基于遗传神经网络的机场跑道局部影响的裂缝检测算法

陈俣秀，高建民，贺青青，高建国

(1.中国民航大学 交通科学与工程学院，天津 300300；2.长安大学 理学院，西安 710064)

0 引言

随着“民航强国”的大力践行，机场建设发展迅速，截止2020年底，我国民用航空运输机场共有241座[1-2]。裂缝通常作为道面检测中最常见的危害之一，严重影响着机场形象和飞机起降滑行的安全性。如若不及时对初期形成的裂缝进行修补，任由其扩大或者雨水和FOD(外来损害物)沿着裂缝进入路基，进一步破坏跑道内部结构，对飞机起降将造成较大安全隐患[3-4]。

目前中外学者对机场道面裂缝检测做了很多的研究，其中，基于可见光的图像识别方法有很多，大多采用区域生长[5-6]、注意力机制[7-8]、卷积神经网络[9-11]、贝叶斯[12-13]、BP神经网络[14]等。遗传神经网络属于启发式算法，是基于达尔文优胜劣汰原理的迭代自适应概率搜索算法，具有不错的全局寻优能力，鲁棒性强，是目前应用最广泛、技术相对成熟的优化算法之一。李海丰[15]等提出一种多传感器融合的裂缝检测方法，通过差分法检测和多种数学形态学约束获得裂缝检测结果。吴治龙[16]等人采用自适应阈值方法分割出候选裂缝，但由于道面背景复杂和噪音干扰，检测精度还有可提升空间。韩红阳[17]等人利用注意力机制更加专注细带状结构病害区域，在确定性网络的基础上引入额外的残差块来提取特征，结果表明mAP(平均精度)达到78.51%。张世瑶[18]等人使用卷积神经网络分割裂缝原始图像，将裂缝面积的精准度提升到了93%，但无法检测出细小、连续裂缝，因此存在漏检率相对较高的情况。陈泽斌[19]对U网络模型构架进行了调整，大大提高了识别精度和泛化能力，在公路裂缝检测领域取得了较大突破，但需要大量数据样本进行训练，并不适合应用于机场跑道的裂缝采集。在裂缝检测领域，如基于深度神经网络的裂缝检测，基于卷积神经网络的裂缝检测等，这些研究表明神经网络在裂缝检测领域具有广阔的应用前景，为后续学者提供了研究思路。综合近年来的研究成果，虽然在检测精度、效率上相较于早期的检测模型均有较大的突破，但在应对背景相似度很大且噪音干扰的裂缝检测效果不理想，存在的效率和精度难以兼顾的问题。

本文以伴有阴影和光照不均匀的机场道面裂缝图像为研究目标，针对现有研究存在的效率和精度难以兼顾的问题，提出了一种利用遗传算法优化神经网络的机场道面裂缝检测算法。首先，将拍摄的机场道面裂缝图像进行预处理，包括图像灰度化、高斯滤波以及ROI区域确定。其次，设定神经网络拓扑结构，初始化编码长度以权值阈值及等参数，利用选择、交叉和变异等操作反复执行至最佳进化解，最后在此基础上搭建匹配的神经网络，获得最大分割阈值。通过仿真研究验证，以遗传算法优化神经网络为框架核心，能够对低识别度图像进行快速准确的检测。利用该方法能够更加高效地检测出机场道面的裂缝，同时在一定程度上提升检测精度，从而提高维修人员的工作效率。

1 图像预处理

1.1 图像采集

对于每一类路面状况，图像样本已准备好确保模型的泛化。为验证本文方法的科学性和准确性，选取了某停机坪部分机场跑道道面数据，如图1所示。这些测试图像显示了额外的退化、缺陷和特征，这将使裂纹特征的检测更加困难。本文使用Matlab将裂缝原图转化为矩阵形式，从灰度图、高斯滤波和ROI区域确定等方面对裂缝图像进行特征分析，以便后期遗传神经网络算法提取图像特征值。

图1 机场道面常见的裂缝

1.2 灰度化

本文所采集的机场地面裂缝图像为彩色RGB图像，而对机场道面裂缝进行提取无需颜色特征信息，因此对采集到的图像进行灰度化处理，来降低图像原始数据量，如图2所示为3种灰度化处理方法。加权平均法根据R、G、B三通道的重要性对其亮度进行加权平均，理论上W=0.30，V=0.59，U=0.11效果最佳，计算公式如下：

图2 原始图像灰度化处理

(1)

平均值法选用R、B、G通道中的平均值作为最终灰度值。公式如下：

(2)

式中，R(i，j)、B(i，j)、G(i，j)分别为R、B、G通道中像素点的灰度值。

由于本文选择的处理对象为机场道面的裂缝，imshow处理的结果能够满足一般的图像处理需求，但相较于加权平均法整体偏白，平均值法在对比度上较差，经对比得出加权平均法处理的效果最好，图片对比度也得到了明显提升。

1.3 高斯滤波

为避免中值滤波导致的图像目标不连续，也能够尽可能地保留图像的总体灰度分布特性，本文采用高斯滤波来解决抑制服从正态分布的高斯噪声[20-21]，适用于机场道面图像处理，可表示为：

(3)

式中，Ig(x，y)为像素点(x，y)经高斯滤波后的灰度；I(xo，yo)为像素点(xo，yo)处的灰度；wx，y为中心像素(x，y)的邻域；wd(xo，yo)为相似度权重因子。

基于MATLAB中具有平滑性能的高斯滤波器，运用某些数学运算平滑地变化进而避免了图像退化过程中信息量的丢失，对复原图像进行后续处理[20]。建立基于卷积平滑的低通滤波器，访问图像中每个像素值。图3对比了原图像直方图、对比度受限自适应直方图均衡后的直方图和高斯滤波后的直方图，可以看出：预处理步骤对图像进行了分析很好地去掉噪声像素点，进一步提高图像质量，突出图像特征。

图3 机场道面图像直方图对比(柱形为灰度出现次数，曲线为累计百分数)

1.4 ROI区域确定

在获取机场道面裂缝图像过程中，难以避免拍摄到机场道面，这无疑增加了裂缝提取的工作量，在不损失图像质量的前提下，减少存储空间，因此用ROI区域对图像裂缝进行提取至关重要。对上一步的处理结果进行分析，由图4(a)可见裂缝周围聚集大量0值像素点，图4(b)和(c)中选取裂缝周围以0值像素点数量最大列为截取区域，极大地剔除了裂缝背景中道面信息的干扰。步骤如下：1)输入并读取原图像，创建可变形矩阵；2)结合imrect和imcrop函数实现截取功能；3)根据裂缝的形状、纹理等底层特征，利用图像分割技术勾选感兴趣区域，并改变矩形框大小；4)保存ROI图像，为后续坐标转换回愿图像坐标值准备。

图4 高斯滤波后灰度化图像

2 遗传神经网络

2.1 遗传神经网络的建立

本文通过对大量的机场道面裂缝进行图像预处理，得出裂缝具有连通性的特点。遗传算法可以在不需要确定规则的前提下，自动获取和优化搜寻空间，并且具有较强的鲁棒性，相较于BP神经网络，在对裂缝的提取和分割上有更好的效果。遗传算法优化神经网络一般需要初始化、计算种群适应值找出最优个体、交叉运算以及终止条件的确定等步骤，算法流程图如图5所示。

图5 遗传算法优化神经网络流程图

算法执行步骤如下：

1)导入数据，对裂缝原图进行高斯滤波、灰度化等预处理。

2)参数初始化，将问题的解编码成有限长度的字符串，并将其映射到算法的搜索空间中。

3)确定编码后，生成初始种群并不断产生适应度越来越高的新种群。

4)执行遗传算法，根据适应值选择复制个体，交叉个体以及变异点，并将其添加到新群体中，获得最优解。

5)将遗传算法得到的最优解码赋予神经网络，用该网络拟合非线性函数。

6)网络进化参数，把最优初始阈值权值赋予网络训练。

7)获取最优权值阈值后，神经网络进行正反向学习，计算误差并更新权值阈值。

8)输出分割后的二值化图像。

2.1.1 初始种群的产生

遗传算法的起始点是以初始串结构的形式开始迭代的。合适的初始种群大小才能使算法达到最佳运行效果，较小的初始种群量可以提高算法的训练速度，但也会导致寻优空间的分布范围过小，串结构的多样性过低；当较大的初始种群量则导致计算冗杂、运行效率降低，使得一些高适应度的串结构被错误的排除，影响遗传。故本文中初始种群的种群大小为100。

2.1.2 编码

编码问题在很大程度上决定了变异和交叉算子以及遗传计算的效率[22]。本文采用多参数级联定点映射编码来解决裂缝图像中多实数函数的优化问题。首先设置隐层神经元数量为S1=6，并将前S1个编码作为输入层到隐藏层的权值。隐藏层到输出层权值的编码为S1×S2，第R×S1+S1×S2个后的编码为输入层到隐藏层阈值，第R×S1+S1×S2+S1个后的编码为隐藏层到输出层阈值，最后计算出S1与S2的输出；整个遗传算法编码长度为S=R*S1+S2+S1+S2。

设整体位串构成的种族数为N，第p代的第j个(1

(4)

相关误差满足：

X1=x(i)p(i)+x(i+si+s2)

(5)

(6)

2.2 确定适应值函数

适应度函数的确定是遗传算法的设计要素之一。适应度的解越大，该个体被保留的可能性越大，解的质量也就越好。隐层的传递函数为Tansig，输出层的传递函数为Purelin。

(7)

识别参数与真实的输出参数之间的拟合值为n+1。n值越大，适应值函数的可靠性相应越高，cmax值是一足够大的正数，它与最优适应值有关。

对每个求出的种群个体适应值进行规范化处理，其平均适应值为：

(8)

规范化适值为：

(9)

本文算法的特征提取网络结构拥有3个隐藏层和一个输出层，隐层拥有6个神经元，理论上隐含层的层数越多，算法的拟合度也会随之提高，运行结果也会越好，但是过多的隐含层层数可能给算法带来过拟合等问题。本文采用随机分配将数字矩阵划分为训练样本、验证集和测试集。训练方法采用L-M算法和损失函数。在神经网络运行过程中，算法的学习速率决定了系统的稳定性和训练周期的长短，本文默认学习率为0.01。图6给出了遗传算法优化神经网络过程。

图6 BP神经网络特征提取图

2.3 停机条件

遗传算法是通过多次迭代逐步接近最优解的，通常情况下以遗传的代数，即迭代次数作为停止进化的信号。本文迭代次数为500，在运算速度和效率中选了一个合适的迭代次数，当迭代达到500次时，运算停止，初始种群将不再进行迭代。

3 试验分析

3.1 算法识别结果

随着个体数目的递增，综合评价指标变化如表1所示。

表1 不同个体数目的综合评价指标

由表可知，个体数目取40的时候综合评价指标取得了最大值，大于40后由于模型的过度学习导致综合评价指标不降反增，因此本文取个体数目为40；根据不同的参数调整遗传代数，得到综合评价指标如表2所示，由此可知遗传代数在100时得到的综合评价指标最大。基于此，本实验中个体数目设为40，遗传代数取100。

表2 不同遗传代数的综合评价指标

彭明星[22]等人在图像边缘检测中提出了遗传算法优化BP神经网络的相关经验参数。故本文中遗传神经网络允许的迭代次数最大为500次，在17步收敛到目标值；平均运行时间为4秒；实际误差为5.0642e-06；最小适应值为0.000 01；最小误差为0.000 01；激活函数为tansig；染色体长度14；适应度函数独立变量的个数为9；标准差为1.6，变异概率0.000 1；交叉概率为0.1；输入范围[0～255]；输出范围[0～1]；权值变化范围[-1，1]；偏置变化范围[-0.5，0.5]。

根据遗传神经网络处理的二值图像，得到纵向裂缝、横向裂缝、倾斜裂缝的投影图及其规律。然后我们建立了一个笛卡尔坐标系，X轴是行数，Y轴是灰度值之和。例如，在图7(a)中，灰度值在Y轴(X轴)上的投影趋于稳定在0以上。而在X轴(Y轴)有一个明显的峰值，表明纵向(横向)存在裂纹。在图7(b)中，Y轴上的灰度值投影稍有波动，而X轴上的灰度值有一个峰值，明显高于Y轴上的灰度值，表明倾斜方向存在裂纹。其中，因为混凝土为非均匀材料易受砂浆和渗水干扰，局部骨料过大，振捣不均匀，导致了峰值的存在。若倾斜裂纹的扩展方向出现劈裂裂纹和网状裂纹，则灰度值的投影将根据原始趋势出现峰值，如图7所示。

图7 不同形状的裂纹投影

3.2 数值测试

本文实验环境采用Inter(R)core(TM)i5-4210H处理器，Nvidia-GTX-850M显卡，应用环境：Matlab2021b。选取若干张不同背景环境下的机场道面裂缝图像作为测试对象，裂缝图像包括横向裂缝、纵向裂缝以及网状裂缝。

选取区域生长、BP算法、贝叶斯算法、groundtruth和遗传神经网络算法作为对比模型进行仿真测试，在准确率、召回率指标和综合评价指标的平均值如表3所示。由此可知，本文算法 在P值、R值和F-measure上均明显优于其他3种算法。遗传神经网络算法在P值、R值和F-measure上的质量评估结果分别集中在80%～100%、 80%～100%和80%～100%，评估结果处于较高分布范围，如图8所示。其P、R和F-measure对应公式如下：

表3 各图像分割算法评价指标

图8 不同算法的平均准确率、召回率、F值

(10)

(11)

(12)

P为准确率，R为召回率，F-measure为综合评价指标。

通过式(13)得到的提取裂缝结果如图9(c)所示。与传统的二值化结果比较可以看出：该方法对低识别度图像实现了较好的实现了精准分割，但是由于裂缝旁的斑点直径大于裂缝宽度，所以也被保留了下来。若要去除斑点，可以采用将斑点宽直径(即单个斑点中任意两点间的最大距离)与斑点面积的比值作为结构元进行去除。由于裂缝有着细长的特点，即宽直径D与面积S之比很大，而图像中的斑点接近于圆形，因此D与S之比满足：

图9 裂缝二值化与提取

(13)

在二值图像中，灰度值为1的区域为裂缝，灰度值为0的区域为背景。在图10中，①为其他灾害，②为光照不均匀的比例。我们将遗传算法优化神经网络的方法与贝叶斯、区域生长、BP算法、ground truth等方法进行比较，并进一步改进二值图像。原始图像如图10(a)、(b)、(c)所示。相机产生的不均匀光照和复杂噪声影响了机场道面裂缝特征提取的效率。一个单一的阈值错误地将阴影设置为目标分数如图10(o)所示。机场道面裂缝周围常伴有FOD、照度不均匀、渗水等干扰，这些干扰会导致裂纹提取中的毛刺、其他非裂纹特征以及非真实裂纹图像的二值化结果如图10(g)、(h)、(i)所示。此外，Wang 等[23]利用膨胀和腐蚀操作从隧道图像中提取裂缝，这些不推荐的形态操作将改变机场道面裂缝像素的长度和宽度。从图10(p)、(q)、(r)可以看出，遗传神经网络相较于其他几种传统检测算法，在不同干扰和局部阴影的状况下均具备了更优的检测精度和鲁棒性，进一步证明选择遗传算法作为所提模型的基础算法能确保模型能够拥有更高的下限。

图10 机场道面裂缝识别结果

在没有干扰和局部阴影的状况下，4组模型均能较好地提取出裂缝形状，即召回裂缝类别的比例较好。但贝叶斯算法的准确率和综合评价指标平均值仅为7.91%，较其余3种模型仍有较大提升空间，而遗传神经网络在综合评价指标方面相较于区域生长提高了15%，对比BP神经网络提高了13%，平均检测时间为18.22 s，远高于贝叶斯的32.31 s和区域生长的38.38 s，这说明本文算法在处理局部阴影下的裂缝图像时具有较强的效率和精度，较好的满足了工程和科研的要求。

4 结束语

本文以伴有阴影和光照不均匀的机场道面裂缝图像为研究目标，针对现有研究存在的效率和精度难以兼顾的问题，提出了一种利用遗传算法优化神经网络的机场道面裂缝检测算法，通过准确率、召回率、综合评价三项指标证明了遗传神经网络具有较好的检测性能。

1)在训练准则和网络权系数的优化方面，提高了神经网络的迭代速率和权系数优化速度，保证了遗传算法优化神经网络的准确性和效率。同时，在综合评价、召回率、和准确率3个评价指标上也具有显著提升，其均值分别为91.28%、85.75%、88.22%，具有很好的收敛性和鲁棒性。较好的满足了工程和科研的要求。

2)与其他图像分割算法相比，本文算法的适应性更好，抗噪性更强，能够克服机场道面的多种污染，裂缝提取率高。与传统人工检测方法相比，在局部干扰和阴影的状况下，遗传神经网络对比4组模型均能较好地提取出裂缝形状，即召回裂缝类别的比例较好，相较传统算法中性能最优的BP神经网络，其综合评价指标仍有13%的提升，这说明在处理局部阴影下的裂缝图像时具有较强的效率和精度。在保证提取精度的前提下，减少了时间的消耗，从而节省大量人力物力。满足学术和工程的需求。