基于SSD算法的老舊建筑墻面裂縫識別

摘" 要：老舊建筑物墻面裂縫識別是實現敏感工程環境中建筑物實時監測與及時保護的關鍵技術措施。該文介紹SSD算法的特點及其在墻面裂縫識別上的應用，通過實際帶裂縫墻面照片實例展示識別效果，探討模型超參數對識別效果的影響。結果表明，SSD算法適合墻面裂縫識別，識別的位置準確。

關鍵詞：老舊建筑物；墻面裂縫；目標識別；SSD算法；模型參數

中圖分類號：TU746.3" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2023）28-00３６-0４

Abstract： The identification of wall cracks in old buildings is a key technical measure to realize real-time monitoring and timely protection of buildings in sensitive engineering environment. This paper introduces the characteristics of SSD algorithm and its application in the identification of wall cracks， shows the recognition effect through an actual example of wall photos with cracks， and discusses the influence of model super parameters on the recognition effect. The results show that SSD algorithm is suitable for wall crack recognition and the location of recognition is accurate.

Keywords： old buildings; wall cracks; target recognition; SSD algorithm; model parameters

我國城市中現存大量磚結構文物和舊建筑物。這些建筑物本身時代久遠，結構狀態不佳，對地下空間開發、老舊小區改造等工程活動產生的不均勻地面變形非常敏感，極易發生墻面開裂、倒塌等事故，造成巨大文化、經濟損失。單仁亮等[1]報道了某基坑周邊一清朝古建筑位于開挖槽內，三面暴露開挖形成“孤島”，該項目采用了嚴格的工程措施才控制住開挖導致的不均勻沉降。湯恒思等[2]報道了杭州市城建陳列館（淺基礎古建筑）的工程保護措施，龔迪快等[3]報道了某軟土深基坑工程中孤島型古建筑的變形控制。陳甦等[4]探討了地鐵振動對古建筑的影響。除了傳統的工程措施應用外，何山等[5]基于某古建筑物的沉降監測數據，運用灰色預測理論構建沉降預測模型，將數據科學和人工智能的方法引入到老舊建筑物的監測預警中，對類似結構物的保護有著重要意義。當前，在開展老舊小區改造、城市地下空間開發等活動時重視對古建筑影響的分析已經成為共識[6-8]。然而，隨著工程建設項目的快速增加，單純依靠工程加固措施已不能滿足實際需求；古舊建筑物的狀態隨時在發生變化，如何實時評價這些結構物的健康狀態成為城市建設過程中的重要問題。

老舊建筑物的外墻多以磚砌、外涂面層的結構形式為主，墻面的開裂是墻體變形、基礎不均勻變形最為直觀的表征，也是老舊建筑物健康狀態監測可用作參考的有效數據來源?；趯崟r圖像數據監控墻面開裂的核心是從圖像中識別出裂縫。張永梅等[9]通過顏色特征區分法進行裂縫圖像識別，但是該方法在光照不定的條件下識別精度較差。游應德等[10]主要通過SITF算法提取建筑墻體裂縫圖像特征，但該方法受到GPS限制，識別耗時較長。龐廣樺等[11]提出了一種利用Canny算子的支持向量機法，采用霍夫變換算法提取出裂縫邊緣，但是該方法存在耗時長、誤差大的問題。曹艷玲等[12]提出基于特征分布和高斯混合模型的建筑墻體裂縫圖像識別方法，實現了對建筑墻體裂縫圖像的高精度識別。

綜合來看，目前裂縫識別的方法中用于模型訓練的數據集偏少，普適性缺乏驗證，限制了各種方法的進一步實用。有必要針對古舊建筑物的墻面開展進一步研究，在數據集方面進一步統一格式、擴充數據量，在裂縫識別模型方面采用更加智能的方法以保證識別方法的普適性。

1" 目標檢測智能算法類別

通過目標檢測智能算法的調研發現，主流的算法包括單階段法和兩階段法兩大類。單階段法的主要代表包括YOLO算法和SSD算法，其共同特點是在圖片上均勻地分布備選區域框，然后采用卷積神經網絡在各個框中提取特征，判斷待檢測對象是否存在，這里采用的備選區域框可以是不同大小、不同高寬比的矩形框；這類方法在備選區域框選擇上不需特別考慮，均勻分布即可，而將大量的計算留給各個備選區域框的計算判斷上。而兩階段法的代表包括R-CNN系列算法和RPN算法，其共同點是首先在圖片上產生一系列空間分布較為稀疏的備選目標區域框，然后對各個備選目標區域框逐一判斷是否有待檢測的目標，計算分類概率；這類方法的核心在于需要能夠比較準確地找到稀疏的備選目標區域框，一般通過啟發式方法進行搜索確定。2種方法各有優缺點，近年來都有重要的進展，其性能也在不斷提高。

SSD算法由于整個過程只需要一步，各個備選框中的計算代碼相同，執行效率高，因此目標檢測的速度快，適合于土木工程領域大量圖片的快速處理分析。因此，本文選擇單階段法中的SSD算法識別墻面裂縫。

2" SSD算法在墻面裂縫識別的應用

SSD法借鑒了Faster RCNN算法中的Anchor概念，采用所謂的先驗框檢測識別目標對象。在神經網絡結構中，該算法對經典的VGG16網絡進行修改，其中的全連接層6和全連接層7變為卷積層，同時加入基于特征金字塔的檢測方式，實現在不同尺度的特征圖上進行目標識別。

2.1" SSD算法特征

多尺度圖像特征。SSD算法采用多尺度的圖像特征描述，這樣可檢測大小不同（相對于整個圖面而言）的目標對象。如圖1所示，8×8特征圖劃分的單元數比4×4多，但是每個單元尺寸更小，因此8×8特征圖適合檢測較小對象，而4×4特征圖適合檢測較大的對象。

先驗框匹配。SSD算法首先將圖像分割為m×n（如8×8或4×4）特征圖單元，以每個單元的中心為基準，為每個單元配置大小和高寬比不同的一系列先驗框。如圖1所示，對于裂縫識別，此處每個單元有4個先驗框，分別是與單元一樣大、2個方向均略比單元大、某個方向略比單元大3種情況。然后將先驗框逐個與手動標記的裂縫位置框進行對比，按照一定規則尋找最為匹配的先驗框。注意，此處的每個先驗框包括5個參數：該框中是否有裂縫（0或者1），框的x坐標，框的y坐標，框在x方向的尺寸，框在y方向的尺寸。對于一個大小為m×n特征圖，共有m×n個單元，每個單元有4個先驗框，每個框有5個參數，那么總共有20 mn個參數，SSD需要采用20 mn個卷積核完成一張圖片的檢測。

2.2" 模型運用方法

在模型運用過程中，首先將圖像劃分為單元，并生成一系列預測框（與上述先驗框相似），然后計算該框中存在裂縫的概率，根據概率閾值排除掉不包括裂縫的預測框，此處取閾值為0.6較為合適，即預測概率低于0.6認為該框中不包括裂縫。對于保留下來的預測框，根據其所在的單元位置，還原回原圖片中的相應位置即可。接下來，根據各個框中存在裂縫的概率進行排序，選擇概率高的一部分預測框呈現出來。最后，由于裂縫是線性分布的，可能存在大量預測框重疊量較大的情況，此時采用NMS算法去除掉重疊度較大的預測框，最后得到預測結果，整個流程如圖2所示。

2.3" 數據集與樣本

本研究采集了大量現場墻面裂縫的圖像，為提高模型的泛化能力，采集的圖像中還包括多種干擾元素，如植物、粉刷痕跡、濕跡、踢腳線、墻角、貼面磚、門洞、金屬支架和水管等。訓練的目標檢測智能模型應該不將這些干擾元素識別為裂縫。此外，為擴展數據集，還采用數據擴增技術，主要有水平翻轉圖像、隨機增加顏色扭曲、傾斜裁剪和圖像分割等。最終數據集總數為3 200張圖片，60%用于訓練集，20%用于驗證集，20%用于測試集。典型的圖像如同3所示，圖中還包括采用LabelImg工具手動標注的裂縫位置。

本研究要處理的是土木工程中早期開裂的墻體結構，此時墻體的裂縫一般較少。SSD算法中采用的均勻密集采樣帶來一個弊端，那就是在構建訓練集時，圖像中大量的矩形子區域是沒有裂縫的，而只有少量矩形子區域有裂縫分布，這就使得正樣本（包含裂縫）與負樣本（不包含裂縫）的比例不均衡。根據這種樣本集訓練得到的模型準確度較低。解決方法是減少負樣本的數量，一般負樣本與正樣本的比例在3∶1較為合適。

3" 老舊建筑墻面裂縫識別結果

SSD模型中有大量超參數，對墻面裂縫的識別結果有一定影響。以下結合圖4中的裂縫識別介紹超參數的影響規律。圖4（a）中的墻面有3道主要沿縱向延伸的裂縫。圖4（b）為單元少時識別結果，可以看到，各個預測框給出了裂隙的分布范圍，每個預測框中都有裂縫存在，表明SSD算法的確能成功找到存在裂縫的區域。當進一步減小SSD算法中的單元尺寸（即相應增加了單元的數量），識別結果如圖4（c）所示，圖中各個預測框的尺寸都比圖4（b）中小，因而對裂縫的位置定位更加準確。采用與圖4（c）相同的參數，但是增加保留的預測框的數量（降低裂縫識別閾值或降低預測框重疊量檢測篩除標準），則可得到如圖4（d）所示的更多預測框，各框之間重疊量大，但并未增加對裂縫識別的準確度，反而增加了運算量。因而，選擇合適的超參數是保證識別準確、降低運算與數據存儲量的關鍵。

4" 結論

介紹了SSD算法的主要特點，該算法實現了對墻面裂縫識別的應用，采用大量實際墻面裂縫圖像數據集對算法模型進行了訓練，獲得了滿意的識別效果。模型超參數只對識別出的裂縫的位置準確性有一定影響，但對裂縫數量、發展路徑等信息能準確反映。

參考文獻：

[1] 單仁亮，張苗，周浩亮，等.緊鄰古建筑的深基坑支護理論與實踐[J].工程建設與設計，2014（1）：145-147.

[2] 湯恒思，劉凱仁，郭光遠.淤泥地質中沉降開裂的古建筑加固設計與施工[J].建筑施工，2016，38（4）：487-488.

[3] 龔迪快，吳才德，曾婕，等.軟土深基坑開挖對孤島型古建筑的保護實例[J].建筑結構，2016，46（8）：95-99.

[4] 陳甦，李文峰，周俊杰，等.軌道交通引起的地表沉降及對周邊古建筑影響研究[J].地下空間與工程學報，2017，13（S1）：378-386.

[5] 何山，張世華，張曉樂，等.軟土區受地鐵基坑開挖影響的古建筑沉降預測研究[J].路基工程，2015（4）：114-119.

[6] 賀美德，劉軍，樂貴平，等.盾構隧道近距離側穿高層建筑的影響研究[J].巖石力學與工程學報，2010，29（3）：604-608.

[7] 張恒，陳壽根，鄧希肥.盾構法施工對地表及橋梁樁基的影響分析[J].地下空間與工程學報，2011，7（3）：552-556.

[8] 張在明，韓煊.城市隧道施工引起建筑變形的損壞評估[J].土木工程學報，2011，44（5）：123-130.

[9] 張永梅，季艷，馬禮，等.遙感圖像建筑物識別及變化檢測方法[J].電子學報，2014，29（4）：653-657.

[10] 游應德，李成大.一種邊界梯度組合的圖像識別技術與分割方法[J].湘潭大學自然科學學報，2014，36（2）：99-103.

[11] 龐廣樺，紀壽慶，王陽萍.基于霍夫變換的全景圖中建筑物識別方法[J].蘭州交通大學學報，2014，30（6）：6-10．

[12] 曹艷玲，袁義宏.基于特征分布的建筑墻體裂縫圖像識別方法[J].沈陽工業大學學報，2018，40（2）：117-122.