基于人工智能機(jī)器視覺技術(shù)的古建筑表層損傷檢測

趙鵬++趙雪峰++趙慶安++李生元++方騰偉++趙鑫如

摘 要：21世紀(jì)以來，在大數(shù)據(jù)和GPU加速訓(xùn)練的支持下，以深度學(xué)習(xí)為核心的人工智能技術(shù)迅速發(fā)展，并在多領(lǐng)域得到了廣泛應(yīng)用。與此同時(shí)，隨著國民經(jīng)濟(jì)實(shí)力和文化素質(zhì)的不斷提升，國家對于古建筑的保護(hù)也愈發(fā)重視。然而在長期自然及人為因素的共同作用下，古建筑難免會受到不同程度的損傷，這些損傷在很大程度上表現(xiàn)在結(jié)構(gòu)的表層，如裂縫、酥堿、剝落、傾斜、空鼓等。因此，對這些表層損傷實(shí)施快速和高效的識別和定位，為后續(xù)的診斷和修復(fù)工作提供指導(dǎo)具有重大意義。目前國內(nèi)對于古建筑表層損傷的檢測主要為人工方法，即通過目測和借助專業(yè)的設(shè)備完成工作。然而人工方法效率不高，且需要較強(qiáng)的專業(yè)性和經(jīng)驗(yàn)因素。為解決該問題，文中提出了一種基于人工智能方法的古建筑表層損傷檢測技術(shù)，通過獲取大量具有多類損傷古建筑的表層圖像樣本并進(jìn)行人工分類，使用卷積神經(jīng)網(wǎng)絡(luò)對樣本進(jìn)行訓(xùn)練，得到一個(gè)用于識別損傷的分類器并驗(yàn)證其準(zhǔn)確性。分類器成功建立后，使用滑動窗口算法對結(jié)構(gòu)表層圖像進(jìn)行測試，從而完成損傷的定位工作。最后提出了眾包式檢測的思想，通過調(diào)動公眾來收集訓(xùn)練樣本，達(dá)到提高效率，節(jié)約成本的目的。

關(guān)鍵詞：人工智能；深度學(xué)習(xí)；機(jī)器視覺；古建筑；損傷檢測

中圖分類號：TP368.5；TU317 文獻(xiàn)標(biāo)識碼：A 文章編號：2095-1302（2017）09-00-05

0 引 言

古建筑作為一種重要的文明載體，是歷史文化遺產(chǎn)不可或缺的一部分。自21世紀(jì)以來，國家對于古建筑的保護(hù)愈發(fā)重視，維護(hù)和修復(fù)工作大量展開，并且得到了長足的發(fā)展[1]。

然而，古建筑的破壞現(xiàn)狀決定了損傷檢測和維護(hù)修復(fù)工作的高難度和高成本。近些年，國內(nèi)各地區(qū)將大量資金投入于古建筑修復(fù)工作。2014年，安徽省黃山市徽州區(qū)投入8 000萬元，對該區(qū)147處古建筑實(shí)施保護(hù)利用工程[2]；同年，貴州省銅仁市投入6 000萬元，啟動了40個(gè)古建筑維護(hù)項(xiàng)目[3]；2015年，廣東省珠海市高新區(qū)投入近3 000萬元，完成了對該區(qū)18處重要古建筑的修繕和活化工作[4]；2016年，國家文物局投入2610萬元開始對永樂宮實(shí)施整體維修[5]。大量高投入的維護(hù)工作對損傷檢測與評定環(huán)節(jié)提出了更高的要求。

當(dāng)前古建筑砌體結(jié)構(gòu)的表層損傷檢測一般以目測為主，檢測設(shè)備為輔的方法進(jìn)行檢測。這種方式雖然看似簡便，但對檢測人員的專業(yè)性要求十分高，且需具備一定的損傷判定經(jīng)驗(yàn)。例如對墻體裂縫的檢測，檢測人員必須具備能夠熟知該裂縫的性質(zhì)以及判定是否需要對其修復(fù)處理的能力。并且大范圍的檢測消耗人力成本高，故只能采取定期檢測和抽樣檢測的方式。就目前來說，這種檢測方式雖然可以達(dá)到基本滿意的效果，但有時(shí)仍然不能及時(shí)發(fā)現(xiàn)問題，無法對維護(hù)工作提供實(shí)時(shí)和必要的指導(dǎo)，導(dǎo)致維修成本大大提高。

以深度學(xué)習(xí)為核心的人工智能技術(shù)的最大優(yōu)勢是無需特征提取，只要擁有足夠的樣本，經(jīng)過訓(xùn)練的分類器可以準(zhǔn)確識別損傷。隨著該研究領(lǐng)域的不斷升溫，每年都會出現(xiàn)許多訓(xùn)練更高效，分類更準(zhǔn)確的卷積神經(jīng)網(wǎng)絡(luò)模型，將深度學(xué)習(xí)應(yīng)用于結(jié)構(gòu)損傷檢測領(lǐng)域是趨勢發(fā)展的必然。

目前將深度學(xué)習(xí)引入結(jié)構(gòu)表層損傷檢測的研究很少，相關(guān)研究的網(wǎng)絡(luò)深度相對較淺[6]，基本上均為二分類問題[7]，且在識別的算法上效率不高。同時(shí)，也尚未見到任何應(yīng)用于古建筑或砌體結(jié)構(gòu)的相關(guān)研究。而本文將填補(bǔ)這一部分空白。

1 基本原理

以本文研究內(nèi)容為例，假設(shè)輸入一張像素分辨率為480×105的真彩色磚塊圖像，如圖1所示。圖像以像素為單位，因此該磚塊圖像寬度為480個(gè)像素，高度為105個(gè)像素。由于是真彩色圖像，每個(gè)像素具有紅、綠、藍(lán)三原色通道，即三個(gè)數(shù)字分量，每個(gè)分量的范圍為0～255，通過這三個(gè)分量的組合，形成了每個(gè)像素的顏色效果（例如三個(gè)分量均為0則為純黑色；三個(gè)分量均為255則為純白色）。對于計(jì)算機(jī)來說，真彩色圖像是由數(shù)字組成的三維數(shù)組，因此，圖1中的磚塊圖像在計(jì)算機(jī)中的表達(dá)為480×105×3=151 200個(gè)數(shù)字。圖像分類的任務(wù)即為對這數(shù)十萬個(gè)數(shù)字進(jìn)行數(shù)學(xué)運(yùn)算，從而得到一個(gè)最大概率的類別標(biāo)簽，如“裂縫”。

一般來說，圖像分類任務(wù)的網(wǎng)絡(luò)越深，效果就越好。但以全連接層為主的BP神經(jīng)網(wǎng)絡(luò)并不能做得很深。以圖1中的磚塊圖像為例，假如使用隱層神經(jīng)元個(gè)數(shù)為100的雙層神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，則需要學(xué)習(xí)480×105×3×100+100+100×4+4= 15120504個(gè)參數(shù)，如果增加中間的隱層數(shù)量與更大尺寸的圖像，參數(shù)數(shù)目極易達(dá)到上百億。巨大的參數(shù)數(shù)量對計(jì)算機(jī)的運(yùn)算速度來說是一個(gè)極大的障礙，再加之海量參數(shù)很快會形成過擬合，因此一般的BP神經(jīng)網(wǎng)絡(luò)做到4層就已足夠。

卷積神經(jīng)網(wǎng)絡(luò)能夠做得較深的主要原因在于它擁有一般BP神經(jīng)網(wǎng)絡(luò)所不具備的可以很大程度上減少參數(shù)數(shù)目的特征，即局部連接和參數(shù)共享[8]。由于本文的研究內(nèi)容是基于視覺的損傷識別，因此只討論用于圖像分類的卷積神經(jīng)網(wǎng)絡(luò)，而這也是目前研究應(yīng)用最為廣泛，發(fā)展速度最快的卷積神經(jīng)網(wǎng)絡(luò)。

不同于一般的BP神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)對于輸入圖像的處理方式并不是將其像素值排成一維的向量，而是直接將其看作一個(gè)三維的數(shù)組。例如上文提到的磚塊，卷積神經(jīng)網(wǎng)絡(luò)直接將其看作一個(gè)寬度為480，高度為105，深度為3的三維數(shù)組。寬度和高度代表了磚塊圖像的實(shí)際寬度和高度的像素值，深度代表每個(gè)像素三原色的通道值。卷積神經(jīng)網(wǎng)絡(luò)對輸入的數(shù)據(jù)在寬度和高度的方向上不斷進(jìn)行降維，但深度有時(shí)會增加，一般到最后的輸出層會減到和類別一樣的數(shù)量。本文的分類數(shù)目為4，因此最終通過卷積神經(jīng)網(wǎng)絡(luò)時(shí)，輸出層將具有1×1×4的維度，其圖形化架構(gòu)如圖2所示。

2 網(wǎng)絡(luò)架構(gòu)及超參數(shù)配置

本文的網(wǎng)絡(luò)訓(xùn)練基于22層的GoogLeNet[9]（層數(shù)的確定僅考慮具有學(xué)習(xí)參數(shù)的結(jié)構(gòu)層，即卷積層和全連接層），GoogLeNet是ILSVRC-2014[10]的冠軍模型，是一種非常具有代表性的經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。endprint

針對磚塊損傷的特定圖像分類問題，本文對GoogLeNet的某些超參數(shù)做了細(xì)微調(diào)整，仍保留其基本的網(wǎng)絡(luò)架構(gòu)。為尊重原作者，本文將調(diào)整過的網(wǎng)絡(luò)在下文中稱為GoogLeNet for HMDI，HMDI為“古建筑”、“砌體結(jié)構(gòu)”、“損傷”和“識別”四個(gè)詞語的英文首字母。GoogLeNet for HMDI由卷積層、匯聚層、全連接層、ReLU層、局部響應(yīng)歸一化層（LRN層）、隨機(jī)失活層和Softmax層組合而成。此外，GoogLeNet具有一種稱為“Inception”的結(jié)構(gòu)。在Inception結(jié)構(gòu)中，將具有不同尺寸卷積核的卷積層并聯(lián)，最后設(shè)置深度匯聚層，即將幾個(gè)分支在深度方向進(jìn)行組合并輸出。這種連接方式實(shí)現(xiàn)了網(wǎng)絡(luò)同時(shí)對多種尺度范圍特征的提取。Inception結(jié)構(gòu)如圖3所示。

GoogLeNet在最后的全連接層前設(shè)置了一個(gè)全局平均匯聚層，再次有效降低了參數(shù)數(shù)量。同時(shí)，為防止由于網(wǎng)絡(luò)過深造成梯度消失現(xiàn)象，GoogLeNet在網(wǎng)絡(luò)中增加了兩個(gè)輔助的Softmax層，用于反向傳播時(shí)增加前層的梯度。GoogLeNet for HMDI網(wǎng)絡(luò)架構(gòu)如圖4所示（省略了輔助的Softmax層）。

超參數(shù)配置如下：

（1）輸入層。輸入圖像尺寸為227×227。

（2）LRN層。歸一化區(qū)域尺寸n=5；LRN公式系數(shù)α=0.000 1，β=0.75。

（3）隨機(jī)失活層。隨機(jī)失活率為0.5。

（4）卷積層、匯聚層、全連接層超參數(shù)見表1所列。

3 數(shù)據(jù)集的建立及訓(xùn)練環(huán)境的搭建

本文用于實(shí)驗(yàn)的數(shù)據(jù)集均來自北京故宮博物院古建部提供的故宮某一段像素分辨率為57 780×11 400的城墻的整體正投影圖像。使用人工方式將該圖像分出5 145個(gè)單獨(dú)磚塊樣本作為訓(xùn)練集，分成4類，即“未損傷”1 466個(gè)；“剝落”1830個(gè)；“酥堿”984個(gè)；“裂縫”865個(gè)。每種類別的圖像如圖5所示。

為保證訓(xùn)練集的樣本數(shù)量足夠多，本文采取數(shù)據(jù)增強(qiáng)操作，即對圖像實(shí)施旋轉(zhuǎn)、鏡像和改變對比度處理，最終將訓(xùn)練集擴(kuò)充為40 000個(gè)樣本（每類10 000個(gè)）。同時(shí)，在整體樣本圖像距訓(xùn)練集較遠(yuǎn)的位置，由人工分割2 000個(gè)樣本并進(jìn)行分類（每類500個(gè)），作為驗(yàn)證集。最后，在城墻樣本其余位置取1個(gè)具有60個(gè)磚塊的部分城墻圖像用于測試。

本文的網(wǎng)絡(luò)訓(xùn)練及測試工作均在Windows環(huán)境下借助Caffe[11]深度學(xué)習(xí)框架使用GPU進(jìn)行網(wǎng)絡(luò)訓(xùn)練。Caffe基于C++語言，同時(shí)在訓(xùn)練和測試的過程中對結(jié)果的可視化處理需使用Matlab和Python語言。Caffe官方源代碼可在GitHub網(wǎng)站上取得[12]，并在工作站上進(jìn)行調(diào)整和編譯。

研究使用的工作站軟硬件配置見表2、表3所列。

4 網(wǎng)絡(luò)訓(xùn)練

網(wǎng)絡(luò)訓(xùn)練之前需對數(shù)據(jù)進(jìn)行預(yù)處理，本文采取零均值化方式。零均值化，即將所有輸入圖像 （訓(xùn)練集和驗(yàn)證集分開處理）的像素平均值計(jì)算出來，再用每個(gè)像素值減去該平均值得到新的圖像代替原有圖像作為輸入，此舉可降低由較大均值產(chǎn)生的梯度膨脹影響。若需進(jìn)行一些后續(xù)處理工作，例如主成分分析，則需數(shù)據(jù)的均值為零。需要說明的是，零均值化并沒有改變圖像的有效特征信息，因?yàn)槠洳]有改變像素之間的相對差值。例如將灰色調(diào)的磚塊圖像整體變換為白色調(diào)，通過人眼仍然能夠判斷出其是否損傷，正如計(jì)算機(jī)對圖像的識別也并非根據(jù)其絕對像素值一樣。

網(wǎng)絡(luò)訓(xùn)練采用隨機(jī)梯度下降+動量法，基礎(chǔ)學(xué)習(xí)率設(shè)為0.001，步長為5 000，衰減率為0.96，即每迭代5 000次將學(xué)習(xí)率乘上0.96；訓(xùn)練迭代200次進(jìn)行一次驗(yàn)證，最大迭代次數(shù)為10 000；動量系數(shù)為0.9；權(quán)重正則化系數(shù)取0.000 2。

學(xué)習(xí)率隨迭代次數(shù)變化如圖6所示。訓(xùn)練損失隨迭代次數(shù)變化如圖7所示。驗(yàn)證準(zhǔn)確率隨迭代次數(shù)變化如圖8所示。

由訓(xùn)練結(jié)果可知，在之前約20 000次迭代中，損失迅速減小，最終在第4 000次左右趨近于0。同時(shí)，準(zhǔn)確率從初始的25%到第4 000次左右的迭代基本穩(wěn)定，最終為90.85%，對于具有很多通過人工方式尚無法準(zhǔn)確分類的磚塊樣本來說，這個(gè)準(zhǔn)確率很高。

5 滑動窗口定位測試

利用卷積神經(jīng)網(wǎng)絡(luò)成功識別磚塊的損傷后，便可完成“定位”任務(wù)，即給定輸入的結(jié)構(gòu)表面圖像，計(jì)算機(jī)不僅可以識別其損傷，還能夠?qū)p傷的位置進(jìn)行精確定位。為了實(shí)現(xiàn)此功能，本文提出了滑動窗口算法。

滑動窗口算法即采取若干較小尺寸的“滑窗”對輸入圖像進(jìn)行等步長或變步長掃描。滑窗每停留在一個(gè)位置，便將該位置的部分圖像提取并輸入分類器。每次測試選取一個(gè)類別作為研究對象，若該位置的圖像被分類器識別為這一類（結(jié)果為陽性），則保留該位置的圖像；若識別為其他類（結(jié)果為陰性），則將該位置填充為白色。因此，最終的測試結(jié)果為在白色背景上顯示檢測出的陽性區(qū)域，即完成了定位工作。

如前文所述，選取一塊具有60塊磚塊的城墻表層圖像用于測試，圖像像素分辨率為1 860×1 260，采取兩種尺寸的滑窗：480×105作為磚塊中“順”的滑窗，第一次掃描將xy方向起始位置均設(shè)為1，第二次x方向設(shè)為480-（480-210）/2+1=346，y方向設(shè)為105+1=106；210×105作為“丁”的滑窗，第一次掃描x方向起始位置設(shè)為480+1=481，y方向設(shè)為1，第二次x方向設(shè)為（480-210）/2+1=136，y方向設(shè)為105+1=106。二者移動步長均為x方向480+210=690，y方向?yàn)?10。滑動策略及測試樣本分別如圖9（a），圖9（b）所示。

（a）滑動策略

（b）測試樣本

三種損傷的測試結(jié)果如圖10和表4所示。

（a）剝落結(jié)果endprint

（b）裂縫結(jié)果

（c）酥堿結(jié)果

圖10 3種損傷的測試結(jié)果

由測試結(jié)果可知，三種損傷檢測準(zhǔn)確率均在90%以上。

（1）對于剝落損傷，4塊沒有識別出來，其中1塊誤判成了裂縫，且有1塊未損傷的磚塊誤判成了剝落；

（2）對于裂縫損傷，1塊沒有識別出來，該磚塊誤判成了酥堿，且有1塊剝落誤判成了裂縫；

（3）對于只有2塊的酥堿損傷，分類器成功將其識別，但有1塊裂縫誤判成了酥堿。

導(dǎo)致分類錯誤的原因在于大多損傷程度較輕，或者具有另一類損傷特征，僅有一處錯誤分類為噪聲干擾，其表面有一些深色物質(zhì)，如圖11所示。

6 眾包式損傷檢測

人工智能領(lǐng)域之所以能夠持續(xù)升溫并發(fā)揮巨大的作用，除了計(jì)算機(jī)硬件性能不斷提升外，海量數(shù)據(jù)的支持也是重要原因。如果具有更多的古建筑結(jié)構(gòu)表層圖像訓(xùn)練樣本，甚至建立一個(gè)龐大的損傷檢測數(shù)據(jù)庫，無論對于損傷檢測分類器性能的提升，還是人工智能技術(shù)在土木工程領(lǐng)域應(yīng)用的發(fā)展，都十分有利。

所謂眾包，即能夠讓大眾參與到建立數(shù)據(jù)庫的工作中。數(shù)據(jù)庫中的樣本均為圖像，因此，只要具備拍攝圖像的條件，便能使數(shù)據(jù)庫不斷擴(kuò)充。通過建立服務(wù)器，號召大眾在古建名勝游玩時(shí)拍照上傳，由工作人員對上傳的圖像進(jìn)行提取和初步處理，再由專業(yè)檢測人員進(jìn)行分類，最后進(jìn)入數(shù)據(jù)庫，并不斷對分類器進(jìn)行訓(xùn)練，優(yōu)化其性能。眾包式損傷檢測模式如圖12所示。

圖12 眾包式損傷檢測模式

采取眾包模式可大量減少數(shù)據(jù)收集的時(shí)間，提升效率。并且大數(shù)據(jù)的實(shí)現(xiàn)使更深卷積神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)成為可能，人工智能技術(shù)在土木工程結(jié)構(gòu)檢測中的應(yīng)用具有廣闊的發(fā)展空間。

7 結(jié) 語

本文提出了一種基于人工智能的古建筑表層損傷檢測技術(shù)。該技術(shù)以深度卷積神經(jīng)網(wǎng)絡(luò)為核心，通過網(wǎng)絡(luò)訓(xùn)練得到識別損傷的分類器，并借助滑動窗口技術(shù)實(shí)現(xiàn)損傷定位。實(shí)驗(yàn)結(jié)果表明，該方法具有較高的準(zhǔn)確度和實(shí)用性，且發(fā)展空間較大。提出一種眾包檢測模式，使公眾能夠間接參與到古建筑的損傷檢測工作中。建立損傷檢測“大數(shù)據(jù)”，在提高工作效率的同時(shí)還能夠節(jié)約成本，因此我們在未來的研究中將會繼續(xù)完成這一工作。

參考文獻(xiàn)

[1]陳蔚.我國建筑遺產(chǎn)保護(hù)理論和方法研究[D].重慶：重慶大學(xué)， 2006.

[2]程錫鋒， 王金滿.徽州區(qū)實(shí)施古建筑保護(hù)利用工程[EB/OL]. http：//www.newshs.com/a/20140213/00180.htm.

[3]田牛強(qiáng).銅仁市投入6000萬元保護(hù)性維修古建筑群[EB/OL]. http：//www.tongrenshi.com/show-9-9923-1.html.

[4]劉海瑋.珠海高新區(qū)：增加投入修繕古建筑并活化利用[J].城鄉(xiāng)建設(shè)， 2016（9）：42-42.

[5]張碧.國家文物局投資2610萬保護(hù)永樂宮古建筑[EB/OL]. http：//www.chinanews.com/cul/2014/03-26/5993746.shtml.

[6] Makantasis K， Protopapadakis E， Doulamis A， et al. Deep convolutional neural networks for efficient vision based tunnel inspection[C].Intelligent Computer Communication and Processing （ICCP）， 2015 IEEE International Conference on. IEEE， 2015： 335-342.

[7] Cha Y J， Choi W， Buyukozturk O. Deep learning-based crack damage detection using convolutional neural network[J].Computer-Aided Civil and Infrastructure Engineering， 2017， 32（5）： 361-378.

[8]張重生.深度學(xué)習(xí)原理與應(yīng)用實(shí)踐[M].北京： 電子工業(yè)出版社， 2016.

[9] Szegedy C， Liu W， Jia Y， et al. Going deeper with convolutions[C].Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2015： 1-9.

[10] Stanford Vision Lab. Large Scale Visual Recognition Challenge （ILSVRC）[EB/OL]. http：//www.image-net.org/challenges/LSVRC.

[11] Jia Y， Shelhamer E. Caffe[EB/OL].http：//caffe.berkeleyvision.org/

[12] GitHub. Caffe[CP/OL]. https：//github.com/BVLC/caffe/tree/windows.endprint