基于無人機影像的公路橋梁裂縫智能檢測方法

摘要：采用傳統(tǒng)方法進行公路橋梁裂縫的檢測，會浪費大量的人力資源。為進一步提高檢測效率、檢測精度，設計一種基于無人機影像的公路橋梁裂縫智能檢測方法。對無人機影像數(shù)據(jù)進行預處理，計算任意一點圖像像素的強度值，統(tǒng)計其所有像素點的集合，去除所有包含尖銳噪聲的數(shù)據(jù)。建立公路橋梁裂縫分類模型，獲取不同區(qū)域分割閾值的數(shù)學表達式，計算像素值的線性插值，得到公路橋梁裂縫的分類結果。實驗結果顯示：在3個數(shù)據(jù)集中，該方法的F1值均在0.89以上，可見該檢測方法的精度較高，能夠得到準確的檢測結果。

關鍵詞：無人機影像；公路橋梁；裂縫；智能檢測

0 " 引言

在建設公路和橋梁時，一般都會使用瀝青混凝土作為原料，這種原料在經過長時間的風吹日曬后，會出現(xiàn)裂縫。裂縫不但會降低人們在行駛過程中的舒適度，嚴重時還會導致意外事故的出現(xiàn)。

為及時獲取路面的裂縫信息，需要經常在公路和橋梁上查看。但是我國的公路里程數(shù)以及橋梁數(shù)量非常多，如果一一查看，會浪費大量的人力資源。而使用航空拍攝的方式代替人工，通過圖像處理，可智能識別路面和橋面的裂縫，不但可以提高檢測效率，還可以提高檢測精度。

目前，國內外關于采用無人機檢測公路橋梁裂縫的研究已經不少。侯越等[1]使用數(shù)據(jù)深度增強的方式，采集路面的圖像信息，并對其進行處理。結合泊松遷移算法，通過遮擋物和光線條件，獲取路面信息，并得到識別算法。宋立博等[2]以裂縫的檢測需求為例，使用殘差網絡，連接深度神經網絡，并結合百度圖片上搜索的圖片，建立訓練集。在YOLOv4-tiny簡化網絡的基礎上，獲取檢測算法。王一兵等[3]使用LabVIEW+VDM設計了一種圖像分析方法，結合Vision Development Module和Vision Assistant處理圖像，并采用粒子分析方法計算裂縫信息。為進一步提高檢測效率、檢測精度，本文參考上述文獻，設計了一種基于無人機影像的公路橋梁裂縫智能檢測方法。

1 " 無人機影像數(shù)據(jù)預處理

使用無人機影像獲取的數(shù)據(jù)通常具備較高的分辨率，且由于外界復雜環(huán)境的影像，圖像噪聲難以避免。如果圖像在拍攝時正好處于相機曝光狀態(tài)，則會降低目標裂縫與背景路面之間的對比度，因此需要將存在大量背景信息的圖像進行預處理，以提高檢測分類的準確率。

針對此類圖像的預處理，以灰度化或者濾波處理為主。在存儲圖像時，一般需要將一個高分辨率的影像轉換成一個二維函數(shù)，并一一描述所有像素點與空間位置的關系，建立坐標軸，分別對縱坐標和橫坐標進行代換[4]。

在處理無人機影像時，需要使用高分辨率的圖像，在任意一點圖像像素上，其強度值可以表示為：

（1）

式中，?（x0，y0）表示像素強度值；R、G、B分別表示三原色量化等級。將彩色圖像經過矩陣疊加而成，可以直接將原始彩色圖像轉換為灰度圖像，從而大幅度提高數(shù)據(jù)的處理速度。

在圖像濾波處理過程中，均值濾波是一種十分常見的處理方法。均值濾波是將模板的中心元素信號濾除干凈，僅僅只保留一部分低頻或者中頻的噪聲，所有高頻噪聲均不能留存。這樣圖像中的所有尖銳噪聲就會全部去除，圖像看起來較為平滑。假定像素點的坐標為中心點，統(tǒng)計其所有像素點的集合如下：

（2）

式中：?（x，y）表示像素點坐標，?（i，j）表示像素點像素值，Nm表示像素點數(shù)量。

經過高斯濾波的處理后，將所有像素全部離散，并進行加權平均處理。通過上述公式，可以得到一個去除了所有尖銳噪聲且數(shù)據(jù)量較少的圖像數(shù)據(jù)。

2 " 建立公路橋梁裂縫分類模型

針對公路橋梁裂縫分類過程中，首先需要進行缺陷檢測，其次才是缺陷分類。在給定一個公路橋梁圖像時，需要首先辨別其是否是存在裂縫的圖像，然后辨別圖像內包含什么種類的裂縫。使用智能算法，對圖像進行分類[5]。

2.1 " 近似梯度值計算

將輸入的數(shù)據(jù)轉換為不具體的高層特征，并將其用分布式數(shù)據(jù)的形式表現(xiàn)出來。在邊緣檢測器中，尋找一組亮度變化較為劇烈的像素點集合，這些像素點一般為公路橋梁的裂縫區(qū)域。設置離散微分算子，將其作為假定圖像的灰度值。其橫向邊緣灰度值與縱向邊緣灰度值分別可以表示為和。計算其在水平和豎直方向的梯度坐標，可得到近似梯度值：

（3）

式中：Gi表示近似梯度值。上述所有邊緣算子，在高斯濾波的作用下，可以使圖像變得更加平滑。獲取梯度幅值，令其實現(xiàn)極大值的抑制，并同步對比梯度幅值的邊緣點信息。

2.2 " 閾值分割后的圖像計算

圖像的閾值檢測是裂縫檢測算法中最重要的步驟，具備高效性和強解釋性等優(yōu)點，在裂縫圖像的分割算法中具備較好的效果。只要在其中添加合理和便于控制的參數(shù)，就可以直接實現(xiàn)更加高效、精度更高的圖像裂縫檢測。在閾值分割的過程中，需要首先選擇一個合適的分割閾值，并對待檢測的那一幅圖像進行整體性的掃描。不同區(qū)域的數(shù)學表達式可以表示為：

（4）

式中：g（x，y）表示閾值分割后的圖像；?（x，y）表示原始的公路橋梁圖像；Ut表示像素閾值。

在上述分割方法中，若像素值小于標準閾值，則將其分類到“1”值中，若像素值大于等于標準閾值，就會將其分類到“0”值中。選擇大小合適的全局固定閾值，將整個圖像分割成不同的方塊，并根據(jù)每個像素塊的分布規(guī)律確定全局與局部的差別。

2.3 "線性插值計算

根據(jù)周邊像素的信息確定某一給定像素的值，可以將擴展后的像素小幅度偏移原始圖像。將預設的圖像進行放大與縮小處理，并計算其中的像素值位置。假設存在兩個像素點，其線性插值的計算公式可以表示為：

（5）

式中：h（x，y）表示線性插值的加權像素位置；x1和x2分別表示兩個相鄰像素點的函數(shù)值；y1和y2則表示像素單元內的中心點像素值；xp表示未知函數(shù)的像素值。

2.4 " 不同節(jié)點的信息熵計算

建立公路橋梁裂縫的分類模型，將上述數(shù)據(jù)進行分類處理。根據(jù)已知的各種情況，計算不同節(jié)點的信息熵：

（6）

式中：E（d）表示不同節(jié)點的信息熵；pk表示度量樣本集合純度。

2.5 " 算法建模

當任意分支節(jié)點的離散屬性存在特征值時，其信息增益就會通過屬性選擇來劃分決策類型。機器學習中，經常會遇到數(shù)據(jù)樣本的過擬合現(xiàn)象，但是由于數(shù)據(jù)之間貼合度過低，很難在數(shù)據(jù)集中增加泛化能力。此時可以通過剪枝處理的方式，完成對整個算法的建模。

在分類模型中，可以假設一個原始的樣本數(shù)據(jù)集為D（x，y），則其中的一個樣本就會通過特征集合中的自己進行劃分，這樣可以最大程度避免大量運算導致的檢測效率降低。針對同一個測試樣本，當分類模型中存在N個分類結果時，就可以通過統(tǒng)計，得到最大的分類系數(shù)，并得到最終的分類結果。

3 " 實驗研究

3.1 " 實驗圖像準備

為了驗證上文設計的公路橋梁裂縫檢測算法的準確性，使用無人機影像采集各種類型的公路橋梁裂縫圖像，如圖1所示。圖1中包括橫向裂縫、縱向裂縫、網狀裂縫和龜裂裂縫、無裂縫等，在數(shù)據(jù)集中收集此類裂縫圖像供1000例。

想要進一步提高智能檢測的精度，就需要增準備大量合理的公路橋梁圖像。但是由于實驗條件的限制，本次實驗無法尋找到足夠數(shù)量的圖像。如果完全使用無人機影像進行人工采集，將會耗費大量的人力物力財力。且在訓練模型過程中，上述實驗圖像的權重參數(shù)需要進行長時間訓練，大量的原始圖像會增加訓練時間。對此問題，可以在采集到一定數(shù)量的圖像后，通過圖像處理等方式，建立不同的數(shù)據(jù)集作為圖像樣本。

實驗過程中，使用個人計算機作為實驗的主要設備，其中的CPU型號為E5-26650@2.40GHz，運行內存為32GB，硬盤容量大于1TB。計算機內操作系統(tǒng)的型號選擇Ubuntu 20.04.1，編程語言為Python，并使用Pytorch 1.7.0作為深度學習框架。

在模型訓練過程中，劃分訓練集與測試集，并將其中存在明顯缺陷的部分圖像，作為訓練數(shù)據(jù)集的組成部分，剩余部分劃分到測試集中。訓練集和測試集圖像樣本的數(shù)量分別為8000張和2000張。在模型訓練之前，分別匯總所有標記好的樣本圖像，建立一個總文件夾，并區(qū)分測試集與測試集。

3.2 " 檢測指標

通常而言，精準率和召回率是難以得到同一狀態(tài)的，因此可以使用F1值作為上述5組裂縫圖像準確率的測試時的評價指標。F1值的調和平均值計算如下：

（7）

式中：Fmean表示F1值的調和平均值，在計算F1測度時，一般認為βij=1。Pi和Ri分別表示精準率和召回率，精準率指的是該樣本作為正樣本被真實檢測為正樣本的比例，召回率指的是該樣本作為正樣本被檢測為負樣本的比例。通過以上公式獲得指標，可以得到公路橋梁裂縫的檢測結果。

3.3 " 檢測結果

對比本文設計的基于無人機影像的公路橋梁裂縫智能檢測方法，以及現(xiàn)有的幾種對比方法，使用F1值進行測試，其測試結果如表1所示。

綜合上述檢測結果，在3個數(shù)據(jù)集中，本文設計的裂縫智能檢測結果，在4種有裂縫的檢測中F1值均超過0.8900，其他3種算法則分別在0.86～0.88、0.85～0.88、0.83～0.86之間。橫向對比其他3種檢測方法，本文方法的檢測精度最高。

4 " 結束語

采用傳統(tǒng)方法進行公路橋梁裂縫的檢測，會浪費大量的人力資源，為提高檢測效率、檢測精度，本文設計了一種基于無人機影像的公路橋梁裂縫智能檢測方法。本文設計了一種基于無人機影像的公路橋梁裂縫智能檢測方法。該方法通過對圖像的處理與識別，獲取了裂縫信息，在算法下得到檢測結果。實驗數(shù)據(jù)顯示，該檢測方法的檢測精度普遍優(yōu)于其他3種方法。采用該算法可以在無人環(huán)境下，對遠處的混凝土路面進行檢測，節(jié)省了人力資源，降低了工作成本，具備極大的應用價值。

參考文獻

[1] 侯越，張慧婷，高智偉，等.基于數(shù)據(jù)深度增強的路面病害智能

檢測方法研究及比較[J].北京工業(yè)大學學報，2022，48（6）：622-634.[2] 宋立博，費燕瓊.兩類YOLOv4-tiny簡化網絡及其裂縫檢測性

能比較[J].同濟大學學報（自然科學版），2022，50（1）：129-137.

[3] 王一兵，包騰飛，高治鑫.基于LabVIEW+VDM的混凝土壩

裂縫檢測方法[J].水利水電科技進展，2021，41（5）：76-82.

[4] 倪彤元，周若虛，楊楊，等.基于智能手機APP的圖像法檢測

混凝土表面裂縫研究[J].計量學報，2021，42（2）：163-170.

[5] 史曉東，劉洋.基于特征顯著性的地震災害發(fā)生后建筑物裂縫

智能檢測模型[J].災害學，2020，35（4）：38-42.

[6] 李可心，王鈞，戚大偉.基于G-S-G的混凝土結構裂縫識別及

監(jiān)測方法[J].振動與沖擊，2020，39（11）：101-108.