基于人工智能的高速公路桥梁病害检测研究

高秀鑫

(山西省交通建设工程质量检测中心(有限公司) 太原市 030006)

0 引言

目前，对于高速公路桥梁病害的检测主要以熟练的作业人员人力检测为主，是通过检测人员利用望眼镜或站在液压支持架上凭借个人经验检测桥梁病害，传统的检测方法效率低、工作量大、拍摄取证难度高、作业危险、准确率不高等问题，利用计算机视觉技术对高速公路桥梁病害的检测具有十分重要的意义。下面对如何利用人工智能技术对高速公路桥梁病害进行智能检测进行探究。

1 高速公路桥梁常见病害

高速公路桥梁常见病害首先是裂缝[1]，由于施工阶段受力原因或者桥面水渗入梁体导致梁体钢筋锈蚀膨胀等因素会导致高速公路桥梁出现裂缝，严重的会加剧钢筋的锈蚀，影响其结构的耐久度。其中预应力空心板结构、混凝土实心板、T梁结构都会出现裂缝从而导致危害。其次是露筋，由于有些无眀显限高标志的地方，车辆容易撞击边梁，导致混凝土脱落，严重的会导致主筋外露、崩裂等，会影响梁体的承载能力[2]。还有蜂窝麻面，当配料时混凝土的配合比不当、加水不准、混凝土搅拌时间不够或模板缝隙不严密、水泥浆流失等因素导致高速公路桥梁的蜂窝麻面。这些都是高速公路桥梁常见的病害。

2 人工智能背景下的高速公路桥梁病害检测技术

2.1 深度学习

深度学习是机器学习领域的一个分支，都属于人工智能领域。深度学习主要是将大量数据样本通过网络逐层训练，将基础特征从低层传递到高层，经过黑盒运算得到多层级神经网络，再对样本进行检测。深度学习具有极大的优势和潜力，深度学习的理论也慢慢被人们所熟知。例如，计算机视觉领域、语音识别领域、自然语言处理领域等[3]。而语义分割模型是深度学习的一个分支，许多数据集也在网上被公开，这为高速公路桥梁病害的检测奠定了良好的数据支撑。在人工智能快速发展的今天，通过对这些病害的图像进行预处理、对其特征进行深入研究并提取，可以揭示这些不同类别病害在图像处理过程中的成像原理，通过深度学习技术构建语义分割模型，对高速公路桥梁病害的检测具有重要的应用意义。

2.2 PSPNet语义分割网络

图像的语义分割是深度学习的重要研究领域，是场景理解的关键技术之一[4]。在最新的无人驾驶领域，通过对道路场景进行高质量的语义分割，为自动驾驶汽车的安全行驶提供了保障。而对高速公路桥梁病害进行语义分割则可以快速检测出高速公路桥梁的病害。PSPNet[5]是在FCN(fully convolutional network)基础上进一步改进的语义分割网络，PSPNet采用了PSP模块，提出了金字塔池化模块(Pyramid Pooling Module)可以整合不同区域的信息，从而提高自身获取全局信息的能力。PSP结构的主要功能是把特征层划分为不同大小的网格，每个网格内部进行平均池化。实现聚合不同区域的上下文信息，从而提高获取全局信息的能力。在PSPNet模型中，会将输入的特征层分别划分为6×6、3×3、2×2、1×1的网格，然后输出结果。步骤如图1所示。

图1 PSPNet基本结构

3 基于PSPNet模型的高速公路桥梁病害检测

3.1 数据制作

利用人工智能的技术代替作业人员来做高速公路桥梁病害的检测，首先需要收集大量的图像数据。而语义分割标签的尺寸与图像大小是一致的，不同像素值对应着不同的目标。目前，公开的数据集中对于高速公路桥梁病害图像的标签集较少。为了满足高速公路桥梁病害图像语义分割对输入图像的要求，就需要收集现有公开的高速公路桥梁病害图像数据集，针对所有高速公路桥梁露筋、裂缝、蜂窝麻面等病害的图像数据利用Labelme进行描点标注，从而获取语义分割标签。为了减少资源占有量，将这些图像数据进行裁切处理并利用一些几何变换或色彩调整的方式进行数据增强。

3.2 网络训练

使用keras深度学习框架进行网络训练，需要调整相应的参数。由于高速公路桥梁的病害一共有两类，第一类是高速公路桥梁有病害的图像数据，第二类是高速公路桥梁无病害的图像数据，所以可把网络分类设置为2，然后将初始学习率设置为0.001，迭代次数为45次便可进行网络的训练。

3.3 具体步骤

成功的制作数据集并且训练完毕之后，通过无人机进行现场的视频图像的采集，将采集的图像数据传入计算机并放入如PSPNet语义分割模型中进行训练计算。从而识别分类出高速公路桥梁的病害，若检测识别出高速公路桥梁有病害则可将其进行记录，最后采取措施将现有的病害进行消除。具体步骤如图2所示。

图2 PSPNet模型的高速公路桥梁病害检测步骤

4 实验与分析

4.1 数据集收集

论文研究高速公路桥梁的一些病害的PSPNet智能检测，首先需要对高速公路桥梁病害进行数据集的收集。高速公路桥梁病害较多，例如裂缝、露筋、蜂窝麻面等。首先通过互联网和现场拍摄收集高速公路桥梁裂缝图片1000张，其中900张是训练集，100张是测试集。利用lableme对其进行数据集的标注如图3所示。

图3 数据集制作

4.2 实验过程与分析

使用PSPNet语义分割平台对制作好的高速公路桥梁裂缝数据集进行训练。将学习率设为0.0001，batch_size设为4，epoch设置为50。训练得出权重文件，最后对高速公路桥梁裂缝进行检测，结果如图4所示。

图4 预测结果展示

结果表明该方法可以正确检测出高速公路桥梁的裂缝，大大提高了人员检测的便利性和检测效率。

5 结论

高速公路桥梁病害检测是高速公路桥梁管理的重要环节之一，通过作业人员人力进行病害的检测，从长远角度来看具有成本高、有一定的危险性等问题。因此探究人工智能背景下的高速公路桥梁病害的检测具有十分重要的意义。论文举例分析使用了PSPNet语义分割平台对高速公路桥梁裂缝进行了模型的检测实验，实验证明PSPNet语义分割模型可以对高速公路桥梁裂缝进行精准的检测，并且有着较好的效果。随着高速公路桥梁的服务时间越来越长，对其养护的次数和时间也会不断增多，因此利用深度学习语义分割模型对高速公路桥梁病害检测识别的研究将有助于其降低维护成本、增加检测效率、保证作业人员安全等。