基于深度學習的機場道面裂縫檢測方法綜述

摘要：裂紋、坑洞等病害是威脅交通基礎設施（機場道面）安全運行的重要因素，及時準確地檢測出裂縫的存在并給予預防性養(yǎng)護，可以有效避免交通事故的發(fā)生。基于計算機視覺的自動裂紋檢測方法具有檢測精度高、檢測速度快、操作簡單的優(yōu)點，在機場道面領域有著極大的應用價值。本文總結了現有裂紋檢測主要手段，并詳細介紹了基于深度卷積神經網絡的三種裂紋檢測思路，即基于目標檢測的裂紋檢測、基于分類的裂紋檢測、基于像素級分割的裂紋檢測，分析了三種方法的基本原理、優(yōu)缺點及其實際應用。

關鍵詞：深度卷積神經網絡;機場道面;裂縫

近年來，隨著我國航空產業(yè)的不斷發(fā)展，我國民航機場的數量迅速增加。機場作為國家重要的公共交通基礎設施，是民航業(yè)發(fā)展的基礎，在綜合交通運輸體系中發(fā)揮著重要作用。隨著機場使用年齡的增加以及起降飛機架次的增多，航班量的增加，道路承受沖擊荷載以及次數的增加，再加上施工時質量控制不當和外界環(huán)境的影響，我國多個機場道面均出現不同程度的破損現象，其嚴重影響了跑道的工作性能以及飛機起降過程的平穩(wěn)性和舒適性，并給飛機的平穩(wěn)駕駛帶來了安全隱患。因此，機場道面的自動化病害檢測有著重要的應用價值。

近年來深度卷積神經網絡在計算機視覺領域得到了廣泛的應用，其中在機場道面病害的檢測反面也慢慢開始得到發(fā)展。下面介紹基于深度卷積神經網絡的表面裂紋檢測方法。

1、基于深度學習的道面檢測方法

1.基于圖像分類的表面病害檢測方法

此類方法實際上是將裂縫檢測問題當成一個分類問題，目標是確定輸出圖像是否有包含裂紋的標簽，具體過程是將輸入圖像劃分為多個塊，對塊圖像進行分類，如果塊圖像中包含一定數量的裂紋像素，則會返回是裂紋圖像的標簽，坑洞也同樣如此。關于裂縫，2016 年，Zhang 等人[1]提出了使用 4 個 卷積層層和 2 個全連接層的卷積神經網絡結構，對道路裂縫進行二分類，此法對大尺寸的裂紋分類效果明顯，但小裂縫容易被消除。2019年，王[2]等人用AlexNET結構，優(yōu)化其網絡層次以及參數，大幅度提高了模型的識別準確率。

基于圖像分類的方法應用于裂紋檢測領域，很好地解決了識別精度不高以及圖像質量不好影響效果的問題。但此類模型只能做到有無裂紋的分類（分類問題），無法對裂紋的形狀、大小及其位置等進行判斷，這在需要確定詳細裂紋的情況下無法使用。

2.基于目標檢測的表面裂紋檢測方法

其是一個分類加定位問題，目標檢測的任務是給定一幅圖片，判斷出圖像中是否包含目標（裂縫、坑洞），若包含則給出輸入圖像中目標的位置，通常用矩形框將之圈出來。此中方法主要有兩種思路：兩階段的思路以及單階段的思路，代表模型有Faster R-CNN和YOLO系列模型。

Cha[3]于 2018 年提出了一種基于 faster R-CNN 的裂紋檢測的改進方法，加快了特征提取的速度，并且穩(wěn)定性也較高，改進后的模型可實現多種類型裂縫的實時檢測與定位。文獻[4]中提出了一種基于 YOLO V3網絡結構的裂縫檢測斱法，對YOLO V3做出了改進，提升里其準確率，基本達到了民用基礎設施監(jiān)控的要求。

相較于基于圖像分類的方法，基于目標檢測的表面裂紋檢測方法的識別精度大幅度提高。但裂紋的大小及紋理等重要信息依然無法從生成的邊界框中得到。

3.基于像素級分割的表面裂紋檢測方法

像素級分割是對輸入圖像中的每個像素點都劃分相對應的類別，此法既可對目標機型分類，又可得到目標的精確位置和特征（走向、長度等信息）。

2018 年，Cheng 等人[81]提出了一種基于深度卷積神經網絡 U-Net 的裂紋檢測方法，在兩個道路裂紋數據集中測試該模型，像素級分分割精度達到92%。此方法可以等同于掃描裂縫，達到將裂縫掃描出來的效果，是前兩種方法做不到的。但同時，其需要花費大量的人力去對樣本進行標記，標記工作量巨大。

目前關于裂縫的自動化、智能化檢測還在發(fā)展，并且已經得到了初步的應用，但目前大多方法都處于研究階段，還有些問題需要結局，里實現其能夠適用各個情景的檢測還有些距離。

參考文獻

[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]王麗蘋，高瑞貞，張京軍，等。基于卷積神經網絡的混凝土路面裂縫檢測[J]。計算機科學， 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.

作者簡介：

王碩（1999-8-14）男，漢族，河南省洛陽市，本科生;研究方向：道路橋梁與渡河工程。