一种基于深度学习的隧道衬砌病害检测技术

胡利娜

(山西欣奥特自动化工程有限公司，山西 太原 030012)

1 介绍

随着使用年限的增长，包括隧道、桥梁、水坝和摩天大楼在内的民用基础设施越来越容易失去其设计功能。这个不可避免的过程意味着存在紧急维护的问题。尽管这种担忧促使人们定期检查基础设施的结构安全，但由于人力资源有限，现场检查仍需要关闭基础设施系统或建筑结构来对它们进行诊断。因此，许多研究小组提出了结构健康监测(SHM)技术[1]。尽管许多项目已经实施了大规模的SHM以覆盖大型结构，但是这些项目需要装备密集的仪器，集成来自分布式源的数据，以及补偿需要环境影响。最后，在检查传感系统和结构，确认收集的数据是否实际上指示结构损坏，感觉系统故障，噪声信号等方面是有一定难度的。

现在，许多类型的人工神经网络(ANN)已经开发并适用于科研和工业领域，尤其是卷积神经网络(CNN)已经在图像识别中取得一定的成果。CNN可以有效地捕获图像的网格状拓扑，并且由于稀疏连接的神经元和池化过程，它们无需过多的计算力。此外，CNN能够区分更多的类别,这些方面使CNN成为有效的图像识别方法。

在本研究中，我们使用CNN构建分类器，用于检测图像中的隧道衬砌病害。基于CNN的隧道衬砌病害检测的主要优点与传统方法相比，它不需要特征提取和计算。

2 总体架构

本节对我们提出的框架的总体架构进行了总结。图1展示了该架构的一般流程，包括训练步骤(实线)和测试步骤(虚线)。为了训练CNN分类器，使用线阵相机阵列从复杂的地铁隧道中获取具有各种图像变化的衬砌表面的原始图像，包括能够触发错误警报的照明，阴影等。本文中裂缝的定义是能够通过肉眼在图像中进行辨别的长条状病害。训练样本使用的一些图像包含裂缝。

图1 衬砌病害检测的流程图

这些图像被手动注释为裂缝或正常以生成训练样本集。从样本集中，随机选择小的裁剪图像以生成训练和验证集。将准备好的训练图像集输入CNN以构建CNN分类器，用于从验证集中分离裂缝与正常的具体图像。当通过样本集中的验证图像集验证CNN分类器时，由验证的分类器拍摄并扫描55个附加具体图像以生成裂缝损坏的报告。

3 技术方案

3.1 总体架构

图2展示了CNN网络的架构，它是隧道衬砌病害检测的原始配置。第一层是256×256×3的3个通道的输入层，其中每个维度分别指示高度，宽度和通道(例如，红色，绿色和蓝色)。输入数据逐层通过卷积网络，并在L5处将空间尺寸减小到1×1×96。包含96个元素的向量被送入线性整流单元(ReLU)层。最后，softmax层预测在的卷积之后每个输入数据是病害的或是完整的隧道衬砌表面。网络中还使用不能可视化的批归一化(Batch Normalization)和Dropout层。BN层位于L1，L3和L5之后，并且Dropout位于L5的BN层之后。

图2 网络结构

3.2 卷积层

卷积层在整个输入张量中执行以下三个操作。首先，它在输入张量的小范围内和感知器之间执行逐个元素的乘法(即点积)。感知器通常也称为滤波器或卷积核。通常随机生成感知器的初始权重值。偏差可以根据网络的配置以多种方式设置。使用随机梯度下降(SGD)算法在训练中调整这两个值。子矩阵的大小始终等于感知器的大小，但感知器始终小于输入矩阵。其次，将相乘的值相加，并将偏差加到求和值上。该层的另一个超参数是步幅。步幅定义了一定数量的感知器的列和行(像素)在输入矩阵的宽度和高度上一次滑动。较大的步幅尺寸导致较少的感知器应用和较小的输出尺寸，这也降低了计算成本，但它也可能失去输入数据的特征[2]。

3.3 池化层

CNN的另一个关键方面是池化层，它减小了输入阵列的空间大小。此过程通常定义为下采样。有两种不同的池选项。最大池化从输入数组的子数组中获取最大值，而平均池化则获取平均值[3]。图3显示了步长为2的池化方法，其中池化层输出大小通过图中的等式计算。有研究表明图像数据集中的最大池化性能优于平均池化[4]。本文验证了具有最大池化层的体系结构优于具有平均池化层的体系结构。因此本研究的所有汇集层都是最大池化层。

图3 池化层的计算过程

3.4 激活层

在标准ANN中ReLU被引入作为非线性激活函数，ReLU除了其负输入值之外没有有界输出，直觉上，ReLU的梯度始终为零和1。与使用典型的非线性S形函数相比，这些特征有助于更快的计算，并实现更好的精度。

3.5 辅助层

过拟合一直是机器学习领域的一个长期问题，为了解决这个问题，我们使用了Dropout层。训练具有大量神经元的网络通常会由于复杂的共同作用而导致过拟合。Dropout的主要思想是以一定的Dropout率随机断开连接层神经元之间的连接。因此，网络可以通过减少这些被丢弃的神经元来更有效地概括训练样本。

3.6 Softmax层

(1)

4 测试图像和讨论

4.1 测试经过培训和验证的CNN

为了检查上一节中经过训练和验证的CNN的性能，使用了55个未用于训练和验证过程的原始图像。这些图像来自一条混凝土隧道。获得的结果非常显著，正确率为97%，值得注意的是，即使使用完全不同的图像进行测试，经过训练和验证的CNN框架也显示出几乎相同的性能而不会降低精度。

4.2 比较研究

为了比较新裂缝检测方法与现有传统方法的性能，我们选择对比测试了两种最著名的传统方法Canny和Sobel边缘检测。使用正常的均匀照明，CNN提供了清晰的裂缝信息，虽然Sobel边缘检测提供了一些裂缝信息，但它没有提供任何有意义的信息。Canny检测方法没有提供关于具有高水平噪声的裂缝的有意义的信息。研究表明，Canny和Sobel边缘检测方法的性能在很大程度上取决于图像条件；相反，CNN不受图像条件的影响。

5 结论

我们提出的CNN在检测光照条件下的薄裂缝方面特别强大，这使得在使用传统方法时难以检测。该方法还显示出比传统方法更低的噪声水平，并且提供了原始图像结果，其允许区分噪声和误差。就一般的方法而言，CNN从大量训练数据中学习特征的能力是一个巨大的优势。然而，这也意味着CNN实现的方法需要大量训练数据来训练健壮的分类器。几乎所有基于视觉的方法的一个常见限制，包括IPT和CNN的实现，是由于摄影图像的性质而无法感知内部特征。未来，CNN将开发用于检测各种类型的表面损伤，如空隙，分层，剥落和混凝土和钢结构的腐蚀，以部分取代一年两次的目视检查，是目前最可靠的监测方法结构健康。这也将与自主无人机结合，以监测隧道衬砌结构的损坏。