)圖片預(yù)測數(shù)量/連續(xù)剛構(gòu)圖片真實數(shù)量，負(fù)例比率=其他類型橋梁識別為連續(xù)剛構(gòu)數(shù)量/其他類型橋梁數(shù)量。精準(zhǔn)度=(識別正確的正例+識別正確的負(fù)例)/橋梁圖片樣本數(shù)量，查全率=預(yù)測正確的正例/(預(yù)測正確的正例+預(yù)測錯誤的負(fù)例)，調(diào)和平均數(shù)是各統(tǒng)計變量倒數(shù)的算術(shù)平均數(shù)的倒數(shù)，ROC面積為評價模型優(yōu)劣的指標(biāo)，反映各分類器對樣本的排序能力。

圖2 樸素貝葉斯算法殘差圖 圖3 神經(jīng)元網(wǎng)絡(luò)算法殘差圖 圖4 簡單邏輯回歸算法殘差圖

表2 樸素貝葉斯分類器詳細(xì)精度

從表2～表4可知：對于正例比率平均權(quán)重，樸素貝葉斯>神經(jīng)元網(wǎng)絡(luò)>簡單邏輯回歸；對于負(fù)例比率平均權(quán)重，簡單邏輯回歸>神經(jīng)元網(wǎng)絡(luò)>樸素貝葉斯；對于精準(zhǔn)度平均權(quán)重，樸素貝葉斯>神經(jīng)元網(wǎng)絡(luò)>簡單邏輯回歸；對于查全率平均權(quán)重，樸素貝葉斯>神經(jīng)元網(wǎng)絡(luò)>簡單邏輯回歸；對于調(diào)和平均數(shù)平均權(quán)重，樸素貝葉斯>神經(jīng)元網(wǎng)絡(luò)>簡單邏輯回歸；對于ROC面積平均權(quán)重，樸素貝葉斯>神經(jīng)元網(wǎng)絡(luò)>簡單邏輯回歸。總的來說，樸素貝葉斯分類器的識別效果好于神經(jīng)元網(wǎng)絡(luò)和簡單邏輯回歸。以每張圖片為一個單元節(jié)點，3種算法的節(jié)點錯誤率比較如表5所示。

表3 神經(jīng)元網(wǎng)絡(luò)分類器詳細(xì)精度

表4 簡單邏輯回歸詳細(xì)精度

從表5可以看出：在平均絕對誤差中，簡單邏輯回歸>神經(jīng)元網(wǎng)絡(luò)>樸素貝葉斯；在均方根誤差中，神經(jīng)元網(wǎng)絡(luò)>簡單邏輯回歸>樸素貝葉斯；在相對絕對誤差中，簡單邏輯回歸>神經(jīng)元網(wǎng)絡(luò)>樸素貝葉斯；在相對均方根誤差中，神經(jīng)元網(wǎng)絡(luò)>簡單邏輯回歸>樸素貝葉斯?？傮w來說，樸素貝葉斯分類器的節(jié)點錯誤率明顯低于其他兩種分類器，可以得出樸素貝葉斯分類器在控制節(jié)點錯誤率方面優(yōu)于其他兩種分類器。

表5 節(jié)點錯誤率比較

三種分類器在連續(xù)剛構(gòu)圖片預(yù)測中都具有較好的效果，但樸素貝葉斯分類器和神經(jīng)元網(wǎng)絡(luò)分類器在簡支梁圖片識別中效果要優(yōu)于簡單邏輯分類器，并且3種分類器都會出現(xiàn)將連續(xù)梁識別為簡支梁的情形。樸素貝葉斯分類器和神經(jīng)元網(wǎng)絡(luò)分類器能夠準(zhǔn)確識別橋梁變形和振動，但兩種分類器都將其中4張連續(xù)梁圖片預(yù)測為簡支梁圖片。簡單邏輯分類器能夠準(zhǔn)確識別連續(xù)剛構(gòu)橋梁狀態(tài)，但對多張簡支梁識別精度較差。

3 結(jié)語

以簡支梁、連續(xù)梁、連續(xù)剛構(gòu)3種類型橋梁圖片數(shù)據(jù)作為樣本，借助于數(shù)據(jù)挖掘與機器學(xué)習(xí)軟件Weka和UltraEdit數(shù)據(jù)編輯軟件，分別采用樸素貝葉斯、神經(jīng)元網(wǎng)絡(luò)、簡單邏輯回歸3種算法進(jìn)行圖片數(shù)據(jù)挖掘，建立訓(xùn)練模型。3種算法都能很好地實現(xiàn)訓(xùn)練集的訓(xùn)練和測試集的預(yù)測，預(yù)測結(jié)果準(zhǔn)確率都在63%以上。樸素貝葉斯分類器和神經(jīng)元網(wǎng)絡(luò)分類器在準(zhǔn)確度和詳細(xì)精度上要略高于簡單邏輯回歸分類器。但在節(jié)點錯誤率上，樸素貝葉斯分類器要優(yōu)于神經(jīng)元網(wǎng)絡(luò)分類器和簡單邏輯回歸分類器。樸素貝葉斯分類器和神經(jīng)元網(wǎng)絡(luò)分類器在預(yù)測準(zhǔn)確度上要高于簡單邏輯回歸?？偟膩碚f，相比于其他兩種分類器，樸素貝葉斯分類器的訓(xùn)練和預(yù)測效果是最好的。