基于航拍圖像與改進(jìn)U-Net 的建筑外墻裂縫檢測方法

劉少華 ,任宜春 ,鄭智雄 ,牛孜飏

（1.長沙理工大學(xué) 土木工程學(xué)院，長沙 410114；2.中國建筑第五工程局有限公司，長沙 410007）

建筑外墻裂縫會使帶腐蝕性的雨水滲入墻體，導(dǎo)致墻體涂料與防水材料等發(fā)霉、剝落，不僅影響建筑美觀，甚至銹蝕墻內(nèi)鋼筋等材料，破壞墻體結(jié)構(gòu)，帶來安全隱患。準(zhǔn)確檢測出裂縫位置，可以為制定有效的維護(hù)方案提供依據(jù)。目前，建筑外墻裂縫主要采用人工檢測，這是一種高空作業(yè)，不僅危險(xiǎn)，而且檢測效率和精度都很低。如何安全、高效地檢測建筑外墻裂縫成為亟須解決的問題。

計(jì)算機(jī)視覺為裂縫檢測提供了一種非接觸式的檢測技術(shù)[1]，包括圖像處理和深度學(xué)習(xí)兩類方法。基于圖像處理的裂縫檢測方法根據(jù)裂縫的紋理和邊緣等特征，人為設(shè)計(jì)裂縫檢測的依據(jù)，實(shí)現(xiàn)裂縫檢測[2]。這種方法夠在特定的數(shù)據(jù)集上取得良好的檢測效果，但是裂縫的檢測精度不高，且需要針對特定的圖像設(shè)計(jì)專門的裂縫檢測算法。近年來，基于深度學(xué)習(xí)的方法在裂縫檢測領(lǐng)域取得了顯著的成果，根據(jù)裂縫檢測方式的不同可將其分為3 類：圖像分類、目標(biāo)檢測與語義分割。基于圖像分類[3]與目標(biāo)檢測[4]的裂縫檢測方式，只能識別并定位裂縫，不能在像素級別上標(biāo)記裂縫，從而無法獲得裂縫形狀信息；基于語義分割的裂縫檢測方法是對圖像中的每個(gè)像素點(diǎn)進(jìn)行分類，能將裂縫像素準(zhǔn)確標(biāo)記出來，既可以檢測有無裂縫，又能得到裂縫的位置、形狀等信息[5]。經(jīng)典語義分割模型 U-Net[6]、DeepLabv3+[7]、PSPNet[8]及其改進(jìn)模型在橋梁、路面及隧道等領(lǐng)域的裂縫檢測中得到廣泛應(yīng)用。李良福等[9]提出了改進(jìn)的PSPNet 模型，解決了橋梁裂縫分割細(xì)節(jié)信息丟失的問題；Li 等[10]提出了一種可訓(xùn)練的上下文編碼網(wǎng)絡(luò)，實(shí)現(xiàn)了復(fù)雜條件下橋梁裂縫的檢測；曹錦綱等[11]提出了一種基于注意力機(jī)制的網(wǎng)絡(luò)，實(shí)現(xiàn)了自動(dòng)準(zhǔn)確地路面裂縫檢測；Nguyen等[12]提出了一種兩級卷積神經(jīng)網(wǎng)絡(luò)來處理含噪聲和低質(zhì)量的道路圖像；孟慶成等[13]用改進(jìn)的MobileNet_v2 替換U-Net 編碼器，實(shí)現(xiàn)了對混凝土裂縫的實(shí)時(shí)檢測；Dang 等[14]提出了改進(jìn)的U-Net 模型，在滿足裂縫分割性能要求的基礎(chǔ)上支持裂縫自動(dòng)測量。上述模型在裂縫檢測中的成功應(yīng)用，表明深度學(xué)習(xí)方法在裂縫檢測領(lǐng)域具有廣闊的應(yīng)用前景。

建筑外墻裂縫與橋梁、路面等混凝土裂縫擁有共同特征，然而建筑外墻因其材料多樣性，且墻體包含復(fù)雜建筑構(gòu)件，導(dǎo)致建筑外墻裂縫圖像背景更加復(fù)雜，存在更多的背景噪聲。因此，有必要為建筑外墻裂縫檢測針對性地設(shè)計(jì)一個(gè)深度學(xué)習(xí)模型。基于深度學(xué)習(xí)的裂縫檢測方法在訓(xùn)練和預(yù)測階段都依賴原始圖像數(shù)據(jù)，人工采集大型建筑的外墻圖像需高空作業(yè)，存在安全隱患大、效率低等問題。近年來，無人機(jī)技術(shù)取得快速發(fā)展，無人機(jī)搭載傳感器為高空采集圖像提供了一種安全且高效的方式，在抗震救災(zāi)、農(nóng)業(yè)植保等領(lǐng)域得到廣泛應(yīng)用[15]。筆者使用無人機(jī)航拍采集建筑外墻圖像，并根據(jù)裂縫圖像特征設(shè)計(jì)了改進(jìn)的U-Net 模型用于裂縫檢測。

1 裂縫數(shù)據(jù)集構(gòu)建

1.1 圖像采集與處理

圖像采集包括裂縫數(shù)據(jù)集構(gòu)建和裂縫檢測兩個(gè)階段。在構(gòu)建數(shù)據(jù)集時(shí)，為了保證訓(xùn)練后模型的魯棒性，需要廣泛采集各類型建筑外墻圖像，包括不同光照條件、不同拍攝角度及不同航拍間距等。在裂縫檢測階段，需要根據(jù)裂縫檢測精度要求來設(shè)計(jì)圖像采集方案，規(guī)劃采集路線、航拍間距等以確定裂縫位置及圖像像素比例尺，從而指導(dǎo)裂縫修復(fù)與建筑維護(hù)。

廣泛采集原始建筑外墻圖像以構(gòu)建建筑外墻裂縫數(shù)據(jù)集。共得到建筑外墻裂縫圖像566 張，分辨率大小為8 000×6 000。由于采集的圖像分辨率過大，不利于模型訓(xùn)練，且裁剪后的裂縫圖像細(xì)節(jié)信息更加豐富，于是對圖像進(jìn)行裁剪。利用滑動(dòng)窗口方法將原圖裁剪為512×512 大小的子圖，第1步：從圖像左上角開始，沿著自左向右、自上而下的順序依次裁剪，得到子圖165 張，保證子圖覆蓋原圖，避免信息丟失；第2 步：在圖像左下角7 488×5 488 范圍內(nèi)隨機(jī)選擇35 個(gè)點(diǎn)作為子圖左下角進(jìn)行裁剪，得到子圖35 張，用于信息補(bǔ)充。在完成所有圖像裁剪后，剔除非建筑外墻圖像及不含裂縫的背景圖像后共得到裂縫圖像3 862 張。

圖1 裂縫樣本Fig.1 Crack samples

為了確保模型的泛化性能和復(fù)雜背景下裂縫分割的魯棒性，必須保證裂縫圖像數(shù)據(jù)中裂縫樣本及圖像背景的多樣性和復(fù)雜度。無人機(jī)航拍包括不同天氣狀況、一天的不同時(shí)間段，因光照條件不同，得到明暗程度不同的裂縫圖像；裂縫圖像包含的裂縫類型全面，包括縱向、橫向、斜向、交叉及任意分布的裂縫圖像，且圖像背景豐富，包括不同材料建筑外墻下磚縫、門窗、排水管、陰影及雜物等背景，部分裂縫圖像如圖1 所示。

1.2 圖像標(biāo)注

為了保證數(shù)據(jù)集的可靠性，使用開源的分割任務(wù)標(biāo)注軟件labelme 對裂縫進(jìn)行人工標(biāo)注。首先，沿著裂縫邊緣逐點(diǎn)勾勒出裂縫的輪廓，生成一個(gè)包含裂縫位置坐標(biāo)的json 文件，然后用python 代碼將其轉(zhuǎn)化為可供計(jì)算機(jī)學(xué)習(xí)的二值圖像，標(biāo)記結(jié)果如圖2 所示。

圖2 裂縫標(biāo)注Fig.2 Crack labeling

在完成裂縫數(shù)據(jù)集構(gòu)建后，按照8∶1∶1 的比例將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測試集，其中訓(xùn)練集3 102 張，驗(yàn)證集與測試集各380 張。

2 研究方法

2.1 U-Net 模型

U-Net 是在全卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上提出用于醫(yī)學(xué)圖像分割的網(wǎng)絡(luò)模型。該模型是一個(gè)對稱編解碼結(jié)構(gòu)，包括編碼器、解碼器兩個(gè)部分。其獨(dú)特之處在于將編碼器中低分辨率特征圖通過跳躍連接直接拼接到對應(yīng)解碼器上采樣生成的特征圖，從而有效融合淺層紋理特征和深層語義特征，有利于圖像分割。

編碼器是由兩個(gè)無填充的3×3 卷積重復(fù)應(yīng)用組成，每一個(gè)卷積后面有一個(gè)ReLU 激活函數(shù)，兩次卷積之后有一個(gè)2×2 最大池化，用于下采樣。編碼器一共包含4 個(gè)下采樣，每一個(gè)下采樣中，將特征通道的數(shù)量增加一倍，特征圖大小減為一半。編碼器主要負(fù)責(zé)提取輸入圖像的特征信息，并將多個(gè)尺度的特征圖傳入解碼器。

解碼器是模型的加強(qiáng)特征提取網(wǎng)絡(luò)，利用轉(zhuǎn)置卷積對主干網(wǎng)絡(luò)獲取的5 個(gè)初步有效特征層進(jìn)行上采用，并進(jìn)行特征融合，最終得到一個(gè)融合了所有特征的有效特征層。

2.2 改進(jìn)的U-Net 模型

研究表明：U-Net 模型存在細(xì)長裂縫分割不連續(xù)、復(fù)雜背景下裂縫漏檢及背景誤檢的問題。分析其可能原因?yàn)椋?）裂縫圖像正負(fù)樣本分布不均對模型性能造成影響；2）模型特征提取能力不足導(dǎo)致裂縫漏檢及誤檢；3）缺少獲取多尺度信息的能力導(dǎo)致裂縫分割不連續(xù)及背景誤檢。在分析原因基礎(chǔ)上提出了基于U-Net 的改進(jìn)模型，相對于原模型做出了3 點(diǎn)具有針對性的改進(jìn)：1）使用改進(jìn)的損失函數(shù)處理裂縫圖像正負(fù)樣本分布極度不均衡的問題；2）使用預(yù)訓(xùn)練的ResNet50 網(wǎng)絡(luò)替換原模型的編碼網(wǎng)絡(luò)，以提升模型特征表達(dá)能力；3）添加改進(jìn)的ASPP 模塊，獲取多尺度上下文信息。網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示。

圖3 改進(jìn)的U-Net 模型Fig.3 Improved U-Net model

2.2.1 殘差神經(jīng)網(wǎng)絡(luò)

理論上，神經(jīng)網(wǎng)絡(luò)的層數(shù)越多即深度學(xué)習(xí)模型越深，網(wǎng)絡(luò)的特征表達(dá)能力越強(qiáng)。但神經(jīng)網(wǎng)絡(luò)達(dá)到一定深度時(shí)，繼續(xù)加深會因?yàn)榉聪騻鞑ミ^程梯度消失導(dǎo)致模型性能變得更差。為了解決這個(gè)問題，He等[16]提出了用跳躍連接解決網(wǎng)絡(luò)加深造成梯度消失的殘差神經(jīng)網(wǎng)絡(luò)（ResNet），包括Conv Block 和Identity Block 兩個(gè)基本模塊，Conv Block 改變網(wǎng)絡(luò)的維度，用來調(diào)整特征圖大小和層數(shù)；Identity Block不改變網(wǎng)絡(luò)維度，用來加深網(wǎng)絡(luò)，結(jié)構(gòu)如圖4 所示。

圖4 殘差模塊Fig.4 Residual Module

基于深度學(xué)習(xí)的方法對建筑外墻裂縫圖像分割，然而裂縫的標(biāo)注難度較大，自制大型數(shù)據(jù)集成本太高且不實(shí)際，為了克服深度學(xué)習(xí)方法依賴大量訓(xùn)練樣本的問題，引入遷移學(xué)習(xí)方法。基于特征提取的遷移，用ImageNet 數(shù)據(jù)集上預(yù)訓(xùn)練好的深度殘差網(wǎng)絡(luò)（刪除最后的平均池化層、全連接層和softmax 層），替換U-Net 網(wǎng)絡(luò)原來由兩層卷積加一層池化組成的編碼網(wǎng)絡(luò)。

2.2.2 ASPP 模塊

受空間金字塔池化（Spatial Pyramid Pooling,SPP）模塊[8]啟發(fā)，Chen 等[7]提出了ASPP 模塊，結(jié)構(gòu)如圖5 所示。

圖5 ASPP 模塊Fig.5 ASPP module

采用并行的多個(gè)具有不同擴(kuò)張率的擴(kuò)張卷積，每個(gè)分支使用不同擴(kuò)張率單獨(dú)進(jìn)行圖像特征提取，并將各分支提取特征進(jìn)行融合，從而提取得到多尺度的圖像信息。該模塊可以有效避免局部信息丟失，增加遠(yuǎn)距離信息的相關(guān)性。

擴(kuò)張卷積是在普通卷積中增加“空洞”來擴(kuò)大感受野的卷積，相對于普通卷積增加了“擴(kuò)張率”這個(gè)超參數(shù)。通過設(shè)置擴(kuò)張率的大小，可以實(shí)現(xiàn)相同參數(shù)量和計(jì)算量下更大的感受野。如圖6 所示，擴(kuò)張率為2 的3×3 卷積核與普通3×3 卷積核相比，感受野由3×3 擴(kuò)大為5×5。

圖6 感受野對比圖Fig.6 Comparison of receptive field

值得注意的是，組合擴(kuò)張卷積的擴(kuò)張率設(shè)置不當(dāng)會產(chǎn)生“網(wǎng)格效應(yīng)”。當(dāng)卷積核大小為3×3，組合擴(kuò)張率設(shè)為[2,2,2]時(shí)，像素利用情況如圖7（a）所示（數(shù)字表示像素利用次數(shù)），此時(shí)，大量像素未被利用（數(shù)字0 處），產(chǎn)生了“網(wǎng)格效應(yīng)”；組合擴(kuò)張率設(shè)為[1,2,3]時(shí)，像素利用情況如圖7（b）所示，此時(shí)像素利用全面，未產(chǎn)生“網(wǎng)格效應(yīng)”。

圖7 像素利用情況Fig.7 Pixel utilization

Wang 等[17]提出了混合擴(kuò)張卷積（Hybrid Dilated Convolution,HDC）理論，用于解決“網(wǎng)格效應(yīng)”問題。假設(shè)有n個(gè)卷積核大小為k×k，擴(kuò)張率為[r1…ri…rn]的擴(kuò)張卷積，定義兩個(gè)非零值之間的距離為

式中：Mn=rn，M2≤k。另外，還需保證擴(kuò)張率的最大公約數(shù)為不能大于1。

由于裂縫呈線性分布的特點(diǎn)，既有小目標(biāo)物體的特點(diǎn)又有大目標(biāo)物體的特點(diǎn)，且裂縫圖像含有多尺度背景噪聲。原U-Net 模型對細(xì)長裂縫預(yù)測存在分割不連續(xù)及背景噪聲誤檢的問題。

為了解決上述問題，在模型編解碼之間添加ASPP 模塊。ASPP 模塊擴(kuò)張率設(shè)計(jì)基于HDC 理論，并借鑒DeepLabv3+中ASPP 模塊結(jié)構(gòu)。設(shè)計(jì)了擴(kuò)張率分別為[2,3,5]、[2,3,7]、[2,3,9]、[2,3,12]的ASPP 模塊進(jìn)行消融實(shí)驗(yàn)。

2.2.3 損失函數(shù)

在建筑外墻裂縫圖像中，裂縫像素所占比例極小，約為1.5%～4%，造成正（裂縫）負(fù)（背景）樣本分布極度不均衡，且樣本中存在大量易分類的負(fù)樣本。研究發(fā)現(xiàn)，經(jīng)典的二分類損失函數(shù)在裂縫圖像語義分割模型中，易分類的負(fù)樣本會對損失起主要貢獻(xiàn)作用，導(dǎo)致模型對裂縫特征的學(xué)習(xí)被抑制，模型的性能和優(yōu)化方向不穩(wěn)定。

為了解決現(xiàn)有損失函數(shù)在裂縫分割模型中的不足，提出使用Dice Loss[18]作為正則項(xiàng)與Focal Loss[19]結(jié)合的新?lián)p失函數(shù)（FD Loss），如式（2）所示。

式中：w為數(shù)量級校正因子，保證兩者處在相同數(shù)量級上。

Focal Loss 是基于二分類交叉熵?fù)p失函數(shù)改進(jìn)而來的處理正負(fù)樣本分布不均，并讓模型在訓(xùn)練時(shí)更專注于難分類樣本的損失函數(shù)，如式（3）所示。

式中：N為像素點(diǎn)總數(shù)；與y分別表 示第n個(gè)像素的預(yù)測值與真實(shí)值，通過設(shè)置α來控制正負(fù)樣本對總損失的共享權(quán)重；通過設(shè)置γ來減少易分類樣本的權(quán)重，使模型在訓(xùn)練時(shí)更專注于難分類的樣本，本文α設(shè)為0.25、γ設(shè)為2。

Dice Loss 源于Dice 系數(shù)，可以緩解正負(fù)樣本在數(shù)量上不平衡的問題，并優(yōu)化F1_score，如式（4）所示。

式中：N為像素點(diǎn)總數(shù)；與y分別表 示第n個(gè)像素的預(yù)測值與真實(shí)值；|·|表示其參數(shù)的所有矩陣元素的和；∩表示逐個(gè)元素的乘法運(yùn)算。

3 實(shí)驗(yàn)設(shè)計(jì)與分析

實(shí)驗(yàn)環(huán)境配置如表1 所示。

表1 實(shí)驗(yàn)環(huán)境配置Table 1 Experimental environment configuration

模型訓(xùn)練100 個(gè)epoch，前50 個(gè)epoch 凍 結(jié)編碼器，對解碼器進(jìn)行訓(xùn)練。這樣可以避免因?yàn)榫幋a器預(yù)訓(xùn)練權(quán)重與未訓(xùn)練的解碼器權(quán)重相差太大導(dǎo)致編碼器預(yù)訓(xùn)練權(quán)重被破壞，同時(shí)還可以加快模型訓(xùn)練速度。批大小設(shè)為16，初始學(xué)習(xí)率設(shè)為0.000 1。后50 個(gè)epoch 對整個(gè)模型進(jìn)行訓(xùn)練，批大小設(shè)為8，初始學(xué)習(xí)率設(shè)為0.000 01。各模型損失曲線與mIoU 曲線如圖8 所示。總體上，模型大約在85 個(gè)epoch 后達(dá)到收斂。

圖8 各模型損失曲線與mIoU 曲線Fig.8 Loss curve and mIoU curve of each model

3.1 評價(jià)指標(biāo)

對于二分類問題，在進(jìn)行結(jié)果評價(jià)時(shí)，可將樣例根據(jù)其真實(shí)類別與預(yù)測類別的組合劃分為真正例（TP）、假正例（FP）、真反例（TN）、假反例（FN）4種情形。

使用交并比（IoU）、精準(zhǔn)率（Precision）、召回率（Recall）和F1_score這4 個(gè)指標(biāo)，對網(wǎng)絡(luò)模型的分割性能進(jìn)行定量評估。

IoU 突出預(yù)測結(jié)果與標(biāo)簽的重合度，是常見的圖像分割評價(jià)指標(biāo)；Precision 突出預(yù)測結(jié)果中誤檢像素的比例；Recall 突出漏檢的比例；F1_score綜合考慮了Precision 與Recall，F(xiàn)1_score值越大代表模型性能越好。

3.2 實(shí)驗(yàn)分析

3.2.1 損失函數(shù)對比實(shí)驗(yàn)

分別使用Focal Loss、Dice Loss 以及FD Loss作為模型的損失函數(shù)，在自制數(shù)據(jù)集上訓(xùn)練，并在測試集上測試，得到實(shí)驗(yàn)結(jié)果如圖9 所示。

圖9 損失函數(shù)實(shí)驗(yàn)結(jié)果Fig.9 Experimental results of loss function

由圖9 可知，F(xiàn)ocal Loss 從局部進(jìn)行考察，其Precision 較高，Recall 相對較低；Dice Loss 從全局進(jìn)行考察，Recall 較高，Precision 較低。FD Loss 結(jié)合兩者共同優(yōu)化模型，引導(dǎo)模型更加注重對難分類的正（裂縫）樣本進(jìn)行學(xué)習(xí)，并提高預(yù)測裂縫區(qū)域與標(biāo)注裂縫區(qū)域的重合度。相較于單獨(dú)使用Focal Loss和Dice Loss，F(xiàn)D Loss 在裂縫數(shù)據(jù)上表現(xiàn)出更優(yōu)異的效果，且訓(xùn)練過程更加穩(wěn)定。

3.2.2 編碼網(wǎng)絡(luò)對比實(shí)驗(yàn)

在U-Net 模型基礎(chǔ)上，將模型編碼網(wǎng)絡(luò)分別替換為預(yù)訓(xùn)練的ResNet18、ResNet34、ResNet50 及ResNet101 進(jìn)行實(shí)驗(yàn)（模型使用FD Loss 作為損失函數(shù)），實(shí)驗(yàn)結(jié)果如表2 所示。

表2 編碼網(wǎng)絡(luò)實(shí)驗(yàn)結(jié)果Table 2 Experimental results of encoder

由表2 可知，隨著編碼網(wǎng)絡(luò)的加深，各評價(jià)指標(biāo)都逐步提升，說明加深編碼網(wǎng)絡(luò)提高了模型特征提取能力，模型對裂縫的分割性能得到優(yōu)化；然而編碼網(wǎng)絡(luò)使用ResNet101 時(shí)，各評價(jià)指標(biāo)反而大幅下降，說明此時(shí)的模型復(fù)雜度與數(shù)據(jù)集大小及裂縫的分割難度不匹配，模型出現(xiàn)了過擬合現(xiàn)象。選擇ResNet50 作為遷移網(wǎng)絡(luò)，在增強(qiáng)模型特征提取能力的同時(shí)避免網(wǎng)絡(luò)過深導(dǎo)致模型與分割任務(wù)復(fù)雜度不匹配，造成過擬合。

3.2.3 ASPP 模塊擴(kuò)張率對比實(shí)驗(yàn)

在U-Net 模型基礎(chǔ)上，分別在編解碼網(wǎng)絡(luò)間添加3 種不同擴(kuò)張率的ASPP 模塊進(jìn)行實(shí)驗(yàn)（模型使用FD Loss 作為損失函數(shù)），實(shí)驗(yàn)結(jié)果如表3 所示。

表3 擴(kuò)張率實(shí)驗(yàn)結(jié)果Table 3 Experimental results of dilated rate

由表3 可知，為了避免“網(wǎng)格效應(yīng)”，根據(jù)HDC理論設(shè)計(jì)的ASPP 模塊為兩個(gè)較小擴(kuò)張率加一個(gè)較大擴(kuò)張率的組合，隨著較大擴(kuò)張率由5、7、9 逐漸增大時(shí)，各項(xiàng)評價(jià)指標(biāo)均逐漸上升，說明組合的較大擴(kuò)張率增大有助于提升模型的裂縫分割性能。當(dāng)擴(kuò)張率設(shè)置為[2,3,12]時(shí)，評價(jià)指標(biāo)反而減小。這是因?yàn)槠銶2=6＞3，不滿足HDC 理論，導(dǎo)致模型性能下降。當(dāng)擴(kuò)張率設(shè)為[2,3,9]時(shí)，各項(xiàng)評價(jià)指標(biāo)均達(dá)到最高，模型分割性能最優(yōu)。基于此，改進(jìn)的ASPP 模塊選擇擴(kuò)張率為[2,3,9]的一組擴(kuò)張卷積，結(jié)構(gòu)如圖10 所示。

圖10 改進(jìn)的ASPP 模塊Fig.10 Improved ASPP module

改進(jìn)的ASPP 模塊首先使用一個(gè)1×1 的普通卷積作為第1 層，保留原特征圖以補(bǔ)充空間信息；然后使用擴(kuò)張率為[2,3,9]的擴(kuò)張卷積作為2 到4 層，提取多尺度物體的特征；最后使用全局平均池化作為第5 層，獲取全局特征。

3.2.4 消融實(shí)驗(yàn)

為了驗(yàn)證改進(jìn)策略對提高模型分割性能的有效性，在自制數(shù)據(jù)集上進(jìn)行消融實(shí)驗(yàn)。分別驗(yàn)證進(jìn)行遷移學(xué)習(xí)、添加改進(jìn)的ASPP 模塊以及二者組合對模型分割效果的影響（模型都使用FD Loss 作為損失函數(shù)），實(shí)驗(yàn)結(jié)果如表4 所示。

表4 消融實(shí)驗(yàn)結(jié)果Table 4 Ablation experimental results

比較實(shí)驗(yàn)結(jié)果可知，在改進(jìn)損失函數(shù)的基礎(chǔ)上用ResNet50 替換編碼網(wǎng)絡(luò)，Recall 提升了6.78%，同時(shí)IoU、Precision 和F1_score 都有相應(yīng)的提升，說明引入遷移學(xué)習(xí)的U-Net 模型可以提取更豐富的裂縫特征，減少了部分裂縫不能被準(zhǔn)確分割的狀況；在改進(jìn)損失函數(shù)的基礎(chǔ)上添加改進(jìn)的ASPP 模塊，Precision 提升了2.72%，同時(shí)IoU、Recall 和F1_score都有相應(yīng)的提升，說明改進(jìn)的ASPP 模塊獲取多尺度上下文信息的能力在U-Net 模型中得到利用，降低了將背景誤檢為裂縫的狀況，保證了裂縫分割的連續(xù)性；改進(jìn)的U-Net 模型是在改進(jìn)損失函數(shù)的基礎(chǔ)上引入遷移學(xué)習(xí)方法并加入改進(jìn)的ASPP 模塊，與單個(gè)改進(jìn)策略相比，以上評價(jià)指標(biāo)都有一定的提升，說明用ResNet50 替代編碼網(wǎng)絡(luò)與添加改進(jìn)的ASPP 模塊可以共同優(yōu)化模型，并提升模型性能。與原模型相比，IoU 指標(biāo)和F1_score 分別提升了3.53%、4.18%，說明所提改進(jìn)策略有效提升了模型的裂縫分割性能。

3.2.5 經(jīng)典語義分割模型對比

為了驗(yàn)證改進(jìn)模型的先進(jìn)性和魯棒性，在自制建筑外墻裂縫數(shù)據(jù)集上復(fù)現(xiàn)了經(jīng)典語義分割模型U-Net、DeepLabv3+及PSPNet，并與模型進(jìn)行對比。為了確保實(shí)驗(yàn)有效性，各模型在相同實(shí)驗(yàn)參數(shù)下進(jìn)行訓(xùn)練。通過評價(jià)指標(biāo)與分割結(jié)果進(jìn)行定性與定量地對比模型性能。不同模型在建筑外墻裂縫數(shù)據(jù)集上實(shí)驗(yàn)結(jié)果如表5 所示。

表5 模型對比結(jié)果Table 5 Model comparison results

由表5 可知，改進(jìn)的U-Net 模型各項(xiàng)評價(jià)指標(biāo)分別為69.06%、82.57%、86.3%、84.39%，均高于其他語義分割模型，說明模型對建筑外墻裂縫分割具有最優(yōu)的性能。

為了更直觀地對比經(jīng)典模型與本文模型對建筑外墻裂縫圖像的分割效果，選取3 張分別包含細(xì)長裂縫、任意分布裂縫及復(fù)雜背景噪聲的裂縫圖像進(jìn)行預(yù)測，得到各模型的分割結(jié)果如圖11 所示。

圖11 裂縫分割結(jié)果對比Fig.11 Crack segmentation results comparison

由圖11 可知，經(jīng)典語義分割模型在裂縫數(shù)據(jù)集上訓(xùn)練后均能進(jìn)行裂縫分割，但由于原模型并非針對裂縫特征進(jìn)行設(shè)計(jì)，故裂縫分割效果較差，存在大量漏檢和誤檢的情況。對比經(jīng)典模型分割效果可知，U-Net 模型對裂縫的分割效果較理想，存在少量誤檢和漏檢的情況；Deeplabv3+模型對裂縫的分割效果較U-Net 要差，漏檢和誤檢情況更加明顯；PSPNet 模型對裂縫的分割效果較差，不僅分割粗糙，且存在大量漏檢和誤檢。與經(jīng)典模型相比，針對裂縫特征改進(jìn)的U-Net 模型對裂縫分割不僅準(zhǔn)確，而且分割精細(xì)，與標(biāo)簽圖像基本一致；與U-Net模型相比，改進(jìn)模型解決了原模型細(xì)長裂縫分割不連續(xù)、復(fù)雜背景下裂縫漏檢及背景誤檢的問題。

4 結(jié)論

針對建筑外墻裂縫人工檢測方法效率低、檢測效果和安全性差的問題，提出基于無人機(jī)航拍與計(jì)算機(jī)視覺的裂縫檢測方法。針對U-Net 模型存在的問題進(jìn)行改進(jìn)，并進(jìn)行對比實(shí)驗(yàn)，得出以下結(jié)論：

1）無人機(jī)靈活性強(qiáng)，可以繞建筑飛行并快速獲取高清的外墻圖像。在構(gòu)建裂縫數(shù)據(jù)集和建筑外墻裂縫定期檢測階段，可以使用無人機(jī)繞建筑航拍實(shí)現(xiàn)安全、高效地采集建筑外墻圖像。

2）提出了組合Focal Loss 與Dice Loss 的FD Loss，用于模型優(yōu)化。新?lián)p失函數(shù)具有更強(qiáng)的處理正負(fù)樣本分布不均的能力，保證了模型訓(xùn)練過程的穩(wěn)定性，并提高了模型對裂縫的分割性能。

3）所提改進(jìn)的U-Net 模型增強(qiáng)了模型編碼網(wǎng)絡(luò)的特征提取能力，以及模型獲取多尺度上下文信息的能力，解決了原模型細(xì)長裂縫分割不連續(xù)、復(fù)雜背景下裂縫漏檢及背景誤檢的問題，IoU 指標(biāo)和F1_score 分別提升了3.53%、4.18%。實(shí)驗(yàn)表明，改進(jìn)的U-Net 模型可以對復(fù)雜背景下的裂縫進(jìn)行準(zhǔn)確識別，具有較強(qiáng)的魯棒性。

4）所提基于無人機(jī)航拍與計(jì)算機(jī)視覺的建筑外墻裂縫檢測方法，使用無人機(jī)獲取裂縫圖像，并利用改進(jìn)的U-Net 模型對裂縫進(jìn)行檢測。該方法解決了傳統(tǒng)建筑外墻裂縫檢測方法需要人工高空作業(yè)帶來的安全問題，并提高了裂縫檢測的效率和精度。