基于人工智能的高速公路橋梁病害檢測研究

高秀鑫

(山西省交通建設(shè)工程質(zhì)量檢測中心(有限公司) 太原市 030006)

0 引言

目前，對于高速公路橋梁病害的檢測主要以熟練的作業(yè)人員人力檢測為主，是通過檢測人員利用望眼鏡或站在液壓支持架上憑借個人經(jīng)驗檢測橋梁病害，傳統(tǒng)的檢測方法效率低、工作量大、拍攝取證難度高、作業(yè)危險、準(zhǔn)確率不高等問題，利用計算機視覺技術(shù)對高速公路橋梁病害的檢測具有十分重要的意義。下面對如何利用人工智能技術(shù)對高速公路橋梁病害進(jìn)行智能檢測進(jìn)行探究。

1 高速公路橋梁常見病害

高速公路橋梁常見病害首先是裂縫[1]，由于施工階段受力原因或者橋面水滲入梁體導(dǎo)致梁體鋼筋銹蝕膨脹等因素會導(dǎo)致高速公路橋梁出現(xiàn)裂縫，嚴(yán)重的會加劇鋼筋的銹蝕，影響其結(jié)構(gòu)的耐久度。其中預(yù)應(yīng)力空心板結(jié)構(gòu)、混凝土實心板、T梁結(jié)構(gòu)都會出現(xiàn)裂縫從而導(dǎo)致危害。其次是露筋，由于有些無眀顯限高標(biāo)志的地方，車輛容易撞擊邊梁，導(dǎo)致混凝土脫落，嚴(yán)重的會導(dǎo)致主筋外露、崩裂等，會影響梁體的承載能力[2]。還有蜂窩麻面，當(dāng)配料時混凝土的配合比不當(dāng)、加水不準(zhǔn)、混凝土攪拌時間不夠或模板縫隙不嚴(yán)密、水泥漿流失等因素導(dǎo)致高速公路橋梁的蜂窩麻面。這些都是高速公路橋梁常見的病害。

2 人工智能背景下的高速公路橋梁病害檢測技術(shù)

2.1 深度學(xué)習(xí)

深度學(xué)習(xí)是機器學(xué)習(xí)領(lǐng)域的一個分支，都屬于人工智能領(lǐng)域。深度學(xué)習(xí)主要是將大量數(shù)據(jù)樣本通過網(wǎng)絡(luò)逐層訓(xùn)練，將基礎(chǔ)特征從低層傳遞到高層，經(jīng)過黑盒運算得到多層級神經(jīng)網(wǎng)絡(luò)，再對樣本進(jìn)行檢測。深度學(xué)習(xí)具有極大的優(yōu)勢和潛力，深度學(xué)習(xí)的理論也慢慢被人們所熟知。例如，計算機視覺領(lǐng)域、語音識別領(lǐng)域、自然語言處理領(lǐng)域等[3]。而語義分割模型是深度學(xué)習(xí)的一個分支，許多數(shù)據(jù)集也在網(wǎng)上被公開，這為高速公路橋梁病害的檢測奠定了良好的數(shù)據(jù)支撐。在人工智能快速發(fā)展的今天，通過對這些病害的圖像進(jìn)行預(yù)處理、對其特征進(jìn)行深入研究并提取，可以揭示這些不同類別病害在圖像處理過程中的成像原理，通過深度學(xué)習(xí)技術(shù)構(gòu)建語義分割模型，對高速公路橋梁病害的檢測具有重要的應(yīng)用意義。

2.2 PSPNet語義分割網(wǎng)絡(luò)

圖像的語義分割是深度學(xué)習(xí)的重要研究領(lǐng)域，是場景理解的關(guān)鍵技術(shù)之一[4]。在最新的無人駕駛領(lǐng)域，通過對道路場景進(jìn)行高質(zhì)量的語義分割，為自動駕駛汽車的安全行駛提供了保障。而對高速公路橋梁病害進(jìn)行語義分割則可以快速檢測出高速公路橋梁的病害。PSPNet[5]是在FCN(fully convolutional network)基礎(chǔ)上進(jìn)一步改進(jìn)的語義分割網(wǎng)絡(luò)，PSPNet采用了PSP模塊，提出了金字塔池化模塊(Pyramid Pooling Module)可以整合不同區(qū)域的信息，從而提高自身獲取全局信息的能力。PSP結(jié)構(gòu)的主要功能是把特征層劃分為不同大小的網(wǎng)格，每個網(wǎng)格內(nèi)部進(jìn)行平均池化。實現(xiàn)聚合不同區(qū)域的上下文信息，從而提高獲取全局信息的能力。在PSPNet模型中，會將輸入的特征層分別劃分為6×6、3×3、2×2、1×1的網(wǎng)格，然后輸出結(jié)果。步驟如圖1所示。

圖1 PSPNet基本結(jié)構(gòu)

3 基于PSPNet模型的高速公路橋梁病害檢測

3.1 數(shù)據(jù)制作

利用人工智能的技術(shù)代替作業(yè)人員來做高速公路橋梁病害的檢測，首先需要收集大量的圖像數(shù)據(jù)。而語義分割標(biāo)簽的尺寸與圖像大小是一致的，不同像素值對應(yīng)著不同的目標(biāo)。目前，公開的數(shù)據(jù)集中對于高速公路橋梁病害圖像的標(biāo)簽集較少。為了滿足高速公路橋梁病害圖像語義分割對輸入圖像的要求，就需要收集現(xiàn)有公開的高速公路橋梁病害圖像數(shù)據(jù)集，針對所有高速公路橋梁露筋、裂縫、蜂窩麻面等病害的圖像數(shù)據(jù)利用Labelme進(jìn)行描點標(biāo)注，從而獲取語義分割標(biāo)簽。為了減少資源占有量，將這些圖像數(shù)據(jù)進(jìn)行裁切處理并利用一些幾何變換或色彩調(diào)整的方式進(jìn)行數(shù)據(jù)增強。

3.2 網(wǎng)絡(luò)訓(xùn)練

使用keras深度學(xué)習(xí)框架進(jìn)行網(wǎng)絡(luò)訓(xùn)練，需要調(diào)整相應(yīng)的參數(shù)。由于高速公路橋梁的病害一共有兩類，第一類是高速公路橋梁有病害的圖像數(shù)據(jù)，第二類是高速公路橋梁無病害的圖像數(shù)據(jù)，所以可把網(wǎng)絡(luò)分類設(shè)置為2，然后將初始學(xué)習(xí)率設(shè)置為0.001，迭代次數(shù)為45次便可進(jìn)行網(wǎng)絡(luò)的訓(xùn)練。

3.3 具體步驟

成功的制作數(shù)據(jù)集并且訓(xùn)練完畢之后，通過無人機進(jìn)行現(xiàn)場的視頻圖像的采集，將采集的圖像數(shù)據(jù)傳入計算機并放入如PSPNet語義分割模型中進(jìn)行訓(xùn)練計算。從而識別分類出高速公路橋梁的病害，若檢測識別出高速公路橋梁有病害則可將其進(jìn)行記錄，最后采取措施將現(xiàn)有的病害進(jìn)行消除。具體步驟如圖2所示。

圖2 PSPNet模型的高速公路橋梁病害檢測步驟

4 實驗與分析

4.1 數(shù)據(jù)集收集

論文研究高速公路橋梁的一些病害的PSPNet智能檢測，首先需要對高速公路橋梁病害進(jìn)行數(shù)據(jù)集的收集。高速公路橋梁病害較多，例如裂縫、露筋、蜂窩麻面等。首先通過互聯(lián)網(wǎng)和現(xiàn)場拍攝收集高速公路橋梁裂縫圖片1000張，其中900張是訓(xùn)練集，100張是測試集。利用lableme對其進(jìn)行數(shù)據(jù)集的標(biāo)注如圖3所示。

圖3 數(shù)據(jù)集制作

4.2 實驗過程與分析

使用PSPNet語義分割平臺對制作好的高速公路橋梁裂縫數(shù)據(jù)集進(jìn)行訓(xùn)練。將學(xué)習(xí)率設(shè)為0.0001，batch_size設(shè)為4，epoch設(shè)置為50。訓(xùn)練得出權(quán)重文件，最后對高速公路橋梁裂縫進(jìn)行檢測，結(jié)果如圖4所示。

圖4 預(yù)測結(jié)果展示

結(jié)果表明該方法可以正確檢測出高速公路橋梁的裂縫，大大提高了人員檢測的便利性和檢測效率。

5 結(jié)論

高速公路橋梁病害檢測是高速公路橋梁管理的重要環(huán)節(jié)之一，通過作業(yè)人員人力進(jìn)行病害的檢測，從長遠(yuǎn)角度來看具有成本高、有一定的危險性等問題。因此探究人工智能背景下的高速公路橋梁病害的檢測具有十分重要的意義。論文舉例分析使用了PSPNet語義分割平臺對高速公路橋梁裂縫進(jìn)行了模型的檢測實驗，實驗證明PSPNet語義分割模型可以對高速公路橋梁裂縫進(jìn)行精準(zhǔn)的檢測，并且有著較好的效果。隨著高速公路橋梁的服務(wù)時間越來越長，對其養(yǎng)護(hù)的次數(shù)和時間也會不斷增多，因此利用深度學(xué)習(xí)語義分割模型對高速公路橋梁病害檢測識別的研究將有助于其降低維護(hù)成本、增加檢測效率、保證作業(yè)人員安全等。