论文部分内容阅读
摘 要：人工判别病害有较大的工作量、达不到较高效率等问题在桥梁检测中比较常见，本研究基于RC（钢筋混凝土）桥梁初步探讨了桥梁病害检测中机器学习的应用。围绕钢筋混凝土桥梁应用桥梁病害的现有检测方法、机器学习研究进展及机器学习方法等方面展开相关探讨，结果显示，以深度学习为基础的桥梁病害检测方法可从病害图像中自动提取病害相应特征，对病害进行分类并准确定位，为病害自动化检测提供了具体应用场景，对于提高桥梁智能化养护管理水平十分积极地作用。
关键词：钢混桥梁;病害图像;桥梁病害检测
0 前言
随着桥梁使用年限的逐渐延长，混凝土材料日益发生老化问题，桥梁使用中难免出现开裂、麻面、蜂窝及钢筋锈蚀裸露等各类病害，严重影响桥梁的耐久性及安全性。对于正在使用中存在病害的桥梁，桥梁维护的关键在于快速有效地进行病害检测。桥梁病害采用传统人工判别方法因存在较大工作量、较强主观性及达不到较高效率等不足之处，与实际需求不能完全相适应。随着日益发展的计算机技术，机器学习由于在智能化水平、成本及效率等方面具有明显优势，在桥梁病害检测中日益得到广泛应用。对桥梁检测中得到的病害图像，由传统人工判别方式采用自动定位及识别方式替代，使桥梁提高管理有效性，逐渐成为一个主要的研究趋势。
1 现有钢筋混凝土桥梁病害检测方法
现有大部分桥梁都采用钢筋混凝土结构，存在裂缝、蜂窝麻面、剥落、空洞及锈蚀漏筋等较多缺陷类型。病害不仅有对空洞等病害容易判别明显特征，而且只有较小宽度，裂缝不明显等表现。病害采用传统人工判别方式尽管便捷，但受到较大工作量、较低效率等不足之处的限制，检测中经常发生错检及漏检问题。随着逐渐增长的桥梁体量，待检桥梁不断增长数量，将不断放大不足之处。采用声发射、红外热像及超声脉冲等无损检测技术，尽管可对桥梁内部病害进行探测，但只能有限应用于自动化场景，现有工程还处于对病害的定性识别过程中，无法定量分析病害。为使传统检测方法存在的局限性得到及时解决，近年来无人机逐渐发展到评估土木工程外观等方面。采用将高清相机搭载到无人机中检查桥梁结构外观，得到结构缺陷的具体图像，与图像处理与机器学习技术相结合检测病害，逐渐成为一个研究热点。
2 机器学习方法
2.1 机器学习理论
机器学习主要是指在大量样本数据中利用算法对其存在的隐含规律进行发现，建立网络模型分类或预测数据。根据样本数据的人工标注是否存在，可将机器学习有监督学习算法和无监督学习算法两类。目前相关研究中，在桥梁病害检测中应用的机器学习方法主要是有监督学习算法。
2.2 有监督学习算法
在BP神经网络中，主要分为输入层、输出层及隐藏层，分为前向和误差后向两个传播阶段。算法根据计算网络得到输出值与期望的差距，对网络权重和偏置参数逐渐更新，直至符合误差要求。虽然BP算法的非线性映射能力较好，但因存在收敛速度不快及存在局部极小值等不足之处，不同训练结果不能保持一致性。
支持向量机属于二值分类模型，以找到可对数据集划分正确并达到最大几何间隔的一个超平面为主要决策思路。与超平面相距最近的点被称为支持向量，其间距为到超平面的两倍距离。其泛化能力和鲁棒性优势明显，但对大规模数据集适用性不强，在多分类问题中难以达到良好效果。
卷积神经网络属于深度神经网络结构，因其采用权值共享、局部连接方式，使模型降低了复杂度，解决了使传统神经网络中过大数据量不能学习的问题得到解决，在图像识别中目前已得到较为广泛地应用。
YOLO v3是基于回归的一种目标检测算法，算法较为迅速，可对目标边界框具体位置直接预测，采用对目标细节特征识别方式检测。该算法应用53个卷积层的網络结构，对图片下采样共5 次，生成尺度不同的3个目标特征图，用于检测尺度大小不同的目标。
3 基于机器学习的病害检测应用
钢筋混凝土桥梁病害检测主要是以计算机视觉为基础的目标检测，目前主要有两类基于机器学习的病害检测方法，一是采用手工方式对图像特征进行提取，对其分类和预测可与机器学习算法相结合。二是采用深度学习算法，对图像特征自动提取，将目标病害类别及具体部位输出。
3.1 图像特征的手工提取方式与机器学习相结合
该方法采用手工方式对裂缝形态、梯度直方图特征等图像特征进行提取，预测或分类与浅层神经网络相结合。某桥梁采用八旋翼无人机为平台，对桥梁实施实桥成像试验方法，对桥梁裂缝形态特征图进行提取，与支持向量机相结合识别裂缝，采用多个训练样本进行验证，可达到95%的分类正确率。对桥梁裂缝采用无人机成像形状和宽度证实了其可靠性，但该方法应对图像特征采用人为提取方式，浅层神经网络智能对较少样本数量进行处理。在桥梁病害检测中，针对环境复杂及样本量较大病害的应用较为有限。
3.2 基于深度学习的病害检测方法
随着日益发展的深度学习，深层神经网络可对实现对图像特征的自动提取，不仅对大量图像数据进行处理，还确保
分类正确率较高，对于基于深度学习的病害检测技术的发展具有重要促进作用。有研究表明路面病害识别中引入卷积神经网络，对众多桥梁病害检测图像提取裂缝、坑槽特征，病害判别分别达到96.5%、94.7%的准确率，进一步证实卷积神经网络精度符合桥梁病害复杂形态特性，但在桥梁病害检测中对于病害部位及类别更为重视。基于卷积神经网络的目标检测算法，不只可对目标病害类别输出，还可对目标病害部位进行预测，对于桥梁病害检测智能化的发展具有一定推动作用。有研究结果显示，采用卷积神经网络算法，对混凝土裂缝及程度不同的螺栓、钢板腐蚀等不能类型损伤的2365张多种损伤类型图像进行识别定位，平均分类准确率高达89.25%。采用YOLO v3算法识别和定位2 205张混凝土桥梁病害检测图像，与迁移学习策略相结合，使训练样本存在的不足之处得到明显改善，识别及定位病害准确率高达82%。
4 结语
综上所述，在桥梁自动化检测中基于深度学习的桥梁病害检测方法具有更明显的适用性，在桥梁运营管理中的智能检测具有重要推动作用。但在研究中存在很多亟待解决的难题，一是在训练样本数量方面，深度学习具有较高要求，有标签病害图像在实际训练中只有有限的数量。二是钢筋混凝土桥梁病害中，因裂缝等较小宽度的病害存在，图像中不具有明显目标，增大了识别难度，成为相关研究中众多病害达不到较高分类准确率的一个重要原因。
参考文献：
[1]贺拴海，赵祥模，马建，等.公路桥梁检测及评价技术综述[J].中国公路学报，2017，30（11）：63-80.
[2]黄凤华，曹一山，蒋永生，等.机器学习在桥梁病害检测识别中的研究应用进展[J].公路交通科技（应用技术版），2019，15（9）：114-116.
[3]马晔.混凝土结构缺陷的红外热成像检测识别技术[J].公路交通科技，2017，34（12）：59-65.
[4]张润，王永滨.机器学习及其算法和发展研究[J].中国传媒大学学报（自然科学版），2016，23（2）：10-18+24.
[5]李彦冬，郝宗波，雷航.卷积神经网络研究综述[J].计算机应用，2016，36（9）：2508-2515+2565.
[6]常志明.正交试验对高粘薄层沥青混合料路用性能的研究[J].安徽建筑，2013，20（2）：208-210.
关键词：钢混桥梁;病害图像;桥梁病害检测
0 前言
随着桥梁使用年限的逐渐延长，混凝土材料日益发生老化问题，桥梁使用中难免出现开裂、麻面、蜂窝及钢筋锈蚀裸露等各类病害，严重影响桥梁的耐久性及安全性。对于正在使用中存在病害的桥梁，桥梁维护的关键在于快速有效地进行病害检测。桥梁病害采用传统人工判别方法因存在较大工作量、较强主观性及达不到较高效率等不足之处，与实际需求不能完全相适应。随着日益发展的计算机技术，机器学习由于在智能化水平、成本及效率等方面具有明显优势，在桥梁病害检测中日益得到广泛应用。对桥梁检测中得到的病害图像，由传统人工判别方式采用自动定位及识别方式替代，使桥梁提高管理有效性，逐渐成为一个主要的研究趋势。
1 现有钢筋混凝土桥梁病害检测方法
现有大部分桥梁都采用钢筋混凝土结构，存在裂缝、蜂窝麻面、剥落、空洞及锈蚀漏筋等较多缺陷类型。病害不仅有对空洞等病害容易判别明显特征，而且只有较小宽度，裂缝不明显等表现。病害采用传统人工判别方式尽管便捷，但受到较大工作量、较低效率等不足之处的限制，检测中经常发生错检及漏检问题。随着逐渐增长的桥梁体量，待检桥梁不断增长数量，将不断放大不足之处。采用声发射、红外热像及超声脉冲等无损检测技术，尽管可对桥梁内部病害进行探测，但只能有限应用于自动化场景，现有工程还处于对病害的定性识别过程中，无法定量分析病害。为使传统检测方法存在的局限性得到及时解决，近年来无人机逐渐发展到评估土木工程外观等方面。采用将高清相机搭载到无人机中检查桥梁结构外观，得到结构缺陷的具体图像，与图像处理与机器学习技术相结合检测病害，逐渐成为一个研究热点。
2 机器学习方法
2.1 机器学习理论
机器学习主要是指在大量样本数据中利用算法对其存在的隐含规律进行发现，建立网络模型分类或预测数据。根据样本数据的人工标注是否存在，可将机器学习有监督学习算法和无监督学习算法两类。目前相关研究中，在桥梁病害检测中应用的机器学习方法主要是有监督学习算法。
2.2 有监督学习算法
在BP神经网络中，主要分为输入层、输出层及隐藏层，分为前向和误差后向两个传播阶段。算法根据计算网络得到输出值与期望的差距，对网络权重和偏置参数逐渐更新，直至符合误差要求。虽然BP算法的非线性映射能力较好，但因存在收敛速度不快及存在局部极小值等不足之处，不同训练结果不能保持一致性。
支持向量机属于二值分类模型，以找到可对数据集划分正确并达到最大几何间隔的一个超平面为主要决策思路。与超平面相距最近的点被称为支持向量，其间距为到超平面的两倍距离。其泛化能力和鲁棒性优势明显，但对大规模数据集适用性不强，在多分类问题中难以达到良好效果。
卷积神经网络属于深度神经网络结构，因其采用权值共享、局部连接方式，使模型降低了复杂度，解决了使传统神经网络中过大数据量不能学习的问题得到解决，在图像识别中目前已得到较为广泛地应用。
YOLO v3是基于回归的一种目标检测算法，算法较为迅速，可对目标边界框具体位置直接预测，采用对目标细节特征识别方式检测。该算法应用53个卷积层的網络结构，对图片下采样共5 次，生成尺度不同的3个目标特征图，用于检测尺度大小不同的目标。
3 基于机器学习的病害检测应用
钢筋混凝土桥梁病害检测主要是以计算机视觉为基础的目标检测，目前主要有两类基于机器学习的病害检测方法，一是采用手工方式对图像特征进行提取，对其分类和预测可与机器学习算法相结合。二是采用深度学习算法，对图像特征自动提取，将目标病害类别及具体部位输出。
3.1 图像特征的手工提取方式与机器学习相结合
该方法采用手工方式对裂缝形态、梯度直方图特征等图像特征进行提取，预测或分类与浅层神经网络相结合。某桥梁采用八旋翼无人机为平台，对桥梁实施实桥成像试验方法，对桥梁裂缝形态特征图进行提取，与支持向量机相结合识别裂缝，采用多个训练样本进行验证，可达到95%的分类正确率。对桥梁裂缝采用无人机成像形状和宽度证实了其可靠性，但该方法应对图像特征采用人为提取方式，浅层神经网络智能对较少样本数量进行处理。在桥梁病害检测中，针对环境复杂及样本量较大病害的应用较为有限。
3.2 基于深度学习的病害检测方法
随着日益发展的深度学习，深层神经网络可对实现对图像特征的自动提取，不仅对大量图像数据进行处理，还确保
分类正确率较高，对于基于深度学习的病害检测技术的发展具有重要促进作用。有研究表明路面病害识别中引入卷积神经网络，对众多桥梁病害检测图像提取裂缝、坑槽特征，病害判别分别达到96.5%、94.7%的准确率，进一步证实卷积神经网络精度符合桥梁病害复杂形态特性，但在桥梁病害检测中对于病害部位及类别更为重视。基于卷积神经网络的目标检测算法，不只可对目标病害类别输出，还可对目标病害部位进行预测，对于桥梁病害检测智能化的发展具有一定推动作用。有研究结果显示，采用卷积神经网络算法，对混凝土裂缝及程度不同的螺栓、钢板腐蚀等不能类型损伤的2365张多种损伤类型图像进行识别定位，平均分类准确率高达89.25%。采用YOLO v3算法识别和定位2 205张混凝土桥梁病害检测图像，与迁移学习策略相结合，使训练样本存在的不足之处得到明显改善，识别及定位病害准确率高达82%。
4 结语
综上所述，在桥梁自动化检测中基于深度学习的桥梁病害检测方法具有更明显的适用性，在桥梁运营管理中的智能检测具有重要推动作用。但在研究中存在很多亟待解决的难题，一是在训练样本数量方面，深度学习具有较高要求，有标签病害图像在实际训练中只有有限的数量。二是钢筋混凝土桥梁病害中，因裂缝等较小宽度的病害存在，图像中不具有明显目标，增大了识别难度，成为相关研究中众多病害达不到较高分类准确率的一个重要原因。
参考文献：
[1]贺拴海，赵祥模，马建，等.公路桥梁检测及评价技术综述[J].中国公路学报，2017，30（11）：63-80.
[2]黄凤华，曹一山，蒋永生，等.机器学习在桥梁病害检测识别中的研究应用进展[J].公路交通科技（应用技术版），2019，15（9）：114-116.
[3]马晔.混凝土结构缺陷的红外热成像检测识别技术[J].公路交通科技，2017，34（12）：59-65.
[4]张润，王永滨.机器学习及其算法和发展研究[J].中国传媒大学学报（自然科学版），2016，23（2）：10-18+24.
[5]李彦冬，郝宗波，雷航.卷积神经网络研究综述[J].计算机应用，2016，36（9）：2508-2515+2565.
[6]常志明.正交试验对高粘薄层沥青混合料路用性能的研究[J].安徽建筑，2013，20（2）：208-210.