论文部分内容阅读
摘要：根据我国现下检测混凝土裂缝技术仍依赖人工，未能快速准确检测病害状况且养护困难的缺陷研究出了一种基于数字化和智能化的检测方法， 即建立卷积神经网络模型进行训练和检测，从而提高道路、房屋、桥梁等混凝土设计安全诊断效率，降低危险系数。结果表明，文中所建立的卷积神经网络模型能够有效精确识别混凝土图像中的裂缝，为混凝土裂缝检测提供参考数据。
关键字：卷积神经网络 裂缝识别
0 引言
随着国家建筑行业的快速、持续发展，建筑的安全性和美观性逐渐受到越来越多人的重视，而建筑结构裂缝的产生会破坏建筑的耐久性与安全性，严重影响建筑结构的使用功能。建筑结构裂缝的产生，一般是由于混凝土中各种材料力学性质不同，使得在混凝土硬化过程中，内部产生粘着细微裂缝——包括水泥浆粘结面和骨料上的裂缝及其自身裂缝——当混凝土承受的拉应力超过其自身抗拉强度时，这些分布不规则的细微裂缝便会迅速的相互贯通，裂缝宽度快速增大，产生肉眼可见的宏观裂缝。而混凝土结构的开裂会导致内部对钢筋的保护失效，引起钢筋开裂，威胁结构安全。
裂缝是结构损伤的表现，是结构耐久性不足的预警，是结构失效倒塌的先兆，是在民用建筑、工业的结构建筑检测鉴定中可靠性鉴定的重要主要指标。对建筑结构裂缝进行定期检查和长期监测，有助于观测结构的受破坏程度，分析结构受力机理和安全性并结构剩余刚度做出评估。对于工程事故的调查，裂缝的识别分析又可以为事故缘由提供重要依据。
由于科技在建筑行业应用的高速发展，传统的裂缝识别技术已经难以满足需求。人工识别采用的肉眼检测与手工绘制易造成遗漏与错误，且由于裂缝识别的效果过于依赖于观测者的主动性，最终会导致客观原因不足，总结起来就是存在测不准、效率低、记不全等缺点。而本文是介绍一种基于卷积神经网络的混凝土结构裂缝自动识别技术，能够实现高效准确的裂缝检测。
1 数据集的建立
1.1数据采集
通过卷积神经网络模型进行土木工程结构物表面裂缝识别，首先需要采集裂缝缺陷的图像数据，然后进行采集图像的预处理和量化，以实现数字化处理。
采集裂缝缺陷的图像数据主要从两方面入手，一是公开可用的混凝土裂缝图像数据集，此图像数据集共有5000张图片，其中一个“正样本库”，一个“负样本库”，下面展示了部分样本图像（图一有裂缝;图二无裂缝）。二是通过人工实地采集方式即用手机拍摄对裂缝图像进行采集。
1.2数据处理
为满足神经网络模型训练的需要，需要采用改变图像大小和图像增强等方法进行图像预处理，接着利用Canny算子边缘检测算法进行边缘提取：图像以canny边缘为标注点，进行特征的提取，对于裂缝结构，其方向直方图具有对称的双峰结构。最后使用图像分割技术将裂缝图片裁剪成分辨率为128×128的统一尺寸。
2 混凝土裂缝识别模型
2.1 卷积神经网络
卷积神经网络的神经元排列是分层的，每个神经元只连接前一层神经元，接受前一层神经元输出的信号并传递给下一层，它是一种前馈神经网络。其基本网络结构（图4）为：卷积层（提取特征）、池化层（识别扭曲不变性的二维图形）、全连接层。输入数据到卷积层提取特征后经过池化层减少上一层的特征数量，进行全连接输出特征。它的特殊性在于减少需要训练的权值数量和降低提取特征的维度。
卷积神经网络特点（1）权重参数少（2）权重一致（3）自动学习特征。
2.2构建卷积神经网络模型
参考陈墨等[1]在文章《基于深度学习的建筑表面裂缝识别》构建的深度学习模型：CNN深度学习模型，该模型分为输入图像模块、生成模块、卷积神提取特征模块。具体步骤如下：
（1）在深度学习模型中输入裂缝缺陷图像数据集;（2）在模型网络中，利用canny算子边缘算法提取裂缝缺陷图像的边缘特征;（3）完成训练后，输入单张图像进行识别。
3 实验结果对比
3.1采用经典的图像处理算法
经典的图像处理算法是将机器视觉技术运用到桥梁裂缝检测上面的雏形，对图像进行灰度化、图像增强、滤波去噪等预处理之后，再进行特征提取等操作完成裂缝检测。如图1、2所示。劉晓瑞等[2] 、王玮华、于泳波等[3，4] 、周传林等[4，5]通过经典的图像处理算法对裂缝图像进行检验，能达到显示裂缝提取的正确率75%，裂缝的检出率为93%的效果。
但在检测无裂缝图像时，由于混凝土上面有一块污渍，通过图像灰度化、滤波去噪、直方图均衡化等一系列预处理之后，最后识别结果将这个污渍判定为裂缝。
3.2 卷积神经网络模型
本文采用matlab构建神经网络模型得到实验结果如下：
运用卷积神经网络处理以上同一种无裂缝图7得到结果：
3 结束语
本文通过经典图像处理算法和卷积神经网络模型进行裂缝识别产生的实验结果对比，发现所建立的卷积神经网络模型能够有效识别混凝土图像中的裂缝目标，并且对于不清晰的裂缝图像具有较高识别精度。但在识别过程中，对于裂缝处在较昏暗环境下的识别精度不高，无法完整识别出全部裂缝，对于图片处理这一方面还需要进一步的研究。
参考文献
[1] 陈墨，杨沛，陈丽君.基于深度学习的建筑表面裂缝缺陷识别[J].齐齐哈尔大学学报（自然科学版），2021，37（05）：57-61+66.
[2] 刘晓瑞， 谢雄耀. 基于图像处理的隧道表面裂缝快速检测技术研究[J]. 地下空间与工程学报， 2009（S2）：1624-1628.
[3] 王玮华. 基于图像处理技术的桥梁裂缝检测[D]. 长安大学， 2013.
[4] 于泳波， 李万恒， 张劲泉， 等. 基于图像连通域的桥梁裂缝提取方法[J]. 公路交通科技， 2011（07）：90-93.
[5] 周传林. 图像处理技术在混凝土桥梁裂缝检测中的应用研究[J]. 筑路机械与施工机械化， 2014（02）：74-77.
[6] 李亚琳，王玉增，李柏震，刘双源.基于图像识别技术的螺栓裂缝识别系统研究[J].组合机床与自动化加工技术，2013（03）：77-79.
[7] 孟庆成，万达，吴浩杰，李明健，齐欣.基于卷积神经网络的混凝土裂缝图像识别方法[J].沈阳建筑大学学报（自然科学版），2021，37（05）：832-840.
[8] 傅宇浩，郭沛，刘鹏宇，李瑶瑶，陈善继，王聪聪.基于计算机视觉的公路边坡裂缝检测方法[J].测控技术，2021，40（05）：62-66.
[9] 白静. 基于深度卷积神经网络的混凝土表观裂缝检测[D].哈尔滨工业大学，2019.
[10] 贾潇宇. 基于卷积神经网络的桥梁裂缝识别与测量方法研究[D].广西科技大学，2019.
[11] 缪盾.基于改进Canny算法的墙面裂缝自动识别及量测[J].工程勘察，2021，49（10）：49-53.
[12] 刘成刚，刘二林，姜香菊.改进Canny算子的列车轮对踏面边缘检测算法[J].铁道机车车辆，2021，41（01）：22-25.
关键字：卷积神经网络 裂缝识别
0 引言
随着国家建筑行业的快速、持续发展，建筑的安全性和美观性逐渐受到越来越多人的重视，而建筑结构裂缝的产生会破坏建筑的耐久性与安全性，严重影响建筑结构的使用功能。建筑结构裂缝的产生，一般是由于混凝土中各种材料力学性质不同，使得在混凝土硬化过程中，内部产生粘着细微裂缝——包括水泥浆粘结面和骨料上的裂缝及其自身裂缝——当混凝土承受的拉应力超过其自身抗拉强度时，这些分布不规则的细微裂缝便会迅速的相互贯通，裂缝宽度快速增大，产生肉眼可见的宏观裂缝。而混凝土结构的开裂会导致内部对钢筋的保护失效，引起钢筋开裂，威胁结构安全。
裂缝是结构损伤的表现，是结构耐久性不足的预警，是结构失效倒塌的先兆，是在民用建筑、工业的结构建筑检测鉴定中可靠性鉴定的重要主要指标。对建筑结构裂缝进行定期检查和长期监测，有助于观测结构的受破坏程度，分析结构受力机理和安全性并结构剩余刚度做出评估。对于工程事故的调查，裂缝的识别分析又可以为事故缘由提供重要依据。
由于科技在建筑行业应用的高速发展，传统的裂缝识别技术已经难以满足需求。人工识别采用的肉眼检测与手工绘制易造成遗漏与错误，且由于裂缝识别的效果过于依赖于观测者的主动性，最终会导致客观原因不足，总结起来就是存在测不准、效率低、记不全等缺点。而本文是介绍一种基于卷积神经网络的混凝土结构裂缝自动识别技术，能够实现高效准确的裂缝检测。
1 数据集的建立
1.1数据采集
通过卷积神经网络模型进行土木工程结构物表面裂缝识别，首先需要采集裂缝缺陷的图像数据，然后进行采集图像的预处理和量化，以实现数字化处理。
采集裂缝缺陷的图像数据主要从两方面入手，一是公开可用的混凝土裂缝图像数据集，此图像数据集共有5000张图片，其中一个“正样本库”，一个“负样本库”，下面展示了部分样本图像（图一有裂缝;图二无裂缝）。二是通过人工实地采集方式即用手机拍摄对裂缝图像进行采集。
1.2数据处理
为满足神经网络模型训练的需要，需要采用改变图像大小和图像增强等方法进行图像预处理，接着利用Canny算子边缘检测算法进行边缘提取：图像以canny边缘为标注点，进行特征的提取，对于裂缝结构，其方向直方图具有对称的双峰结构。最后使用图像分割技术将裂缝图片裁剪成分辨率为128×128的统一尺寸。
2 混凝土裂缝识别模型
2.1 卷积神经网络
卷积神经网络的神经元排列是分层的，每个神经元只连接前一层神经元，接受前一层神经元输出的信号并传递给下一层，它是一种前馈神经网络。其基本网络结构（图4）为：卷积层（提取特征）、池化层（识别扭曲不变性的二维图形）、全连接层。输入数据到卷积层提取特征后经过池化层减少上一层的特征数量，进行全连接输出特征。它的特殊性在于减少需要训练的权值数量和降低提取特征的维度。
卷积神经网络特点（1）权重参数少（2）权重一致（3）自动学习特征。
2.2构建卷积神经网络模型
参考陈墨等[1]在文章《基于深度学习的建筑表面裂缝识别》构建的深度学习模型：CNN深度学习模型，该模型分为输入图像模块、生成模块、卷积神提取特征模块。具体步骤如下：
（1）在深度学习模型中输入裂缝缺陷图像数据集;（2）在模型网络中，利用canny算子边缘算法提取裂缝缺陷图像的边缘特征;（3）完成训练后，输入单张图像进行识别。
3 实验结果对比
3.1采用经典的图像处理算法
经典的图像处理算法是将机器视觉技术运用到桥梁裂缝检测上面的雏形，对图像进行灰度化、图像增强、滤波去噪等预处理之后，再进行特征提取等操作完成裂缝检测。如图1、2所示。劉晓瑞等[2] 、王玮华、于泳波等[3，4] 、周传林等[4，5]通过经典的图像处理算法对裂缝图像进行检验，能达到显示裂缝提取的正确率75%，裂缝的检出率为93%的效果。
但在检测无裂缝图像时，由于混凝土上面有一块污渍，通过图像灰度化、滤波去噪、直方图均衡化等一系列预处理之后，最后识别结果将这个污渍判定为裂缝。
3.2 卷积神经网络模型
本文采用matlab构建神经网络模型得到实验结果如下：
运用卷积神经网络处理以上同一种无裂缝图7得到结果：
3 结束语
本文通过经典图像处理算法和卷积神经网络模型进行裂缝识别产生的实验结果对比，发现所建立的卷积神经网络模型能够有效识别混凝土图像中的裂缝目标，并且对于不清晰的裂缝图像具有较高识别精度。但在识别过程中，对于裂缝处在较昏暗环境下的识别精度不高，无法完整识别出全部裂缝，对于图片处理这一方面还需要进一步的研究。
参考文献
[1] 陈墨，杨沛，陈丽君.基于深度学习的建筑表面裂缝缺陷识别[J].齐齐哈尔大学学报（自然科学版），2021，37（05）：57-61+66.
[2] 刘晓瑞， 谢雄耀. 基于图像处理的隧道表面裂缝快速检测技术研究[J]. 地下空间与工程学报， 2009（S2）：1624-1628.
[3] 王玮华. 基于图像处理技术的桥梁裂缝检测[D]. 长安大学， 2013.
[4] 于泳波， 李万恒， 张劲泉， 等. 基于图像连通域的桥梁裂缝提取方法[J]. 公路交通科技， 2011（07）：90-93.
[5] 周传林. 图像处理技术在混凝土桥梁裂缝检测中的应用研究[J]. 筑路机械与施工机械化， 2014（02）：74-77.
[6] 李亚琳，王玉增，李柏震，刘双源.基于图像识别技术的螺栓裂缝识别系统研究[J].组合机床与自动化加工技术，2013（03）：77-79.
[7] 孟庆成，万达，吴浩杰，李明健，齐欣.基于卷积神经网络的混凝土裂缝图像识别方法[J].沈阳建筑大学学报（自然科学版），2021，37（05）：832-840.
[8] 傅宇浩，郭沛，刘鹏宇，李瑶瑶，陈善继，王聪聪.基于计算机视觉的公路边坡裂缝检测方法[J].测控技术，2021，40（05）：62-66.
[9] 白静. 基于深度卷积神经网络的混凝土表观裂缝检测[D].哈尔滨工业大学，2019.
[10] 贾潇宇. 基于卷积神经网络的桥梁裂缝识别与测量方法研究[D].广西科技大学，2019.
[11] 缪盾.基于改进Canny算法的墙面裂缝自动识别及量测[J].工程勘察，2021，49（10）：49-53.
[12] 刘成刚，刘二林，姜香菊.改进Canny算子的列车轮对踏面边缘检测算法[J].铁道机车车辆，2021，41（01）：22-25.