全英华
湖北三峡职业技术学院，湖北 宜昌 443000
摘要：人们一直在探索精确快速识别混凝土墙、瓷砖等建筑材料的裂缝检测方法。基于此，提出一种基于改进卷积神经网络模型（CNN）和完全卷积神经网络模型（FCN）的裂缝识别算法。首先，通过改进的 CNN模型定位裂缝区域，排除非裂缝区的斑点、阴影、水渍、涂鸦等干扰因素；然后，通过 FCN 模型对 CNN结果进行再处理，得到精确的裂缝定位图；最后采用统计函数提取裂缝的长度、宽度等特征。结果表明，此算法的检测精度高，耗时短，能有效识别混凝土和瓷砖图像上的裂缝。关键词：图像处理；裂缝检测；卷积神经网络；完全卷积神经网络；机器视觉中图分类号：TP183.2
0 引言
及时准确地发现裂缝病害是建筑物和路面日常维护的一项重要工作。近年来计算机视觉技术广泛应用于裂缝检测领域，检测效果大大提高。其中，卷积神经网络（CNN）模型可保留图像中的空间信息，对几何变形、光照等参数，有很强的鲁棒性，适用于识别混凝土裂缝。完全卷积网络（FCN）模型能够在像素级对照片进行分类，并在多个数据集上取得良好效果。但与路面相比，墙壁和瓷砖的裂缝宽度小，光照不均、涂鸦、灰尘等影响对裂缝识别的干扰更明显，单独用CNN或FCN检测墙壁和瓷砖的裂缝效果不佳。本文提出一种基于改进CNN模型和FCN模型相结合的裂缝识别方法。首先，利用改进CNN模型识别并切割裂缝区域，消除裂缝区域外的干扰；其次，利用FCN模型提取精确的裂缝特征；最后，利用统计函数分析结果，获取裂缝宽度信息。将本文所述算法与现有算法进行精度比较，发现本文所述算法可以实现对裂缝更准确、简便、实时识别。
输入图像输入图像改进的改进的CNN模型CNN模型FCN模型FCN模型统计函数统计函数识别并切割识别并切割裂缝区域裂缝区域精确的裂缝精确的裂缝特征特征裂缝宽度裂缝宽度信信息息图1 裂缝识别流程图
1.1 CNN模型
CNN模型的区域识别原理是将输入的原始图像分割成128×128像素的子图，若输入的原始图像不能被完整分割，则将图片进行填充，再进行分割；分割后，对这些子图进行二值分类，保留包含裂缝的子图来识别裂缝的区域。在设计模型结构时，本文使用了卷积层、池化层、Dropout层、BN层、Flatten层、全连接层和SoftMax层。
为了克服CNN模型梯度离散问题，本文将SoftMax层作为激活函数的最后一层，函数如式（1）所示：
1 模型框架
从图像中识别裂缝时，有一系列强烈干扰，如人为涂鸦、墙壁或瓷砖上的花纹、外部环境色差和灰尘等，为消除干扰准确获取裂缝信息，本文设计了一种基于改进CNN模型和FCN模型的裂缝检测方法，其裂缝识别过程流程图如图1所示。
（1）
式中，2，…，x，y为上一层神经网络的输出向量，i=1，m；p（y（i）=n|x（i）；W），表示第i个训练样本中
作者简介：全英华（1969—），女，河南淅川人，硕士，副教授，从事现代物流管理等方向的研究。
42
2020年第01期
应用电子技术移动信息（i）
表示SoftMax第j次y=n的概率；W为宽度；WTix
FCN模型与CNN模型最大的区别是FCN模型使用卷积层和反卷积层，而不是全连接层，使得最后的输出是一个与输入图像大小相同的图片。FCN训练过程包括两个阶段：正向传播和反向传播。正向传播主要用于特征信息的学习和传输，最后通过与标签信息的比较得到误差；反向传播主要用于在根据正向传播中的误差信息调整模型参数时，克服梯度离散问题从而提高网络模型的非线性表达能力。此模型中本文选择了线性整流函数，其函数如式（2）所示：
层函数的输入；T为当前层。
在反向传播中，利用损耗函数计算出误差信息后，再利用优化算法逐层调整模型参数，降低模型的损耗值，得到最优网络模型。
改进后的CNN模型结构如图2所示。
在此图中，（n取1，2，…，10）表示卷积运算，Cn对于较大图像，先从图像中随机选择一个小区域作为训练样本来提取特征，然后将这些特征作为卷积核对原始图像进行卷积运算，这样可以在原始图像的任意位置获得不同的特征值。Pn（n取1）表示池化处理，对于特征区域较多的图像，在该区域中获得的特征很可能同样适用于另一个区域，即输入矩阵池化窗口中的最大值用作输出矩阵的值；该模型在每次卷积操作、每次池化操作和每个全连接层之后增加了一个Dropout层，随机舍弃一些输入神经元，可以有效抑制深度学习中的过拟合问题的发生；BN层可以提高训练学习效率，减少训练时间和过度拟合，提高准确性。
式中，x为上一层神经网络的输出向量；当x0时，
函数的导数值为i，解决了梯度衰减的问题。
2 实验结果分析
所有对比方法以及本文方法均基于Ubuntu 16.04 LTS操作系统，依赖环境Python 3.6.5、Tensorflow1.9.0以及Keras2.2.4，所用计算机CPU为Intel(R) Xeon E5-2620v4 8Core，内存为128GB，GPU为GeForce GTX 1080Ti。
1.2 FCN模型
CNN模型虽能很好地定位目标，但存储开销大、滑动窗口大、计算效率低、重复计算等缺点。随着网络化的深入，最后几层将近指数级存储递增，识别小目标的能力降低，不具体的特征位置信息会导致提取效果差。为此，本文建立了FCN模型，将浅层网络和深层网络的特征逐层融合，提取效果更好。
128×128×1
C1 BN Dropout
128×128×8P1 BN Dropout
2.1 裂缝数据集
为更贴近实际，本文收集了分辨率为4 240×2 832像素的200张混凝土墙壁裂缝照片和200张瓷砖墙壁裂缝照片，这些照片是数码单反相机（FUJIFILM X-A3）拍摄的。经过处理，创建了一个大小均为
C2 BN Dropout
64×64×6C3 BN DropoutC9 BN DropoutC7 BN Dropout
C4 BN DropoutC8 BN DropoutC10 BN DropoutC5 BN DropoutC6 BN Dropout
8×8×644×4×644×4×644×4×644×4×6416×16×32
L7L8L616×16×32
64×64×32L4L5
DropoutDropoutDropoutDropoutL2L3
Image
data
L1
Dropout
12……255256
L11
L12
L13
L14
L15
L16L9
L10
Dropout
有裂缝的图像无裂缝的图像L17
L10
…………………………
图2 改进后的CNN模型结构
2020年第01期
43
移动信息应用电子技术128×128像素的13 250幅图像的数据库。本文将数据库分为CNN模型训练和FCN模型训练的两次训练，每次训练包括训练集和验证集，训练集用于训练模型，验证集用于验证训练模型的准确性。CNN模型训练集包含11 000张照片，其中训练集包含9 000张照片，验证集包含2 000张照片。FCN模型训练集包含2 200张照片，其中训练集包含1 700张照片，验证集包含500张照片。剩下50张照片用于二次测试与验证。
利用CNN模型需要手动将照片分为有裂缝（编码为1）和无裂缝（编码为0），部分CNN模型训练集标签如图3所示。
（a）有裂缝的照片（编码为1）
（b）无裂缝的照片（编码为0）图3 部分CNN模型训练集标签
44
2020年第01期
2.2 训练结果分析
本算法所设置的基础学习率为0.01%，batch大小为64，Dropout层丢失率为0.5，数据集大小为13 250张图片，有裂缝图像和无裂缝图像均为6 625张，训练、验证和测试的照片数量分别为10 700、2 500、50，CNN模型训练和FCN模型训练迭代次数均为60次。CNN模型训练精度结果如图4所示，验证准确率达98.1%。本文算法模型训练精度结果如图5所示，验证准确率达99.65%。
0.997训练集0.996 5验证集
0.9960.995 5度0.995确精0.994 50.9940.993 50.993
0.992 5
0 10 20 30 40 50 60 70 80
迭代次数
图4 CNN模型训练精度
10.95
训练集验证集
0.90.850.8度确0.75精0.70.650.60.550.5
0 10 20 30 40 50 60 70 80
迭代次数
图５ FCN模型训练精度
将本文所述算法与目前主流的裂缝识别神经网络模型AlexNet模型、ZFNet模型、VGG-16模型和GoogleNet模型进行对比分析，如表1所示，其中加
黑数值表示当前最优值，结果发现，在大多数裂缝
（下转第47页）
凑型的数字T/R组件，该结构具有装配简单、散热效果好等优点。目前，基于本方案设计出的产品已经通过各类环境试验，工作性能稳定，已经进入小批量化生产阶段。本文对同类产品的结构设计有一定的借鉴和参考意义。
（上接第44页）
检测中，本文方法优于其他方法，即本文方法能更快、更准确地识别并定位裂缝。本文算法对裂缝的部分验证结果如图6所示。
表1 本文算法与主流算法比较
AlexNet
ZFNetVGG-16 GoogleNetProposedAccuracy0.981 60.933 70.934 50.971 10.996 5Loss0.0560.0470.0320.160.036Time
1 016.4
1 351.1
4 112.1
2 058.8
1 001.4
图6 部分验证结果
应用电子技术移动信息参考文献
［1］ 张光义，赵玉洁.相控阵雷达技术［M］. 北京：电子工
业出版社，2007.
［2］ 王立发，秦立峰.一种宽带高性能T/R组件的设计［J］.
航空兵器，2016（6）：25-28.
［3］ 丁武伟，赵文普，穆仕博. 有源相控阵雷达T/R组件技
术研究［J］.飞航导弹，2016（12）：77-83.［4］ 安士全，曹锐．一种新型高效收发组件的研究与设计［J］.
雷达与对抗，2012，32 （2）：40-42.
3 结论
针对目前建筑物裂缝检测方法效率低、精度低等问题，和克服因墙壁和瓷砖的裂缝宽度较小而导致的光照不均、涂鸦、灰尘等影响，本文提出了一
种基于改进CNN模型和FCN模型的裂缝识别检测方法，通过与当前主流裂缝识别神经网络模型进行对比，结果表明，本文算法的检测精度高，耗时短，能有效识别混凝土和瓷砖图像上的裂缝，有助于实现裂缝检测自动化，提高检测效率。
参考文献
［1］韦春桃.基于自适应阈值的细小裂缝与微灰度差异裂缝
自动检测方法［J］.中外公路，2019，39（1）：68-73.［2］张军，张海云，赵玉刚，等.基于机器视觉的瓷砖裂纹
检测［J］.包装工程，2018（9）：146-150.
2020年第01期
47
因篇幅问题不能全部显示，请点此查看更多更全内容