基于机器学习的RC桥梁病害检测方法

杨建华，邹俊志

(1.中交基础设施养护集团宁夏工程有限公司 银川市 750000； 2.重庆交通大学 土木工程学院 重庆市 400074)

0 引言

伴随着桥梁的长期服役，混凝土材料的逐渐老化，在役桥梁会不可避免地产生开裂、蜂窝、麻面、露筋锈蚀等病害[1]，对桥梁的安全性和耐久性是极大考验。针对这类带病服役的桥梁，如何快速而有效地检测出桥梁病害成为桥梁运营维护的关键。传统的人工判别病害由于工作量大、主观性强、效率低等缺点，逐渐不能适应人们的需求。

随着计算机技术的不断发展，机器学习以其智能化、高效率、低成本的特点[2]，逐渐应用于桥梁病害检测领域。针对桥梁检测获得的大量病害图像，从图像中自动定位并识别病害来代替传统的人工判别，实现更有效的桥梁运营期管理，是目前研究发展的主要方向。从现有桥梁病害检测方法、常用的机器学习方法及其在桥梁病害检测中的应用进展三个方面进行综述，最后分析了目前桥梁病害检测所面临的挑战及发展。

1 现有RC桥梁病害检测方法

我国在役桥梁大部分为钢筋混凝土(Reinforced Concrete，RC)桥梁，而其缺陷类型较多，主要包括裂缝、剥落、蜂窝麻面、漏筋锈蚀、空洞等病害[3]。这些病害中既存在特征明显，易判别的空洞等病害；也存在宽度较小，易忽略的裂缝等病害。传统的人工判别病害，虽然简单且灵活，但受限于工作量大、效率低等缺点，检测中错检及漏检状况频出。且随着桥梁体量的不断增长，待检桥梁数量的与日俱增，缺点更将进一步放大。而以声发射、超声脉冲、红外热像为代表的无损检测技术[4]，虽能够探测出桥梁内部病害，但在自动化场景中应用有限，且现有工程中仍处于定性识别病害阶段，达不到对病害的定量分析。

为解决传统检测方法的局限性，近年来无人机在土木工程外观评估方向迅速发展。通过无人机搭载高清相机对桥梁进行结构外观检查，获取结构缺陷图像，结合图像处理与机器学习技术进行病害检测，已成为领域研究热点。

2 机器学习方法

2.1 机器学习理论

机器学习，指通过算法发现大量样本数据中的隐含规律，建立网络模型对数据作分类或预测[5]。机器学习按照样本数据是否存在人工标注，分为有监督学习和无监督学习。现有研究中，机器学习方法应用在桥梁病害检测领域，以有监督学习为主。

2.2 有监督学习算法

(1)BP神经网络

BP神经网络由输入层、隐藏层和输出层组成，结构如图1所示。BP神经网络包括前向传播和误差后向传播两个阶段。算法通过计算网络输出值同期望的差值，不断更新网络权重和偏置参数，直到最后满足误差要求[6]。尽管BP算法具有较好的非线性映射能力，但由于其收敛速度慢和易陷入局部极小值的缺点，每次训练结果可能都有所差异。

(2)支持向量机

支持向量机(SVM)是一种二值分类模型，其决策思路是找到一个能够正确划分数据集且几何间隔最大的超平面[7]。如图2所示，w·x+b=0即分离超平面。距离超平面最近的点，即虚线穿过的样本被称为支持向量，其间距为两倍到超平面的距离。SVM具有较好的鲁棒性和泛化能力，但不适用于大规模数据集，在多分类问题中效果较差。

(3)卷积神经网络

卷积神经网络(CNN)是由Lecun[8]提出的一种深度神经网络结构。由于CNN采取了权值共享、局部连接的方式，降低了模型的复杂度，解决了数据量过大时传统神经网络无法学习的问题，目前已广泛应用于图像识别领域中。

(4)Faster R-CNN目标检测算法

Faster R-CNN是由Girshick[10]等提出的一种基于候选区域的目标检测算法。Faster R-CNN目标检测算法分为两步，首先使用区域候选网络(RPN)来定位目标，再针对目标进行位置的预测和分类。由于Faster R-CNN采用了候选框加检测框的步骤，在目标检测中常取得较高的分类正确率。

(5)YOLO v3目标检测算法

YOLO v3是Redmon[11]等提出的一种基于回归的目标检测算法。相比Faster R-CNN算法,YOLO算法更加迅速，它直接预测目标边界框所处位置，识别目标的细节特征进行目标检测。YOLO v3采用了Darknet-53(53个卷积层)的网络结构，对图片进行了总共5次下采样，最终生成3个不同尺度的目标特征图，以针对不同尺度大小目标的检测。

3 基于机器学习的病害检测应用

钢筋混凝土桥梁病害检测，本质上是基于计算机视觉的目标检测问题。目前基于机器学习的病害检测方法主要分为两类，一类是通过手工提取图像特征，结合机器学习算法进行分类和预测。另一类则是利用深度学习算法，自动提取图像特征，输出目标病害位置及类别。

3.1 手工提取图像特征结合机器学习

这类方法主要通过手工提取图像特征，如裂缝形态、梯度直方图(HOG)特征等，结合BP、SVM等浅层神经网络进行预测或分类。钟新谷[12]等人以八旋翼无人机为平台，对某大桥进行实桥成像试验，提取出桥梁裂缝形态特征图，结合支持向量机进行裂缝识别，用235个训练样本为验证，分类正确率为94%。证实了无人机成像的桥梁裂缝形状和宽度具有可靠性。但该类方法需要人为提取图像特征，且浅层神经网络只能处理少量样本，在环境复杂且病害样本量巨大的桥梁病害检测中应用有限。

3.2 基于深度学习的病害检测方法

随着深度学习的不断发展，以CNN为代表的深层神经网络能够自动提取图像特征，处理大量图像数据的同时保证了较高的分类正确率，促进了基于深度学习的病害检测技术的发展。沙爱民[13]等人将CNN引入路面病害识别，对12800张512×512像素图像进行裂缝、坑槽特征提取，分别取得了98.99%、95.32%的病害判别准确率，证明了卷积神经网络精度足以满足裂缝、坑槽等病害的复杂形态特性。但在桥梁病害检测中，我们显然更关心病害所处位置及其类别。

以Faster R-CNN、YOLO v3等基于CNN的目标检测算法，不仅能够输出目标病害类别，同时可以预测目标病害所处位置，进一步推动了桥梁病害检测智能化的发展。Cha[14]等人使用Faster R-CNN算法，对2366张多种损伤类型图像进行识别和定位，包括混凝土裂缝和不同程度的螺栓、钢板腐蚀等5种损伤类型，取得了87.8%的平均分类准确率。Zhang[15]等人基于YOLO v3算法，对2206张混凝土桥梁病害检测图像进行病害识别和定位，结合迁移学习策略以改善训练样本不足的问题，成功实现了裂缝、露筋、剥落、保护层脱落4种病害的识别以及定位，其平均分类准确率达80%。

4 结论

基于深度学习的桥梁病害检测方法，无疑更适用于桥梁自动化检测场景，有利于推动桥梁检测实现更智能的运营期管理。但现有研究中，仍面临着许多难题有待解决：

(1)深度学习对训练样本数量要求较高，实际训练过程中有标签病害图像数量有限。

(2)RC桥梁病害中，存在裂缝等宽度较小病害，在图像中目标过小，识别难度较大，这也是现有研究中多病害分类正确率不高的原因。