深度学习技术在市政桥梁监测中的应用

冯星星

（西安市市政设施管理中心桥梁监测中心 陕西省西安市 710016）

1 前言

随着经济的迅速发展和城市化进程的加快，城市桥梁作为重要的交通基础设施，其安全抗害能力日益受到严峻考验。为提高桥梁承载能力，延长桥梁服役时间，我中心对市政辖区内的桥梁设施加大了经济、技术和管理方面的投入。市政桥梁监测工作始终贯彻“实体检测为主，信息技术为辅，融合发展”的方针，坚持“精心监测，有效防控，管理到位”的指导思想，建立日常巡查、定期检测、实时评估相结合的运营机制，为科学管理提供技术支持，同时建立统一领导、分工协作、快速应对的应急处置机制，将安全隐患危害降到最低，从而确保辖区桥梁的安全运营和畅通。

2 深度学习概述

随着以人工智能等为代表的新一代信息技术的发展，数字经济正成为推动我国经济发展的重要引擎。在这个发展速度惊人的经济背后，深度学习技术发挥着重要的作用。人工神经网络是人工智能领域重要的发展方向，而深度学习技术是人工神经网络的深化与拓展。深度学习是加深了层的深度神经网络。与神经网络相比，深度学习具有两点特征：其一，更少的网络参数数量，加深了层的网络可以用更少的参数达到同等水平（或更强）的表现力；其二，学习更加高效，通过加深层，可以将各层要学习的问题分解成容易解决的简单问题，从而进行高效的学习。

基于深度学习的市政桥梁监测业务应用系统模型包括有依赖关系的四层功能层和对系统建设有约束关系的三个支撑模块，如图1所示。

功能层包括：数据采集层、网络通信层、深度学习技术支撑层和应用层。其中数据采集层主要是各类数据采集模块，采集现场各类基础信息；网络通信层通过互联网、光纤骨干传输网、4G 接入网、Wi-Fi 等将采集到的数据与信息传回到技术支撑层；深度学习技术支撑层主要是通过对基础数据以及历史数据进行学习和推断，提供应用所需的各种服务和共享资源；应用层为市政桥梁监测人员提供应用和服务，辅助管理者进行养护规划和决策，提高基层作业人员完成各项检测业务的效率。

支撑模块包括：运行维护模块、信息安全模块和规范标准模块。运行维护模块为监测业务应用系统建设提供整体运维管理，确保系统安全、平稳地运行，及时定位和排除硬软件故障，保证监测业务顺利开展。信息安全模块主为系统构建统一的安全环境，设置身份认证，实行权限管理，严格控制对信息资源的访问，同时通过安全审计跟踪用户操作并记录日志。规范标准模块主要为市政桥梁监测业务应用系统建设提供统一技术标准和养护规范，便于共享、互联操作和扩展。

3 深度学习技术支撑层

图1

深度神经网络包括信号输入层、隐藏层和输出层。每一层隐藏层都由加权信号与偏置的和Affine 函数、激活函数组成。输出层则由Affine 函数、输出函数和交叉熵误差损失函数组成。输入层的输入数据分为三类，一是训练数据，用于学习；二是验证数据，用于超参数性能的评估；三是测试数据，用于评价模型进行学习的泛化能力，三种数据分别对应正确解标签。深度学习以损失函数为指标、梯度为线索寻找最优权重参数，这一寻找过程通过更新权重参数、减小损失函数的值实现，因此深度学习的实质是通过优化权重参数，使网络输出接近测试数据的正确解，不断缩小损失函数值的过程。

在这一过程中依次用到的关键技术包括：给权重参数赋Xavier初值、误差反向传播求梯度，Adam 更新权重参数，Dropout 抑制过拟合化，以及超参数的搜索取值等，构建深度神经网络的时间轴如图2 所示。

3.1 数据预处理与正规化

数据预处理是指将基础数据的原值范围整体偏移到范围[0.01,1.0]所进行的缩放和移位转换，而将基础数据限定到某个范围内的过程称为正规化。通过对基础数据进行预处理完成正规化，从而获得输入层的输入数据。

3.2 确定隐藏层数与神经元个数

通过实验试错找出能使深度神经网络识别精度达到最高的隐藏层数及每层的神经元数，为排除随机过程的影响，同时避免因运行错误而导致的网络在梯度下降过程中卡在一个局部最小值中，须进行多次实验。如果隐藏层数少或神经元数量太小，会限制神经网络的识别能力。随着层数和神经元个数的增加，识别精度获得提升的同时，计算速度变慢，一次实验的时间随之延长。增加一层隐藏层神经元意味着新增加到前后层每个神经元的链接，由此产生的额外计算使训练网络所用的时间显著增加，而识别精度仅得到微弱提升。因此，通过同时考虑识别精度与耗时的比值，确定最佳的隐藏层数与神经元个数。

图2

3.3 设定权重参数初始值

权重参数初始值的设定关系到深度神经网络的学习能否成功。为权重参数赋Xavier 初始值，能使各隐藏层激活函数值的分布具备适当广度，并且使损失函数值随着训练迭代明显减小，从而进行高效的学习。

3.4 激活函数、损失函数及其改良

隐藏层激活函数使用非线性函数，输出层函数使用分类函数，损失函数使用交叉熵误差。损失函数是表示深度神经网络分类性能“恶劣程度”的指标，即当前网络对测试数据在多大程度上不拟合。使性能的恶劣程度达到最小和使性能的优良程度达到最大是等价的。损失函数是以权重参数为变量的函数，因此能使损失函数达到最小值的权重参数即是最优参数。

批处理是指将所有训练数据随机打乱分批处理，把求单个输入数据的损失函数改良为求批数据的平均损失函数，使一批数据的平均损失函数与单个数据的损失函数等效，因此，分批处理训练数据能够减轻数据传输遇到瓶颈时总线的负荷，实现深度神经网络的高速运算。

3.5 误差反向传播求梯度

损失函数是关于权重参数的函数，对全部目标参数求数值微分，其值排列而成的向量称为权重参数的梯度。有两种方法可以求梯度，一种是误差反向传播求梯度，从最终的输出结果交叉熵误差开始反向传播，经过每一层隐藏层的激活函数及Affine 函数，最后求得每个权重参数的梯度。误差反向传播求梯度，高效但复杂，容易出错，因此需要数值微分求得的梯度值进行验证。如果两种方法求出的梯度绝对差值非常小，则证明误差反向传播法求出的梯度是正确的。

3.6 利用Adam更新权重参数

随机梯度下降法SGD 是早期更新权重参数的方法，相当低效，主要原因在于梯度的方向并没有指向损失函数最小值的方向。Momentum 和AdaGrad 两种方法都从一定程度上改正了SGD 的缺点。Adam 方法融合了Momentum 和AdaGrad 的优点，对学习率等超参数进行了“偏置校正”，使权重参数的更新路径呈延伸状，因此Adam 方法搜索最优权重参数的效率更高，能在大多数情况下实现参数空间的高效搜索。

3.7 利用Dropout方法抑制过拟合化

过拟合化是指只能拟合训练数据，但不能很好拟合除训练数据外的其他数据的状态。过拟合化发生的主要原因有两个：一是有大量的权重参数，二是训练数据不足。为提高深度神经网络识别分类的泛化能力，采用Dropout 方法抑制过拟合化现象，即通过设置删除比，随机的使部分隐藏层神经元不再参与信号的传递。使用Dropout 方法能有效减小训练数据和测试数据识别精度的差距。

3.8 验证超参数

超参数是指深度神经网络除权重参数外设置的参数，例如每批输入数据中所含数据的个数、学习率以及世代数等。超参数设置的值合适与否直接影响深度神经网络的识别分类性能。在10-6 到10-2 的范围内对学习率进行随机采样，通过不断缩小采样范围的实验获得学习率和世代数的最佳组合。

3.9 小结

本节阐述了深度学习技术支撑层运行基本原理、步骤与关键技术。对基础数据进行预处理和正规化，通过实验试错确定隐藏层层数和每层神经元数，构建加权信号与偏置和Affine 函数、激活函数、损失函数，并通过批处理对交叉熵误差函数进行改良，使用误差反向传播求梯度，对权重参数赋Xavier 初值，并通过Adam 更新权重参数，利用Dropout 抑制过拟合化，加强泛化，实验获取最佳学习率和世代数等超参数。

4 深度学习技术的应用场景

市政桥梁监测工作的重要性，使得深度学习技术的使用迫在眉睫。深度神经网络将历史数据或前端采集的基础数据进行分析、处理，经服务器应用转化并响应手机APP 需求的方式，使城市桥梁状况等级推断、大体积混凝土裂缝预警、桥梁交通量预测与分流提示、立交桥支座早期疲劳破坏诊断得以实现，并减少了大量的人力，使得市政桥梁监测更加有效、科学、便捷。

4.1 城市桥梁状况等级推断

随着城市交通的发展，城市桥梁的交通承载能力日益提高，对桥梁设施的管理提出了更高的要求，其中病害防范流程和手段进一步改善，在上级相关部门的正确决策和支持下，为充分发挥海量桥梁状况等级数据的价值，不断加大桥梁养护力度，提高养护水平，开发了城市桥梁状况等级推断系统。该系统对历年桥梁状况整体评价值BCI 和部件评价值BSI 进行深度学习，并将训练好的最佳权重参数保存在服务器的CSV 文件中。当市政桥梁监测人员通过手机APP 发回现场桥梁关键部位状况信息时，服务器调用CSV 文件，实时推断出桥梁状况等级，并结合桥梁养护规范给出分级养护建议，供市政桥梁养护部门参考。

4.2 城市桥梁大体积混凝土裂缝预警

针对城市桥梁大体积混凝土由于温度变化、不均匀沉降等，造成的有害裂缝危害车辆正常通行情况，引起市政桥梁监测中心的重点关注。另外，因目前监测中心对于桥梁裂缝的识别处理，基本靠巡视员人工管理，加上桥梁数量众多且地理位置分散，只依靠人工排查再维修的事后管理模式，无法发挥风险识别、事前防范的优势。因此，为实现桥梁有害裂缝早发现早预防进行信息化管理，建设了城市桥梁大体积混凝土裂缝预警系统。该系统在辖区桥梁有害裂缝高发部位设置了高灵敏度的测温探头，同时安装了具有高精度的分布式光纤传感器，实时采集上述部位不均匀沉降数据，然后连同温差等基础数据通过无线传输网络传回至监控服务器。后台程序通过深度学习推断出有害裂缝类型及其出现的可能性，并对危害程度超过阀值的裂缝进行实时预警。最终，市政桥梁监测人员通过手机APP 获取预警信息，对桥梁大体积混凝土可能发生有害裂缝的部位进行维护预防，实现实时预警管理。

4.3 城市桥梁交通量预测与分流提示

随着城市桥梁对交通量的分流作用日益提升，交通高峰期城市主要桥梁状况变化情况是市政养护维修决策的关键性依据，为给桥梁应急抢险提供科学依据，以及为围挡抢修提供合理时机，建设了城市桥梁交通量预测与分流提示系统。该系统利用激光雷达对每座桥梁及与其相联通道路的车流量进行采集，将车流量数据通过无线传输网络回传至服务器后台程序进行深度学习。实现城市桥梁病害高发区交通量的实时监测，并对因交通量引发的桥梁病害进行实时推断，为桥梁养护管理提供科学性、前瞻性依据，同时为交通导行提供车辆分流信息。

4.4 城市立交桥支座早期疲劳破坏诊断

随着城市立交桥车流量增加，移动车辆荷载对桥梁结构可靠性的影响持续增强，加强对支座情况的监测、提高支座监管水平已成为市政立交桥管理的难点。在日常立交桥巡视中，一般通过肉眼观察、人工测量、仪器检测以及经验估算等传统方法判断支座状态，对支座疲劳认识研究不足，当支座出现早期疲劳破坏时更无法提供有效证据。立交桥支座是连接桥跨结构和下部结构的重要结构部件，为更好的对立交桥支座进行市政监测管理，建设了城市立交桥支座早期疲劳破坏诊断系统。该系统借助载重传感技术、位移波形监测技术、智能交通车流量记录技术、无线传输技术等为深度学习立交桥支座疲劳破坏提供样本数据，建立支座状态与疲劳破坏的相关关系能够及时诊断支座早期疲劳破坏原因并警示病害，为市政桥梁养护提供参考。

5 结语

深度学习在信息技术视角下，通过数据和服务的融合，支撑承载信息化的相关应用，成为加速智慧城市建设的重要推动力之一。虽然深度学习技术的应用领域还为数不多，但在市政桥梁监测工作中已经有了一定的应用场景，利用深度学习技术已相继实现了城市桥梁状况等级推断、桥梁大体积混凝土裂缝预警、桥梁交通量预测与分流提示及立交桥支座早期疲劳破坏诊断等，节省人力的同时科学合理的增强了市政桥梁监测工作中病害识别及风险应对能力。