论文部分内容阅读
摘要：裂纹、坑洞等病害是威胁交通基础设施（机场道面）安全运行的重要因素，及时准确地检测出裂缝的存在并给予预防性养护，可以有效避免交通事故的发生。基于计算机视觉的自动裂纹检测方法具有检测精度高、检测速度快、操作简单的优点，在机场道面领域有着极大的应用价值。本文总结了现有裂纹检测主要手段，并详细介绍了基于深度卷积神经网络的三种裂纹检测思路，即基于目标检测的裂纹检测、基于分类的裂纹检测、基于像素级分割的裂纹检测，分析了三种方法的基本原理、优缺点及其实际应用。
关键词：深度卷积神经网络;机场道面;裂缝
近年来，随着我国航空产业的不断发展，我国民航机场的数量迅速增加。机场作为国家重要的公共交通基础设施，是民航業发展的基础，在综合交通运输体系中发挥着重要作用。随着机场使用年龄的增加以及起降飞机架次的增多，航班量的增加，道路承受冲击荷载以及次数的增加，再加上施工时质量控制不当和外界环境的影响，我国多个机场道面均出现不同程度的破损现象，其严重影响了跑道的工作性能以及飞机起降过程的平稳性和舒适性，并给飞机的平稳驾驶带来了安全隐患。因此，机场道面的自动化病害检测有着重要的应用价值。
近年来深度卷积神经网络在计算机视觉领域得到了广泛的应用，其中在机场道面病害的检测反面也慢慢开始得到发展。下面介绍基于深度卷积神经网络的表面裂纹检测方法。
1、基于深度学习的道面检测方法
1.基于图像分类的表面病害检测方法
此类方法实际上是将裂缝检测问题当成一个分类问题，目标是确定输出图像是否有包含裂纹的标签，具体过程是将输入图像划分为多个块，对块图像进行分类，如果块图像中包含一定数量的裂纹像素，则会返回是裂纹图像的标签，坑洞也同样如此。关于裂缝，2016 年，Zhang 等人[1]提出了使用 4 个 卷积层层和 2 个全连接层的卷积神经网络结构，对道路裂缝进行二分类，此法对大尺寸的裂纹分类效果明显，但小裂缝容易被消除。2019年，王[2]等人用AlexNET结构，优化其网络层次以及参数，大幅度提高了模型的识别准确率。
基于图像分类的方法应用于裂纹检测领域，很好地解决了识别精度不高以及图像质量不好影响效果的问题。但此类模型只能做到有无裂纹的分类（分类问题），无法对裂纹的形状、大小及其位置等进行判断，这在需要确定详细裂纹的情况下无法使用。
2.基于目标检测的表面裂纹检测方法
其是一个分类加定位问题，目标检测的任务是给定一幅图片，判断出图像中是否包含目标（裂缝、坑洞），若包含则给出输入图像中目标的位置，通常用矩形框将之圈出来。此中方法主要有两种思路：两阶段的思路以及单阶段的思路，代表模型有Faster R-CNN和YOLO系列模型。
Cha[3]于 2018 年提出了一种基于 faster R-CNN 的裂纹检测的改进方法，加快了特征提取的速度，并且稳定性也较高，改进后的模型可实现多种类型裂缝的实时检测与定位。文献[4]中提出了一种基于 YOLO V3网络结构的裂缝检测斱法，对YOLO V3做出了改进，提升里其准确率，基本达到了民用基础设施监控的要求。
相较于基于图像分类的方法，基于目标检测的表面裂纹检测方法的识别精度大幅度提高。但裂纹的大小及纹理等重要信息依然无法从生成的边界框中得到。
3.基于像素级分割的表面裂纹检测方法
像素级分割是对输入图像中的每个像素点都划分相对应的类别，此法既可对目标机型分类，又可得到目标的精确位置和特征（走向、长度等信息）。
2018 年，Cheng 等人[81]提出了一种基于深度卷积神经网络 U-Net 的裂纹检测方法，在两个道路裂纹数据集中测试该模型，像素级分分割精度达到92%。此方法可以等同于扫描裂缝，达到将裂缝扫描出来的效果，是前两种方法做不到的。但同时，其需要花费大量的人力去对样本进行标记，标记工作量巨大。
目前关于裂缝的自动化、智能化检测还在发展，并且已经得到了初步的应用，但目前大多方法都处于研究阶段，还有些问题需要结局，里实现其能够适用各个情景的检测还有些距离。
参考文献
[1]ZHANG L， YANG F， ZHANG Y D， et al. Road crack detection using deep convolutional neural network[C]//2016 IEEE International Conference on Image Processing （ICIP）， IEEE. 2016： 3708-3712.
[2]王丽苹，高瑞贞，张京军，等。基于卷积神经网络的混凝土路面裂缝检测[J]。计算机科学， 2019， 46（11A）： 584-589。
[3] WANG C. Pavement crack detection based on yolo v3[C]//2019 2nd International Conference on Safety Produce Informatization （IICSPI）. IEEE， 2019： 327-330.
[4] SUH G， CHA Y J. Deep faster R-CNN-based automated detection and localization of multiple types of damage[C]//Sensors and Smart Structures Technologies for Civil， Mechanical， and Aerospace Systems 2018 International Society for Optics and Photonics， 2018， 10598： 105980T.
作者简介：
王硕（1999-8-14）男，汉族，河南省洛阳市，本科生;研究方向：道路桥梁与渡河工程。
关键词：深度卷积神经网络;机场道面;裂缝
近年来，随着我国航空产业的不断发展，我国民航机场的数量迅速增加。机场作为国家重要的公共交通基础设施，是民航業发展的基础，在综合交通运输体系中发挥着重要作用。随着机场使用年龄的增加以及起降飞机架次的增多，航班量的增加，道路承受冲击荷载以及次数的增加，再加上施工时质量控制不当和外界环境的影响，我国多个机场道面均出现不同程度的破损现象，其严重影响了跑道的工作性能以及飞机起降过程的平稳性和舒适性，并给飞机的平稳驾驶带来了安全隐患。因此，机场道面的自动化病害检测有着重要的应用价值。
近年来深度卷积神经网络在计算机视觉领域得到了广泛的应用，其中在机场道面病害的检测反面也慢慢开始得到发展。下面介绍基于深度卷积神经网络的表面裂纹检测方法。
1、基于深度学习的道面检测方法
1.基于图像分类的表面病害检测方法
此类方法实际上是将裂缝检测问题当成一个分类问题，目标是确定输出图像是否有包含裂纹的标签，具体过程是将输入图像划分为多个块，对块图像进行分类，如果块图像中包含一定数量的裂纹像素，则会返回是裂纹图像的标签，坑洞也同样如此。关于裂缝，2016 年，Zhang 等人[1]提出了使用 4 个 卷积层层和 2 个全连接层的卷积神经网络结构，对道路裂缝进行二分类，此法对大尺寸的裂纹分类效果明显，但小裂缝容易被消除。2019年，王[2]等人用AlexNET结构，优化其网络层次以及参数，大幅度提高了模型的识别准确率。
基于图像分类的方法应用于裂纹检测领域，很好地解决了识别精度不高以及图像质量不好影响效果的问题。但此类模型只能做到有无裂纹的分类（分类问题），无法对裂纹的形状、大小及其位置等进行判断，这在需要确定详细裂纹的情况下无法使用。
2.基于目标检测的表面裂纹检测方法
其是一个分类加定位问题，目标检测的任务是给定一幅图片，判断出图像中是否包含目标（裂缝、坑洞），若包含则给出输入图像中目标的位置，通常用矩形框将之圈出来。此中方法主要有两种思路：两阶段的思路以及单阶段的思路，代表模型有Faster R-CNN和YOLO系列模型。
Cha[3]于 2018 年提出了一种基于 faster R-CNN 的裂纹检测的改进方法，加快了特征提取的速度，并且稳定性也较高，改进后的模型可实现多种类型裂缝的实时检测与定位。文献[4]中提出了一种基于 YOLO V3网络结构的裂缝检测斱法，对YOLO V3做出了改进，提升里其准确率，基本达到了民用基础设施监控的要求。
相较于基于图像分类的方法，基于目标检测的表面裂纹检测方法的识别精度大幅度提高。但裂纹的大小及纹理等重要信息依然无法从生成的边界框中得到。
3.基于像素级分割的表面裂纹检测方法
像素级分割是对输入图像中的每个像素点都划分相对应的类别，此法既可对目标机型分类，又可得到目标的精确位置和特征（走向、长度等信息）。
2018 年，Cheng 等人[81]提出了一种基于深度卷积神经网络 U-Net 的裂纹检测方法，在两个道路裂纹数据集中测试该模型，像素级分分割精度达到92%。此方法可以等同于扫描裂缝，达到将裂缝扫描出来的效果，是前两种方法做不到的。但同时，其需要花费大量的人力去对样本进行标记，标记工作量巨大。
目前关于裂缝的自动化、智能化检测还在发展，并且已经得到了初步的应用，但目前大多方法都处于研究阶段，还有些问题需要结局，里实现其能够适用各个情景的检测还有些距离。
参考文献
[1]ZHANG L， YANG F， ZHANG Y D， et al. Road crack detection using deep convolutional neural network[C]//2016 IEEE International Conference on Image Processing （ICIP）， IEEE. 2016： 3708-3712.
[2]王丽苹，高瑞贞，张京军，等。基于卷积神经网络的混凝土路面裂缝检测[J]。计算机科学， 2019， 46（11A）： 584-589。
[3] WANG C. Pavement crack detection based on yolo v3[C]//2019 2nd International Conference on Safety Produce Informatization （IICSPI）. IEEE， 2019： 327-330.
[4] SUH G， CHA Y J. Deep faster R-CNN-based automated detection and localization of multiple types of damage[C]//Sensors and Smart Structures Technologies for Civil， Mechanical， and Aerospace Systems 2018 International Society for Optics and Photonics， 2018， 10598： 105980T.
作者简介：
王硕（1999-8-14）男，汉族，河南省洛阳市，本科生;研究方向：道路桥梁与渡河工程。