基于卷積神經網絡的瀝青路面裂縫識別方法

李永緒 謝政專 唐文娟

摘要：針對傳統裂縫識別方法準確性低、環境適應性差的問題，文章提出一種基于卷積神經網絡的瀝青路面裂縫識別方法，融合了CLAHE與深度學習算法。試驗結果表明，該方法能夠更準確地識別裂縫，識別精確率達到94.9%，且泛化能力良好。

關鍵詞：瀝青路面;CLAHE算法;卷積神經網絡;裂縫識別

0 引言

瀝青路面是現行鋪筑面積最多的一種高級路面，裂縫是其常見的路面病害之一。裂縫若不及時精準識別并修復，將會衍生出其他更為嚴重的次生病害，進而引發安全事故。如雨水滲入裂縫可能腐蝕路基，在車輛荷載的反復作用下，會導致裂縫加寬加深甚至路面塌陷，降低道路的使用壽命，危害行車安全。因此，研究如何進行快速、準確地檢測裂縫是路面養護工作中最為重要的任務之一。

目前路面裂縫識別仍以人工巡查為主，效率低、存在安全隱患且結果易受主觀影響。現行主流的路面裂縫識別算法有閾值分割[1]和邊緣檢測方法[2]，這兩類算法均基于圖像處理技術，需要手工提取特征，同時對噪聲敏感，存在檢測速度慢、準確度不高并且性能不穩定的缺陷。

鑒于以上原因，本文結合瀝青路面自身復雜、噪點多、裂縫分布無規律等特點，提出了一種基于卷積神經網絡的瀝青路面裂縫識別方法，融合了CLAHE與深度學習算法。該方法在試驗過程中取得了優良的效果，是一種可行性較高的方法，可以提高管養效率。

1 關鍵技術

1.1 卷積神經網絡

卷積神經網絡（CNN）表達能力強，由卷積層、池化層及全連接層疊加組成，層與層之間采用權值共享及局部連接方式。卷積層和池化層在上一層輸出的結果上進行下一輪計算，通過多層卷積和池化，逐漸抽象出高階特征，在擬合復雜特征方面有突出優勢，是近幾年深度學習在機器視覺領域取得突破性進展的基石。

激活函數有Relu、Sigmoid等函數，經過卷積操作會輸出一定數量的新特征圖。

輸出的新特征圖進入到池化層進行池化操作，促使縮小特征圖，減小特征參數，簡化計算復雜度，同時由于池化操作對局部位置不敏感，因此進一步為網絡引入了不變性。

1.2 CLAHE圖像增強算法

瀝青路面裂縫具有灰度值低、細長、分布無規律的特點。此外，受限于天氣因素和采集圖像時間，圖片通常表現為亮度不均且噪點多。因此，本文采用CLAHE[3]圖像增強算法突出裂縫部分。實現步驟如下：

（7）移動至相鄰像素，重復上述過程，直至處理完整張圖片。

本文在不同參數下對原圖增強并進行分析，以確定最佳參數。經過比較發現，當m=8、剪切閾值clipL=2時增強效果最好。因此，本文取m=8，剪切閾值clipL=2。圖像增強前后對比如圖1所示。由圖1可知，圖片經CLAHE算法處理后，避免了相鄰灰度對比度相差過大，整個畫面更為清晰，對比度和亮度得以提升，裂縫細節也更加突出。

2 方法

2.1 基于CNN的瀝青路面識別流程框架

基于CNN對瀝青路面裂縫識別包含圖片采集、預處理、CNN網絡模型搭建及訓練等，其流程見圖2。實驗所用的圖片均在真實城市瀝青道路用手機拍攝得到，包含了陰天、陰影、雨天、霧天等多種場景，分辨率為1200×1600，共700張。考慮到采集的圖片數量較少，并且裂縫在圖像中占比小，很難提取到裂縫的有效特征[4]，另因圖片裁剪過小，給標注帶來困難，故本文使用預處理圖像裁剪成像素為100×100的圖片，共15000張，并打上標簽。使用keras框架搭建CNN網絡模型，訓練過程采用隨機梯度下降。

2.2 基于卷積神經網絡瀝青路面裂縫識別模型

針對交通環境下瀝青路面裂縫的特殊性，從多方面對模型結構和超參數進行優化調整，最終完成了瀝青路面裂縫分類器的構建。如圖3所示，包含了4個卷積神經網絡（C1～C4），4個池化層（P1～P4），4個歸一化層（B1～B4），1個全連接層（F1），1個Dropout層。另外，在卷積層后均使用了Relu激活函數。

（1）輸入層。本文將瀝青路面圖片作為輸入，大小為100×100，通道為1。

（2）卷積層。特征圖在卷積操作后，形成包含更高級更多抽象信息的新特征圖。C1～C4的卷積核數量分別為（32，64，64，128），對應的卷積核尺寸依次為5×5，5×5，3×3，3×3。C1～C2層使用較大的卷積核，一方面有利于提取圖像中裂縫的結構信息，另一方面有利于忽略與裂縫結構無關的其他噪聲信息。

（3）池化層。新特征圖經過池化層能減小特征參數，減輕網絡模型過擬合現象。本文使用最大池化方式，池化大小為2×2，步長為1。

（4）歸一化層。對特征圖局部進行歸一化，能進一步矯正亮度不均，提取高階統計信息。因此，本文卷積層之后均添加了歸一化層。

（5）Dropout層。Dropout層的加入，使網絡在訓練過程中隨機丟棄隱藏層的節點，輸出結果不過度依賴任一節點，起到正則化的作用，這種方式能有效防止網絡過擬合。因此，在全連層F1之后添加了Dropout層。Dropout取值為0.55。

（6）輸出層。通過Sigmoid回歸算法將輸出特征值映射到0～1之間，對應相應類別的條件概率。在Sigmoid回歸函數中y=i的概率為：

3 試驗結果分析

本文的算法基于深度學習開源框架keras，使用python語言開發，依賴模塊主要有CV2、Skimage、Matlpotlib等，訓練和測試階段使用的主要硬件設備為NIVIDIA公司的TitanXPascalGPU服務器，顯存為8G。

3.1 評價指標

本文使用三個指標評估所提出的方法：準確率（P）、召回率（P）和F1值。其中準確率（P）描述準確檢測出的裂縫圖片占被檢測出來的像素的比例;召回率（R）描述正確被檢測出的裂縫圖片占總裂縫圖片的比例;而F1則能綜合判斷識別效果。三者的計算公式分別為：

3.2 試驗結果對比與分析

為驗證本文所提方法的有效性和可行性，設計了2組對比試驗。具體試驗分析如下：

試驗1：用于測試CLAHE算法對于本文所提模型準確率的影響。首先，將裁剪成100×100像素大小并標注好的5000張圖片組成數據集A，用于測試，其余10000圖片組成集合B，并按8∶2的比例構建訓練集、驗證集訓練本文模型。然后使用CLAHE算法處理集合B中的訓練集、驗證集，共同構成數據集C，用來訓練本文模型。最后隨機從集合A中選取1000張圖片測試訓練好的模型。測試的結果如表1所示。由此可以看出，利用CLAHE算法處理后的數據訓練模型顯著提升了裂縫識別效果，能保持較高的準確率和召回率，而原始圖片訓練的網絡識別準確率低。這主要是由于CLAHE算法提升了圖像的質量，突出了裂縫部分，有利于提取裂縫的參數信息，并減弱了影響識別的干擾因素。

試驗2：用于對比經典Alex[5]網絡模型和本文模型對瀝青路面裂縫最終檢測結果的影響。首先，使用實驗1中集合C的數據集訓練Alex網絡模型，接著使用滑窗方式將新采集的圖片分成像素為100×100小圖片，最后依次輸入到訓練好的Alex網絡和本文模型，識別為裂縫則用黑框框出來。檢測結果如圖4所示。由實驗結果可知，基于本文模型的瀝青路面裂縫檢測結果非常逼近裂縫真實的區域，魯棒性好，對干擾噪聲的排除能力更強;而直接使用Alex模型將干擾信息誤認為裂縫，準確率較低。一方面是因為經典Alex網絡模型專門針對像素為227×227圖像的識別模型，其識別性能的優越性建立在大量訓練樣本的基礎上，卷積層的卷積核個數非常多（依次為96，256，384，384，256），全連接層數量均為4096，而本文訓練圖片數量相對較少，Alex網絡過度擬合了裂縫特征，把干擾誤認為裂縫;另一方面本文建立的模型，針對輸入圖像尺寸，只使用4個卷積層，并優化了各卷積核的數量及大小，以減小整個網絡的寬度，卷積層后均使用池化層減小參數量，除此之外，還使用了更多歸一化層減輕網絡過擬合現象。因此，相比而言，本文模型具有更好的泛化能力，更適合瀝青路面裂縫識別。

4 結語

本文提出了一種基于卷積神經網絡的瀝青路面裂縫識別方法，融合了CLAHE與深度學習算法，其中CLAHE算法增強了裂縫細節信息，為后續提取特征提供了基礎。基于CNN構建的模型，結合瀝青路面裂縫自身特點，提取到了全面且具有辨別性的特征，具有良好的泛化能力。本文方法在多種場景能有效識別裂縫，對實現智慧化路面養護具有重要意義。

參考文獻：

[1]褚文濤，李鄭明，陸 鍵.路面病害檢測中的裂縫信息快速識別方法研究[J].中外公路，2013，33（6）：80-84.

[HJ]

[2]ZhangA，LiQ，WangKCP，etal.Matchedfilteringalgorithmforpavementcrackingdetection[J].Transportationresearchrecord，2013，2367（1）：30-42.

[3]ZuiderveldK.Contrastlimitedadaptivehistogramequalization[C].GraphicsgemsIV.AcademicPressProfessional，Inc.，1994.

[4]英 紅，丁海明，侯新月，等.基于BP神經網絡的瀝青路面裂縫識別方法研究[J].河南理工大學學報（自然科學版），2018，37（4）：105-111.

[5]KrizhevskyA，SutskeverI，HintonGE.Imagenetclassificationwithdeepconvolutionalneuralnetworks[C].Advancesinneuralinformationprocessingsystems，2012.