基于全卷积神经网络和朴素贝...数据融合的桥梁裂缝识别算法_李雯雯.pdf

第 40 卷第 2 期2023 年 2 月公路交通科技Journal of Highway and Transportation esearch and DevelopmentVol.40No.2Feb 2023收稿日期:20210422作者简介:李雯雯(1983)，女，甘肃兰州人，硕士，高级工程师.(10684330 )doi:10.3969/j.issn.10020268.2023.02.007基于全卷积神经网络和朴素贝叶斯数据融合的桥梁裂缝识别算法李雯雯1，李喜媛2，周健3，谢耀华4，李刚5(1.甘肃公航旅信息科技有限公司，甘肃兰州730000;2.长安大学电子与控制工程学院，陕西西安710064;3.自动驾驶技术交通运输行业研发中心，重庆400067;4.国家山区公路工程技术研究中心，重庆400067;5.长安大学能源与电气工程学院，陕西西安710064)摘要:混凝土桥梁常年遭受气候、环境等方面的影响而容易产生裂缝，存在安全隐患，因此定期检测与维护桥跨结构对于评估桥梁健康状况非常重要，而且早期的检测和评估是混凝土桥梁修复的最佳机会。为解决传统的基于视觉特征的缺陷检测方法速度较慢且精度较低，很难满足工程施工需要的问题，提出了一种新的基于全卷积神经网络和朴素贝叶斯数据融合模型的混凝土桥梁裂缝自动识别算法，用于裂缝图像分割。首先，采用一种新型的高精度图像采集设备 BSD-10 从 10 座待检测桥梁的不同子结构中收集了不同光源和距离下的 7 200 幅图像，并通过滑动窗口、旋转以及拆分的方法来扩增数据集，以避免发生过拟合等问题。其次，通过图像旋转法和随机高斯变量法等技术扩增数据，搭建了裂缝数据集。接着，对模型进行大量多次迭代训练，得出了最优参数和迭代次数。最后，对裂缝进行骨架化处理，通过电子测距计算了裂缝长度和宽度。结果表明:与最新的算法相比，所提出算法的识别精度与计算时间均体现了较明显的优势，其精确度达到了 97.96%，平均检测时间为 1.61 s;即使在光照不均匀、各种噪音干扰、背景灰度水平不同的情况下，所提出算法的裂缝提取结果仍然是比较稳定的，裂缝长度和宽度误差小到足以满足工程要求，能够节省工程检测时间。关键词:道路工程;裂缝自动识别;图像分割;全卷积神经网络;朴素贝叶斯数据融合;裂缝长度和宽度中图分类号:U446.2文献标识码:A文章编号:10020268(2023)02004409An Algorithm for ecognizing Bridge Cracks Based on Full ConvolutionNeural Network and Naive Bayesian Data FusionLI Wen-wen1，LI Xi-yuan2，ZHOU Jian3，XIE Yao-hua4，LI Gang5(1 Gansu HATG Information Technology Co.，Ltd.，Lanzhou Gansu 730000，China;2 School of Electronics and Control Engineering，Chang an University，Xi an Shaanxi 710064，China;3 D Center of Self-driving Technology of Transport Industry，Chongqing 400067，China;4 National Engineering esearch Center for Mountainous Highways，Chongqing 400067，China;5 School of Energy and Electrical Engineering，Chang an University，Xi an Shaanxi 710064，China)Abstract:Concrete bridges are prone to cracks due to the influence of climate，environment and otheraspects all the year round，and there are potential safety hazards Therefore，regular inspection andmaintenance of bridge span structure is very important for evaluating the health of bridges，and early detectionand evaluation is the best opportunity for concrete bridge repair In order to solve the problem that thetraditional defect detection method based on visual features is slow and has low accuracy，which is difficult tomeet the needs of engineering construction，a new algorithm for automatic recognizing concrete bridge cracksbased on full convolution neural network and naive Bayesian data fusion model is proposed for crack image第 2 期李雯雯，等:基于全卷积神经网络和朴素贝叶斯数据融合的桥梁裂缝识别算法segmentation First，7 200 images are collected from different sub-structures of 10 bridges to be tested underdifferent light sources and distances by using a new high-precision image acquisition device BSD-10，and thedata set is expanded by sliding window，rotating and splitting methods to avoid the problems such as over-fitting Second，the crack data set is built by expanding the data by using by using expanding the data withimage rotation method and random Gaussian variable method，etc Then，a lot of iterative training is carried outon the model，and the optimal parameters and iteration times are obtained Finally，the crack is processed byskeleton，and the crack length and width are calculated by electronic distance measurement The result showsthat(1)compared with the latest algorithm，the recognition accuracy and calculation time of the proposedalgorithm have obvious advantages，with an accuracy of 97.96%and an average detection time of 1.61 s;(2)even in the case of uneven illumination，various noise interferences and background gray levels，the crackextraction result obtained by the proposed algorithm are still relatively stable，and the errors of crack length andwidth are small enough to meet the engineering requirements，and can save engineering detection timeKey words:road engineering;automatic crack identification;image segmentation;full convolution neuralnetwork;naive Bayesian data fusion;crack length and width0引言在世界各地的交通运输基础设施系统中，混凝土桥梁被广泛应用。但桥梁常年遭受气候、环境等方面的影响，导致其表面很容易产生裂缝，存在很严重的安全隐患，因此定期进行桥梁检测与维护对于保证桥梁的安全非常重要。然而传统的桥梁维护方法通常需要技术人员现场检测并视觉识别裂缝，既耗时劳动强度又大，并且很难达到满意的检测准确率1。因此，有关部门迫切需要新颖的桥梁裂缝检测技术来应对这些问题。近年来，技术人员已尝试将图像处理技术、模式识别技术以及计算机视觉技术应用于设计高效且智能的裂缝识别系统中。文献 2 中提出了基于阈值的图像处理算法，其通过在局部区域设置阈值来定位裂缝的位置;然而，在照度不均匀或裂缝与背景对比度不高的图像上，这种方法的裂缝误报率很高。文献 3 中采用 PCA 算法，将图像分为若干个小块，并将小块分别作为独立单元进行 PCA 处理，在一定程度上增加了局部裂缝检测的准确率，但这种检测方法是基于块级而不是像素级完成的，因此在正确表示裂缝宽度时存在局限性。文献 4中采用边缘检测算法来检测桥梁裂缝的边缘，其能够在裂缝与背景的边缘处检测到强度的急剧变化，但主要缺点是无法检测到完整的裂纹轮廓。而文献 5 中基于 BCEM 模型的裂缝检测方法，融合了传统图像方法与深度学习技术。尽管上述裂缝自动检测方法皆在裂缝识别领域取得了一定的成果及影响力，但此类方法均未考虑在复杂条件下的裂缝检测效果。然而在桥梁裂缝检测的大环境下，时常会出现类似钢筋、手动标记物以及水渍等干扰物68。因此，为了应对此类问题，迫切需要探索出更为有效的裂缝检测方法。随着深度学习算法的发展以及研究者计算机技术运用能力的不断进步910，裂缝自动检测领域又增添了新的研究方向，即基于深度学习的裂缝识别检测技术。文献 11 中提出了基于卷积神经网络(Convolutional Neural Network，CNN)的有效深层网络，用于检测 3D 路面裂缝，确保其像素级精确度，并且与传统的深层网络相比，此 CNN 算法去除了池化层，在一定程度上提高了裂缝检测的精确度。文献 12中提出了一种基于 CNN 和条件随机场(Conditionalandom Field，CF)的桥梁裂缝检测算法，该算法首先通过特征提取网络与区域推荐网络对待检测图像进行初步的裂缝存在性预测，接着结合分类回归器与 CF 对预测的裂缝空间位置信息进行建模，最后通过综合判定该区域是否为裂缝，有效地降低了误报率。文献 13 中提出了基于 CNN 和门控递归多层感知器(Gated ecurrent Multilayer Perceptron，GMLP)的 CrackNet-模型用于全自动像素级裂缝检测，对图像采用序列建模，将每个生成的序列视为像素的输入序列，并及时预测输入序列为裂缝的概率，从而提高了裂缝检测的精确度。本研究基于对