基于遙感數(shù)據(jù)的工程結(jié)構(gòu)損傷動態(tài)識別研究

關(guān)宏潔，田 晶，王 群

（1.西安歐亞學(xué)院，陜西 西安 710065；2.西安市建筑設(shè)計研究院有限公司，陜西 西安 710054）

1 引言

遙感數(shù)據(jù)一般指遙感影像，其優(yōu)勢為速度快、成本低、覆蓋廣及宏觀性等［1］，遙感技術(shù)正處于繁榮發(fā)展期，完善技術(shù)、能力增強同時不斷開拓新的應(yīng)用領(lǐng)域，目前遙感數(shù)據(jù)已在災(zāi)害監(jiān)測、資源管理、城市規(guī)劃、軍事偵察、重大工程等各個領(lǐng)域作出重大貢獻［2］。隨著衛(wèi)星影像分辨率大幅度提升，遙感技術(shù)為獲取工程地質(zhì)綜合信息源提供強有力的支撐，受到國家高度重視并獲得大額財政投入。

近年來我國經(jīng)濟高速騰飛，科技水平獲得重大突破，建造諸多具有藝術(shù)性及高科技含量的建筑物：港珠澳大橋、天津117大廈、湖北葛洲壩水利樞紐工程、渤海海域海洋平臺及臺山核電站等。隨著使用年限的增長，受工程結(jié)構(gòu)老化、環(huán)境腐蝕、超荷載使用及遭遇自然災(zāi)害等因素影響，勢必出現(xiàn)不同程度的結(jié)構(gòu)損傷［3］，工程結(jié)構(gòu)的耐受性及承載能力大打折扣，極端條件下存在重大工程事故隱患［4］。為防患于未然，必須定期、及時監(jiān)測工程結(jié)構(gòu)狀況，確保結(jié)構(gòu)的完整性與安全性。文獻［5］以振動特性為基礎(chǔ)，通過搭建完善的動態(tài)參數(shù)模型進行識別結(jié)構(gòu)損傷位置，但其投入使用成本極高、無法全面推廣，且微小損傷的診斷仍不夠完善，安全隱患存在潛伏期；文獻［6］采用多視角幾何三維重建方法進行損傷識別，該方法具有操作便捷、精度高等優(yōu)勢，但其測算周期較長，效率低下，無法順應(yīng)現(xiàn)代社會高速發(fā)展的形勢。

因此，結(jié)合現(xiàn)有識別工程結(jié)構(gòu)損傷方法的優(yōu)缺點，這里研究基于遙感數(shù)據(jù)的工程結(jié)構(gòu)損傷動態(tài)識別方法，以此確?？焖佟⒕珳?、低成本的識別工程結(jié)構(gòu)損傷，最大程度上滿足處于長期使用的工程結(jié)構(gòu)的安全需求。

2 基于遙感數(shù)據(jù)的工程結(jié)構(gòu)損傷動態(tài)識別方法

2.1 遙感影像分割

2.1.1 二維Tsallis交叉熵閾值選取公式

二維Tsallis交叉熵閾值分割法運用曲線閾值分割［7］，選擇的閾值點若設(shè)為（t，s），作一條直線r（i，j），該直線與對角線垂直，同時該直線經(jīng)過閾值點，分別用兩個區(qū)域描述二維直方圖，用c1（t，s）描述目標(biāo)區(qū)域，用c2（t，s）描述背景區(qū)域。用式（1）表述總二維交叉熵：

2.1.2 布谷鳥搜索算法

布谷鳥搜索算法簡稱CS算法。大自然的布谷鳥尋覓合適產(chǎn)卵的鳥巢地點，該過程采取隨機的方式進行［8］，現(xiàn)擬定三種條件模仿布谷鳥尋覓鳥巢的活動：

（1）布谷鳥單次產(chǎn)蛋一枚并將其隨機放入選擇的鳥巢內(nèi)。

（2）諸多鳥巢中，布谷鳥將最佳巢留存至下一代。

（3）可用鳥巢數(shù)目n固定不變，鳥巢主人察覺鳥蛋的概率為Pa∈[0，1]，用式（3）描述布谷鳥尋巣的途徑及地點：

2.1.3 混沌CS算法

搜索過程中針對性弱是標(biāo)準布谷鳥搜索算法隨機模式單一產(chǎn)生的弊端。對初始值敏感、規(guī)律性和偽隨機性是混沌的優(yōu)勢，能夠搜索到全部狀態(tài)于可行域內(nèi)［9-10］。為增強算法晚期的收斂速度、提高算法解質(zhì)量、使算法跳出局部最優(yōu)點更輕松，將混沌序列與CS算法融合。為使分割方法縮短求解時間，CS算法運用Logistic映射的混沌擾動算子實現(xiàn)優(yōu)化。式（4）描述Logistic映射：

其中，控制變量用μ描述。

歷次更換的最佳鳥巢地點添加混沌擾動，以此提高準確性［11］，通過式（5）實現(xiàn)擾動方法：

式中：Xbest、Xnewbest，d—當(dāng)代和最新的最優(yōu)地點的第d維向量；χd—當(dāng)代由式（4）形成的混沌序列；γ—比例系數(shù)。

2.1.4 遙感影像分割流程

為實現(xiàn)對工程結(jié)構(gòu)遙感影像的分割，二維Tsallis交叉熵依據(jù)工程結(jié)構(gòu)遙感影像的二維直方圖進行計算，利用混沌映射創(chuàng)新CS算法的同時完善閾值的選擇過程［12］。用遙感影像分割流程，如圖1所示。以下為遙感影像分割環(huán)節(jié)：

圖1 遙感影像分割流程Fig.1 Remote Sensing Image Segmentation Process

（1）初始化CS算法基本參數(shù)：鳥巢數(shù)目n=20，概率Pa=0.25，ε描述搜索準確度，最大迭代次數(shù)Tmax=100；

（2）影像的二維閾值（t*，s*）利用鳥巢地點代替，隨機生成n個鳥巢的原始地點，初始鳥巢地點的二維Tsallis 交叉熵依據(jù)式（1）計算，得出原始的最小值；

（3）通過式（3）得到全部鳥巢的地點，再計算目前全體鳥巢的二維Tsallis交叉熵，當(dāng)原鳥巢的二維Tsallis交叉熵大于新鳥巢二維Tsallis交叉熵時，用新鳥巢替代原鳥巢的地點；

（4）依據(jù)式（3）通過偏好隨機行走方法更新鳥巢的地點，繼續(xù)用二維Tsallis交叉熵偏小的地點替代原地點，獲得當(dāng)代最小的二維Tsallis交叉熵，將其與上一代的值進行比較，記錄最佳地點；

（5）混沌擾動最優(yōu)的鳥巢地點，該過程運用式（4）、式（5），將擾動前后的值比較并留下二維Tsallis交叉熵更低的鳥巢地點；

（6）滿足擬定的搜索準確度或達到最大迭代次數(shù)時則進行下一環(huán)節(jié)；相反則再度回歸至第三個環(huán)節(jié)；

（7）最優(yōu)閾值（t*，s*）輸出并依據(jù)其分割工程結(jié)構(gòu)遙感影像［13］。

2.2 圖像增強

分割后的工程結(jié)構(gòu)遙感影像由于存在許多噪聲，直接利用其進行損傷動態(tài)識別效果較差，為此采取同態(tài)濾波算法過濾噪聲，增強影像。遙感影像模型為：

其中，照射分量與反射分量分別用a(x，y)、b(x，y)描述。

通態(tài)濾波函數(shù)為：

遙感影像的反射模型為：

式中：gout(x，y)、gin(x，y)—遙感影像的反射分量、入射分量。

遙感影像的反射模型對數(shù)選取形式為：

傅立葉變換處理獲取函數(shù)為：

式中：M(u，v)、N(u，v)—傅里葉變換后的入射和反射影像。

利用式（11）同態(tài)濾波處理影像，該過程要求在頻域內(nèi)進行：

遙感影像增強結(jié)果為：

處理后的影像目標(biāo)、噪聲、背景對比度明顯增強，大幅度提升目標(biāo)識別率。

2.3 SVM分類識別模型

將增強處理后的工程結(jié)構(gòu)遙感影像輸入至SVM分類識別模型中，完成工程結(jié)構(gòu)損傷動態(tài)識別。高維特征空間接收非線性數(shù)據(jù)的投影并搭建最優(yōu)分類超平面，且該平面擁有低VC維，全面考量置信與經(jīng)驗風(fēng)險范圍，使期望風(fēng)險降至最低的判決函數(shù)依據(jù)結(jié)構(gòu)風(fēng)險最小化歸類準則進行探尋，上述為SVM 的中心思路［14］。為解決非線性數(shù)據(jù)識別的弊端，理論上運用高維空間識別數(shù)據(jù)即可實現(xiàn)，但維數(shù)災(zāi)難會出現(xiàn)在實際運算中。為快速區(qū)分模式識別中性線，引用核函數(shù)k(χi，χj)，獲取高維空間特征向量的內(nèi)積，通過低維輸入向量計算即可，計算量大幅縮減，同時防止維數(shù)災(zāi)難發(fā)生。創(chuàng)建的判別函數(shù)為：

式中：yi—分類標(biāo)記；ai—拉格朗日乘子。

SVM分類器根據(jù)二叉樹、有向無環(huán)圖和“1VM”等方式對原始數(shù)據(jù)進行歸類。

SVM實則是一個二分類器，在此基礎(chǔ)上這里依據(jù)“1VM”策略進行歸類，選擇其中一類作為一類，其余類作為另一類［15］。由噪聲、裂縫和正常工程結(jié)構(gòu)三大類組成跨尺度的工程結(jié)構(gòu)影像，分類器由這三類線性可分問題搭建。

噪聲、裂縫和正常工程結(jié)構(gòu)分別用a`、b`、c`描述。用于區(qū)別噪聲、其他影像的是SVMa′，R超平面，用于判斷裂縫、正常工程結(jié)構(gòu)區(qū)域的是SVMb′，c′分類超平面。

假設(shè)SVMa′，R、SVMb′，c′能夠正確無誤的反映數(shù)據(jù)的確切信息，任意樣本判斷像元的歸屬則變得輕松。

利用有限的訓(xùn)練樣本獲得的決策超平面并非最佳的，其導(dǎo)致部分數(shù)據(jù)同時被判別為兩類的可能性比較大，為避免此類情況，其歸屬依據(jù)對比此數(shù)據(jù)相應(yīng)的判別函數(shù)值的大小判斷，f1(a6)>f2(a6)，a6隸屬a`類，f1(a6)為SVMb′，c′相應(yīng)的判別函數(shù)，f2(a6)為SVMb′，c′相應(yīng)的判別函數(shù)。基于各個尺度的特征影像進行歸類，提升歸類的準確度應(yīng)選擇對本類識別有利的尺度影像。描述SVM算法流程圖，如圖2所示。

圖2 SVM算法流程圖Fig.2 Flow Chart of SVM Algorithm

3 仿真實驗

選取某市跨海大橋作為實驗對象，從遙感影像獲取精度、影像分割效果、損傷分類識別效果等方面驗證這里方法應(yīng)用效果。

3.1 遙感影像精度

這里方法獲取的該跨海大橋遙感影像與衛(wèi)星影像對比進行精度驗證。從線誤差及面誤差兩方向開展實驗。

在影像上隨機選取2個固定點并測量兩點間距離，將衛(wèi)星影像上的距離作為真值，這里方法的距離與真值相減得到差值除以真值的百分比為線誤差；隨機選取4個固定點，分別測量其面積大小，設(shè)衛(wèi)星影像上的面積為真值，這里方法的面積與真值相減得到差值除以真值的百分比為面誤差，選取例子，如圖3所示。

圖3 線、面的選取樣例Fig.3 Example of Line and Surface Selection

經(jīng)過嚴密的測量計算，用表1描述線誤差、面誤差的對比結(jié)果。根據(jù)表1可知，遙感影像與衛(wèi)星影像的距離差值始終在0.6m以內(nèi)，線誤差控制在0.1%內(nèi)，面積差值始終在2m2內(nèi)，面誤差控制在0.2%內(nèi)，以此判斷，這里方法的影像精度極高，與衛(wèi)星影像相差無幾。

表1 線誤差、面誤差的對比結(jié)果Tab.1 Comparison Results of Line Error and Surface Error

3.2 影像分割效果

從遙感影像分割的運行時間及分割結(jié)果兩方面開展實驗，選取文獻［5］的基于振動的損傷識別方法、文獻［6］的基于多視角幾何三維重建的損傷識別方法為對比方法，對這里方法的效率進行驗證。Intel（R）Core（TM）i5-6300HQ CPU 2.30GHz/8GB，Matlab R2019b為本次實驗運行環(huán)境。影像分割結(jié)果，如圖4所示。根據(jù)圖4分析可知，這里方法分割的影像清晰且特征鮮明，各區(qū)域邊緣完整，對目標(biāo)工程結(jié)構(gòu)細節(jié)精確分割，將道路、河流與工程結(jié)構(gòu)有效分割；文獻［5］方法的影像中有部分植物與道路交叉在一起，清晰度較低，誤分割率偏高，且無法獲取工程結(jié)構(gòu)的鮮明特征，其中部分背景被誤劃分為工程結(jié)構(gòu)，目標(biāo)工程結(jié)構(gòu)未被準確分割，必定影響后續(xù)識別分類效果；文獻［6］方法的效果并不理想，大面積區(qū)域呈現(xiàn)模糊、殘缺狀態(tài)，基本無細節(jié)紋理特征，無法清晰識別目標(biāo)工程結(jié)構(gòu)。

圖4 影像分割結(jié)果Fig.4 Image Segmentation Results

其中，圖4（a）為原始影像；圖4（b）為這里方法處理后的圖像；圖4（c）為文獻［5］方法處理后的圖像；圖4（d）為文獻［6］方法處理后的圖像。

在影像中選取八項工程結(jié)構(gòu)并分別對其開展實驗，描述這里方法、文獻［5-6］方法的運行時間，橫坐標(biāo)為分割方法的最優(yōu)分割閾值，縱坐標(biāo)為各方法所需運行時間，如圖5所示。據(jù)圖5分析得知，文獻［5］方法對八項工程結(jié)構(gòu)分割的運行時間控制在（0.3～0.7）s內(nèi)；文獻［6］方法效果不佳，運行時間最低不少于0.4s，運行時間最高可達1.2s，效率偏低；這里方法分割八項工程結(jié)構(gòu)的運行時間均控制在0.2s內(nèi)，效率非常高，全程發(fā)揮平穩(wěn)。

圖5 運行時間結(jié)果圖Fig.5 Running Time Result Chart

3.3 分類識別效果

選取該跨海大橋已獲取的工程結(jié)構(gòu)損傷類型的影像進行實驗，空間分辨率為1mm，為增強實驗?zāi)康男?，選擇其中一幅具有象征性意義的橋梁影像進行處理，驗證這里方法損傷識別的有效性，并將其與文獻［5］方法、文獻［6］方法識別結(jié)果進行分析比較。橋梁影像裂縫損傷識別結(jié)果，如圖6所示。據(jù)圖6分析得知，文獻［5］方法的影像含有較多噪聲，識別的裂縫存在缺失現(xiàn)象，放大看其裂縫無明顯細部特征，此時已損失部分細部裂縫數(shù)據(jù)信息；文獻［6］方法的影像含有超多噪聲，丟失部分裂縫信息，且識別到的裂縫呈現(xiàn)殘缺狀態(tài)，數(shù)據(jù)量大幅度減小，細部裂縫信息丟失；這里方法識別的效果最佳，細部特征清晰鮮明且具有較好的連接性，最微小的裂縫損傷也可被識別，周圍環(huán)境與整個裂縫部分形成鮮明對比，最大程度還原裂縫寬度及線性特征，影像信息含量超大，由此體現(xiàn)這里方法具有超強識別能力。

圖6 分類識別結(jié)果Fig.6 Classification and Recognition Results

其中，圖6（a）為這里方法處理后的圖像；圖6（b）為文獻［5］方法處理后的圖像；圖6（c）為文獻［6］方法處理后的圖像。

選取損傷識別的均方誤差以及平方相關(guān)系數(shù)作為衡量這里方法的識別效果指標(biāo)，分別對不同樣本數(shù)量的影像進行實驗，為確保實驗準確性，重復(fù)3次實驗，取數(shù)據(jù)的平均值作為結(jié)果呈現(xiàn)，用圖7 描述三種方法的均方誤差以及平方相關(guān)系數(shù)實驗結(jié)果。分析圖7（a）、圖7（b）可得，文獻［5-6］方法的均方誤差較高，最低不小于0.2，平方相關(guān)系數(shù)偏低，總體性能不佳；這里方法的識別均方誤差始終控制在0.2內(nèi)，其平方相關(guān)系數(shù)維持在（3.0～4.0）之間，未曾出現(xiàn)大幅波動，整體呈平穩(wěn)狀態(tài)，表明這里方法的分類識別性能優(yōu)秀。

圖7 識別性能評價Fig.7 Identification Performance Evaluation

其中，圖7（a）為識別均方誤差結(jié)果圖；圖7（b）為識別平方相關(guān)系數(shù)結(jié)果圖。

4 結(jié)束語

在現(xiàn)代化科技水平不斷提升的背景下，重大工程結(jié)構(gòu)的健康問題受到廣泛關(guān)注，重大工程事故頻頻發(fā)生，為此這里研究基于遙感數(shù)據(jù)的工程結(jié)構(gòu)損傷動態(tài)識別方法。

采用混沌布谷鳥優(yōu)化的二維Tsallis交叉熵分割遙感影像，經(jīng)影像增強后，通過SVM分類識別模型對工程結(jié)構(gòu)損傷進行動態(tài)識別、歸類，大量實驗證明這里方法能夠高效、精準識別出工程結(jié)構(gòu)的損傷動態(tài)。