公路隧道襯砌裂縫圖像質(zhì)量增強(qiáng)方法研究

劉健解全一呂成順趙致遠(yuǎn)

(1.山東大學(xué)齊魯交通學(xué)院，山東 濟(jì)南 250002；2.山東省工業(yè)技術(shù)研究院，山東 濟(jì)南 250101)

0 引言

“十三五”時(shí)期，我國(guó)公路交通發(fā)展迅速，公路總里程接近520 萬(wàn)km，高速公路通車(chē)?yán)锍踢_(dá)到16.1 萬(wàn)km，二級(jí)及以上公路通達(dá)97.6%的縣域，已基本形成覆蓋廣泛、互聯(lián)成網(wǎng)、質(zhì)量?jī)?yōu)良、運(yùn)行良好的公路網(wǎng)絡(luò)[1]。 公路運(yùn)輸在中國(guó)貨物運(yùn)輸業(yè)中仍占據(jù)主導(dǎo)地位，而公路隧道作為提升運(yùn)輸效率與服務(wù)水平的重要基礎(chǔ)設(shè)施，也得到了長(zhǎng)足的發(fā)展[2]。 2011—2020 年，我國(guó)公路隧道數(shù)量增加了12 794座，里程增加了1 574.59 萬(wàn)延米，分別增長(zhǎng)了1.5 倍和2.52 倍。 公路隧道建設(shè)已呈現(xiàn)出規(guī)模大、隧道長(zhǎng)、埋深大的趨勢(shì)[3－5]。

公路隧道作為巖土介質(zhì)中的地下工程，在長(zhǎng)期的運(yùn)營(yíng)過(guò)程中，一直承受著圍巖壓力、活荷載、鄰近工程擾動(dòng)、溫度效應(yīng)、地下水及化學(xué)侵蝕等多場(chǎng)耦合作用，隧道襯砌表面難免會(huì)出現(xiàn)各種類(lèi)型的襯砌表觀病害，常見(jiàn)的有裂縫、滲漏水、露筋、襯砌脫落等[6]。 據(jù)統(tǒng)計(jì)，目前我國(guó)約30%的公路隧道處于亞健康狀態(tài)[7]，已嚴(yán)重威脅隧道結(jié)構(gòu)耐久性及使用壽命，因此我國(guó)公路隧道整體面臨著長(zhǎng)期而又繁重的檢測(cè)和維護(hù)任務(wù)。

隨著機(jī)器視覺(jué)和人工智能技術(shù)的發(fā)展，國(guó)內(nèi)外開(kāi)發(fā)了多款移動(dòng)式隧道檢測(cè)車(chē)及病害數(shù)據(jù)智能處理系統(tǒng)。 公路隧道病害檢測(cè)車(chē)主要聚焦于采用數(shù)字照相、激光掃描等機(jī)器視覺(jué)技術(shù)采集襯砌裂縫、滲漏水、形變等病害信息[8]。 山東大學(xué)[9]、同濟(jì)大學(xué)[10]、武漢光谷卓越科技股份有限公司[11]、西南交通大學(xué)[12]、日本鐵道綜合技術(shù)研究院[13]、韓國(guó)漢陽(yáng)大學(xué)[14]等開(kāi)發(fā)了相機(jī)、激光等多傳感器的移動(dòng)觸發(fā)方法，建立了基于圖像的隧道病害移動(dòng)式檢測(cè)技術(shù)，集成了移動(dòng)測(cè)量平臺(tái)。

通過(guò)移動(dòng)式隧道檢測(cè)車(chē)開(kāi)展隧道表觀病害信息采集具有速度快、成本低的優(yōu)勢(shì)。 但是，公路隧道表觀缺損圖像采集精度要求高，一般要求能夠清晰辨識(shí)0.2 mm 及以上寬度的裂縫，導(dǎo)致圖像畫(huà)幅偏小，致使單隧道將獲取數(shù)萬(wàn)張圖像數(shù)據(jù)。 因此，借助人工智能技術(shù)，構(gòu)建隧道裂縫智能辨識(shí)算法已成為公路隧道檢測(cè)行業(yè)亟需解決的關(guān)鍵難題。 近年來(lái)，由于卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)、生成對(duì)抗網(wǎng)絡(luò)等算法具有圖像識(shí)別速度快、準(zhǔn)確率高的特點(diǎn)，已大范圍應(yīng)用于圖像裂縫辨識(shí)任務(wù)中，并提出了CrackNet[15]、CrackUnet[16]、DeepCrack[17]、U-HDN[18]、ConnCrack[19]等裂縫識(shí)別算法，極大地提升了隧道裂縫的檢測(cè)效率。 但是，在實(shí)際隧道檢測(cè)過(guò)程中，由于隧道襯砌裂縫尺度小、灰塵覆蓋、涂料反射等影響，導(dǎo)致獲取的圖像檢測(cè)數(shù)據(jù)質(zhì)量不高，在智能辨識(shí)算法實(shí)際應(yīng)用過(guò)程中誤判率較高。 因此，亟需結(jié)合實(shí)際檢測(cè)車(chē)獲取的圖像數(shù)據(jù)，研究適用于隧道檢測(cè)的圖像質(zhì)量提升方法。 文章以圖像質(zhì)量及裂縫目標(biāo)位置為切入點(diǎn)，分別提出了基于均衡化理論的圖像質(zhì)量增強(qiáng)方法以及適用于圖像邊緣裂縫的邊框增強(qiáng)方法，并采用主流的目標(biāo)檢測(cè)算法對(duì)文章所提算法開(kāi)展了試驗(yàn)。

1 數(shù)據(jù)集構(gòu)建

1.1 公路隧道表觀數(shù)據(jù)采集

對(duì)于深度神經(jīng)網(wǎng)絡(luò)這一數(shù)據(jù)驅(qū)動(dòng)方法，使用足夠的數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)模型是保證算法有效性的關(guān)鍵點(diǎn)。 基于神經(jīng)網(wǎng)絡(luò)的裂縫識(shí)別相關(guān)技術(shù)研究的前提是獲取足夠多的公路隧道襯砌表觀數(shù)據(jù)。 為了獲取這些數(shù)據(jù)，課題組研發(fā)了一種輕量化公路隧道檢測(cè)裝備，如圖1 所示，主要包括圖像采集單元、激光雷達(dá)與定位單元、控制存儲(chǔ)服務(wù)器與配套的車(chē)輛。 圖像采集單元包括兩臺(tái)工業(yè)相機(jī)、旋轉(zhuǎn)云臺(tái)和補(bǔ)光燈，激光雷達(dá)與定位單元包括激光雷達(dá)、慣導(dǎo)定位模塊和車(chē)輪編碼器，控制存儲(chǔ)服務(wù)器包括設(shè)備同步觸發(fā)模塊和3 臺(tái)存儲(chǔ)服務(wù)器。 圖像采集單元和激光雷達(dá)與定位單元通過(guò)支架固定在車(chē)輛頂部，而控制存儲(chǔ)服務(wù)器放在車(chē)輛后備箱內(nèi)，三者通過(guò)集成數(shù)據(jù)線連接。

圖1 公路隧道輕量化檢測(cè)裝備圖

文章使用該公路隧道輕量化綜合檢測(cè)裝備在多條兩車(chē)道、三車(chē)道公路隧道開(kāi)展了襯砌表觀圖像數(shù)據(jù)采集；在部分四車(chē)道的大斷面公路隧道，包括開(kāi)元隧道、老虎洞山隧道、港溝隧道、黃龍山隧道、花山大道隧道、龍洞隧道、樵嶺前隧道等，也進(jìn)行了表觀數(shù)據(jù)的采集試驗(yàn)。

1.2 公路隧道裂縫數(shù)據(jù)集構(gòu)建

在研究公路隧道裂縫識(shí)別算法之前，需要給出公路隧道襯砌表觀裂縫數(shù)據(jù)集。 通過(guò)對(duì)裝備采集的公路隧道表觀圖像進(jìn)行人工逐張篩選，判斷采集的圖像中是否存在裂縫。 在此基礎(chǔ)上，使用標(biāo)注工具Labelme 人工注釋1 744 張包含裂縫的公路隧道表觀圖像，如圖2 所示。 裂縫數(shù)據(jù)集可以隨機(jī)分成作為訓(xùn)練集用于裂縫識(shí)別網(wǎng)絡(luò)模型訓(xùn)練的1 494 張圖片和作為驗(yàn)證集用于評(píng)估訓(xùn)練準(zhǔn)確性的250 張圖片兩組。 為了提高網(wǎng)絡(luò)訓(xùn)練速度并加速網(wǎng)絡(luò)收斂，圖像分辨率均可歸一化為640 pixel × 640 pixel。Labelme 標(biāo)注工具輸出的是JSON 格式的標(biāo)注，而文章所用目標(biāo)檢測(cè)算法需要TXT 格式的標(biāo)注進(jìn)行訓(xùn)練。 因此，訓(xùn)練前需要在JSON 和TXT 格式之間轉(zhuǎn)換，之后再分開(kāi)存儲(chǔ)TXT 格式的標(biāo)注信息和圖像。

圖2 公路隧道裂縫圖像標(biāo)注圖

2 圖像質(zhì)量增強(qiáng)方法

2.1 直方圖均衡化方法

對(duì)于應(yīng)用神經(jīng)網(wǎng)絡(luò)的裂縫識(shí)別，除了網(wǎng)絡(luò)模型本身的性能差異，訓(xùn)練數(shù)據(jù)質(zhì)量也是影響檢測(cè)結(jié)果的關(guān)鍵因素。 圖像數(shù)據(jù)增強(qiáng)通過(guò)改善現(xiàn)有的數(shù)據(jù)提高分類(lèi)的準(zhǔn)確性和穩(wěn)定性。 圖像直方圖可以顯示圖像顏色值的頻率分布，而通過(guò)重新分布圖像直方圖的分布，可以改變圖像對(duì)比度。 直方圖均衡化實(shí)際上是對(duì)原始圖像灰度級(jí)的映射變換，而擴(kuò)大像素灰度值的動(dòng)態(tài)范圍會(huì)使圖像特征表現(xiàn)得更明顯。 直方圖均衡化是該思想的基礎(chǔ)實(shí)現(xiàn)方法，其算法步驟如下:

(1) 計(jì)算圖像的直方圖H，并將直方圖的灰度值歸一化為[0，255] 。

(2) 積分計(jì)算出歸一化后對(duì)應(yīng)灰度值i的直方圖分布，式中H′i代表灰度值為i的點(diǎn)對(duì)應(yīng)的映射關(guān)系。

(3) 使用H′作為查找表計(jì)算均衡化圖像equx，y＝H′(srcx，y) ，式中H′代表原始圖像直方圖變換時(shí)的映射矩陣；srcx，y為原始圖像中坐標(biāo)為(x，y) 的點(diǎn)灰度值；equx，y為均衡化圖像中坐標(biāo)為(x，y) 的點(diǎn)灰度值。

現(xiàn)階段常用的圖像均衡化算法主要有灰度直方圖均衡(Histogram Equalization，HE)方法和限制對(duì)比度的自適應(yīng)直方圖均衡化(Contrast Limited Adaptive Histogram Equalization，CLAHE)方法。 HE方法可以有效地歸一化亮度并增加圖像對(duì)比度，但是也存在一些缺陷，如圖像部分區(qū)域由于對(duì)比度增強(qiáng)過(guò)大而成為噪點(diǎn)，一些區(qū)域調(diào)整后變得更暗或更亮，容易缺失信息細(xì)節(jié)。 CLAHE 方法通過(guò)對(duì)圖像數(shù)據(jù)分區(qū)域處理來(lái)改善這些缺陷，其主要步驟如下:(1)將圖像切分為固定大小的矩形塊；(2)設(shè)定直方圖閾值，對(duì)于每個(gè)矩形塊子圖，分別計(jì)算其灰度直方圖和對(duì)應(yīng)的變換函數(shù)，并通過(guò)設(shè)定閾值可以把占比超過(guò)閾值的部分均勻分布到其他灰度上，降低圖像的對(duì)比度；(3)使用線性插值進(jìn)行像素值重構(gòu)解決矩形塊之間的差異，其中針對(duì)角落區(qū)域的像素使用原始變換函數(shù)計(jì)算灰度值，對(duì)邊緣區(qū)域的像素使用周?chē)鷥蓧K子圖的變換函數(shù)進(jìn)行線性插值計(jì)算灰度值，其余區(qū)域使用周?chē)膲K子圖的變換函數(shù)進(jìn)行雙線性插值計(jì)算灰度值。 但是，CLAHE 方法尚不能解決裂縫圖像質(zhì)量差的問(wèn)題。

2.2 改進(jìn)的隧道圖像增強(qiáng)算法

文章提出的算法基本思想是通過(guò)增強(qiáng)圖像的對(duì)比度來(lái)提升裂縫區(qū)域的顯著程度，同時(shí)使圖像的背景部分趨于一致。 文章通過(guò)融合HE 方法和CLAHE 方法，提出了一種改進(jìn)的直方圖均衡化算法以提高背景的相似性與裂縫的顯著性。

(1) 使用CLAHE 方法，其中算法使用默認(rèn)閾值(顏色對(duì)比度閾值cliplimit ＝40，均衡化網(wǎng)格大小gridsize ＝(8，8))。

(2) 對(duì)第一步均衡化的結(jié)果使用直方圖均衡化，將圖像灰度圖拉伸，強(qiáng)化裂縫區(qū)域與暗色背景區(qū)域的差別，輔助神經(jīng)網(wǎng)絡(luò)提取特征。

圖3 是文章提出的增強(qiáng)算法與其他增強(qiáng)算法的效果圖。 原始圖像中裂縫不夠明顯，直方圖分布也較為集中。 HE 算法對(duì)直方圖進(jìn)行簡(jiǎn)單的拉伸和插值，使圖像直方圖分布趨于一致，但是簡(jiǎn)單拉伸灰度分布導(dǎo)致圖像明暗更不均勻，噪聲點(diǎn)更多。 CLAHE算法與文章提出的增強(qiáng)算法在圖像層面基本一致，但從直方圖來(lái)看，所提增強(qiáng)算法使直方圖的分布更加均勻，可以明顯看出圖像部分區(qū)域的灰度特征表觀得到了強(qiáng)化。

圖3 裂縫圖像的直方圖均衡化方法效果圖

2.3 裂縫邊緣圖像邊框增強(qiáng)方法

與其他目標(biāo)檢測(cè)任務(wù)相比，裂縫常呈現(xiàn)細(xì)長(zhǎng)的特征。 為了滿足公路隧道裂縫檢測(cè)的高精度要求，檢測(cè)裝備的拍攝范圍通常較小，因此在采集的公路隧道表觀圖像中，一條裂縫通常連續(xù)覆蓋多張圖像。對(duì)大多數(shù)包含裂縫的公路隧道表觀圖像，其裂縫貫穿整張圖像。 在實(shí)際使用裂縫識(shí)別網(wǎng)絡(luò)的過(guò)程中，發(fā)現(xiàn)網(wǎng)絡(luò)預(yù)測(cè)框很少能夠覆蓋圖像邊緣的裂縫目標(biāo)，目標(biāo)相對(duì)位置越接近圖像中心，檢測(cè)結(jié)果的置信度就越高，如圖4 所示。

圖4 貫穿圖像的裂縫的識(shí)別效果圖

針對(duì)圖像邊緣區(qū)域的裂縫識(shí)別問(wèn)題，為了提高裂縫識(shí)別的精度，通過(guò)改變裂縫區(qū)域在圖像中的相對(duì)位置，使裂縫更集中在圖像中心，從而突出目標(biāo)信息的特征。 因此，文章提出了一種為圖像添加邊框的公路隧道圖像增強(qiáng)方法。 圖像邊框增強(qiáng)方法的步驟如下:(1) 將公路隧道襯砌裂縫數(shù)據(jù)集中的圖像轉(zhuǎn)換為灰度圖，并獲取每個(gè)灰度圖像的尺寸信息；(2) 根據(jù)灰度圖像的尺寸信息，設(shè)定需要添加的邊框尺寸；(3)利用相對(duì)位置關(guān)系，重新生成裂縫標(biāo)注信息；(4) 使用灰度值0(黑色)或255(白色)進(jìn)行邊框填充。

3 裂縫識(shí)別算法試驗(yàn)

3.1 算法試驗(yàn)基礎(chǔ)

3.1.1 YOLOv5 網(wǎng)絡(luò)

YOLOv5 是2020 年提出的目標(biāo)檢測(cè)系列算法(You Only Look Once，YOLO)的最新版本，旨在進(jìn)一步優(yōu)化基于YOLOv4 的物體檢測(cè)的速度和準(zhǔn)確性。為了適應(yīng)不同的場(chǎng)景，發(fā)布了YOLOv5 的4 個(gè)預(yù)訓(xùn)練模型分別為YOLOv5s、YOLOv5m、YOLOv5l 和YOLOv5x。 其中，YOLOv5s 預(yù)訓(xùn)練模型包含1 001個(gè)卷積核和12 個(gè)殘差分量，參數(shù)量?jī)H有14.4 M，其寬度系數(shù)和深度系數(shù)分別為0.5 和0.33。

3.1.2 YOLOv3－MobileNet 網(wǎng)絡(luò)

YOLOv3－MobileNet 提出于2018 年，是YOLO單階段目標(biāo)檢測(cè)算法的第三個(gè)大版本。 作為單階段檢測(cè)模型，YOLOv3 可以直接計(jì)算目標(biāo)位置信息和類(lèi)別信息。 同時(shí)，YOLOv3 借鑒了傳統(tǒng)圖像算法特征金字塔概念，在3 個(gè)不同尺度分別檢測(cè)并輸出特征圖，因此對(duì)小尺寸目標(biāo)也有較好的檢測(cè)效果。

3.1.3 Faster R－CNN 網(wǎng)絡(luò)

Faster R－CNN 是2015 年提出的一種廣泛使用的兩階段目標(biāo)檢測(cè)模型，可以使用多種特征提取網(wǎng)絡(luò)作為模型的主干。 輸入經(jīng)過(guò)卷積主干生成特征圖，通過(guò)區(qū)域建議網(wǎng)絡(luò)(Region Proposal Network，RPN)進(jìn)行特征判斷并生成檢測(cè)框。 RPN 會(huì)給出檢測(cè)框可能的位置提案，并對(duì)檢測(cè)框進(jìn)行回歸以更接近目標(biāo)實(shí)際位置。 從RPN 中生成的提案與特征圖相結(jié)合以獲得提案特征圖。 提案特征圖在感興趣池化(Region of Interest，ROI)中并調(diào)整位置大小后送入全連接層完成最終分類(lèi)和檢測(cè)框回歸，得到最終預(yù)測(cè)結(jié)果。

3.2 評(píng)估指標(biāo)

文章采用COCO 數(shù)據(jù)集的檢測(cè)評(píng)估指標(biāo)測(cè)試模型。 COCO 評(píng)估指標(biāo)作為最主流的目標(biāo)檢測(cè)評(píng)估指標(biāo)之一，共包含12 個(gè)用于評(píng)價(jià)目標(biāo)檢測(cè)算法性能的指標(biāo)。 由于該文的數(shù)據(jù)集僅包含裂縫這一類(lèi)目標(biāo)。因此，選擇使用其中有關(guān)精確率的評(píng)價(jià)指標(biāo)mAP50、mAP75、mAP 和平均召回率AR 評(píng)估裂縫識(shí)別的效果。

精確率(Precision)和召回率(Recall)已廣泛用于評(píng)估分類(lèi)模型。 精確率代表預(yù)測(cè)為正類(lèi)的正樣本數(shù)量占預(yù)測(cè)為正類(lèi)的樣本數(shù)量的比例，召回率代表預(yù)測(cè)為正類(lèi)的正樣本數(shù)量占全部正類(lèi)樣本數(shù)量的比例。 精確率、召回率分別由式(1)和(2)表示為

式中TP為預(yù)測(cè)為正類(lèi)的正樣本數(shù)量；FP為預(yù)測(cè)為正類(lèi)的負(fù)樣本數(shù)量；FN為預(yù)測(cè)為負(fù)類(lèi)的正樣本數(shù)量。

在此基礎(chǔ)上，目標(biāo)檢測(cè)任務(wù)引入了交并比(IoU)以擴(kuò)充評(píng)估指標(biāo)。 IoU 是檢測(cè)評(píng)估指標(biāo)中一個(gè)非常關(guān)鍵的概念。 交并比示意圖如圖5 所示，標(biāo)注范圍框和預(yù)測(cè)范圍框?yàn)閮蓚€(gè)區(qū)域，IoU 表示的是兩個(gè)區(qū)域的重疊程度，由式(3)表示為

圖5 交并比示意圖

式中Ap為預(yù)測(cè)范圍框的區(qū)域；Agt為標(biāo)注范圍框的區(qū)域。

通過(guò)設(shè)定不同的IoU 閾值(從0.5~0.95，每0.05一檔)，可以對(duì)預(yù)測(cè)結(jié)果得出不同的評(píng)估結(jié)果。mAP50、mAP75 分別為IoU 為0.5 和0.75 時(shí)的精確率，mAP(亦作mAP＠50∶95)是所有設(shè)定IoU 閾值下精確率的平均值。

3.3 算法試驗(yàn)方案

利用YOLOv5、YOLOv3－MobileNet 和Faster RCNN 等3 種網(wǎng)絡(luò)分別針對(duì)文章提出的圖像質(zhì)量增強(qiáng)方法開(kāi)展算法試驗(yàn)。 針對(duì)直方圖均衡化方法，采用上述3 種算法，分別使用公路隧道原始圖像、CLAHE 算法增強(qiáng)圖像和文章增強(qiáng)方法增強(qiáng)圖像進(jìn)行裂縫識(shí)別網(wǎng)絡(luò)的訓(xùn)練，評(píng)估不同增強(qiáng)方法對(duì)裂縫識(shí)別造成的影響。

針對(duì)邊緣裂縫圖像邊框增強(qiáng)方法，為了探討添加的邊框?qū)挾群瓦吙蛱畛漕伾珜?duì)裂縫識(shí)別的影響，在原始數(shù)據(jù)集上添加了不同寬度的邊框。 邊框大小為原始圖像長(zhǎng)與寬的1/10、1/9、1/8 和1/7，邊框填充顏色為黑色和白色。 根據(jù)邊框?qū)挾群瓦吙蝾伾慕M合，設(shè)計(jì)8 組工況，分別為(1/10，黑色)、(1/10，白色)、(1/9，黑色)、(1/9，白色)、(1/8，黑色)、(1/8，白色)、(1/7，黑色) 和(1/7，白色)，采用YOLOv5 算法對(duì)該方法開(kāi)展算法試驗(yàn)。

訓(xùn)練周期設(shè)置為60、批訓(xùn)練大小設(shè)置為4。 考慮到圖像邊框增強(qiáng)方法會(huì)影響圖像的尺寸，訓(xùn)練和驗(yàn)證時(shí)輸入圖像的尺寸均自動(dòng)調(diào)整為640 pixel×640 pixel并關(guān)閉馬賽克增廣方法，其余訓(xùn)練參數(shù)保持為默認(rèn)值。 訓(xùn)練數(shù)據(jù)集為1.2 節(jié)中構(gòu)建的裂縫數(shù)據(jù)集。 訓(xùn)練電腦硬件配置為處理器Intel i7－11700、顯卡Nvidia Tesla T4 16 G、內(nèi)存32 G；開(kāi)發(fā)環(huán)境為CUDA 11.1、Python 3.7.9 和PyTorch 1.8.2。

4 均衡化圖像質(zhì)量增強(qiáng)方法試驗(yàn)結(jié)果

4.1 均衡化圖像質(zhì)量增強(qiáng)方法效果

文章所提出的均衡化質(zhì)量增強(qiáng)圖像的目標(biāo)檢測(cè)算法試驗(yàn)的9 組結(jié)果見(jiàn)表1，部分典型裂縫識(shí)別結(jié)果對(duì)比如圖6 所示。 對(duì)于YOLOv5 網(wǎng)絡(luò)模型的檢測(cè)評(píng)估指標(biāo)，經(jīng)過(guò)提出的增強(qiáng)方法處理的圖像得到了最好的評(píng)估指標(biāo)。 相比未經(jīng)處理的原始圖像數(shù)據(jù)，mAP、mAP50、mAP75、AR 分別提高了13.5%、10.1%、20.0%和6.0%，其增幅都比較大；相比于CLAHE 增強(qiáng)方法，在mAP 和mAP50 處的增幅取得小幅領(lǐng)先，均提高了約1.4%，但是在mAP75 處的增幅更加明顯，提升了7.3%，說(shuō)明該算法在高IoU 條件下的準(zhǔn)確性較好，識(shí)別得到的包圍框與真實(shí)情況更相符。

圖6 部分典型裂縫識(shí)別結(jié)果對(duì)比

對(duì)于Faster R－CNN 網(wǎng)絡(luò)模型的試驗(yàn)結(jié)果，所提的圖像增強(qiáng)方法相對(duì)于原始圖像數(shù)據(jù)仍有較好的提升效果，mAP、mAP50、mAP75、AR 分別提高了5.6%、2.8%、10.1%和2.7%。 同樣，對(duì)比CLAHE 增強(qiáng)方法也有提高，其中mAP75 更是提高了4.9%，說(shuō)明在對(duì)裂縫檢測(cè)包圍框精度要求更高的場(chǎng)景下所研算法會(huì)有更好的表現(xiàn)。 整體評(píng)估結(jié)果證明該算法可以用于改善基于Faster R－CNN 網(wǎng)絡(luò)的公路隧道裂縫識(shí)別網(wǎng)絡(luò)模型。 YOLOv3－MobileNet 的試驗(yàn)結(jié)果與Faster R－CNN 網(wǎng)絡(luò)類(lèi)似，從數(shù)值上看，文章提出的算法相較兩組對(duì)比數(shù)據(jù)均有較大提升，并且是3 個(gè)網(wǎng)絡(luò)模型中提升幅度最大的，mAP 分別提高了22.2%和6.3%，mAP75 甚至提高到了45.7%和23.5%。

從上述分析可以得出，文章所提算法可以有效提升裂縫識(shí)別神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性，并且此方法具有良好的適用性，在試驗(yàn)中使用的3 個(gè)網(wǎng)絡(luò)模型中均具有良好的表現(xiàn)。 同時(shí)，所提算法比CLAHE 算法更好，在4 項(xiàng)評(píng)估指標(biāo)上基本都是最好的，尤其在mAP75 上的較大領(lǐng)先表明能夠滿足較高精度的裂縫檢測(cè)場(chǎng)景。 AR 方面，在與原始圖像對(duì)比中，提高的百分比約等于AP 提升度的一半，說(shuō)明基于灰度均衡化的增強(qiáng)方法在提高召回率上的作用相對(duì)有限。

4.2 均衡化圖像質(zhì)量增強(qiáng)目標(biāo)檢測(cè)算法訓(xùn)練曲線

均衡化質(zhì)量增強(qiáng)圖像目標(biāo)檢測(cè)算法訓(xùn)練曲線如圖7 所示，原始數(shù)據(jù)的訓(xùn)練曲線有劇烈的波動(dòng)，說(shuō)明訓(xùn)練數(shù)據(jù)與驗(yàn)證數(shù)據(jù)差別較大，訓(xùn)練質(zhì)量不高，而采用所提均衡化質(zhì)量增強(qiáng)方法可以平滑訓(xùn)練曲線，且使訓(xùn)練結(jié)果適用范圍更廣。 由此可以看出，對(duì)于YOLOv5 模型，提出的增強(qiáng)方法可以顯著改善道路裂縫圖像數(shù)據(jù)與隧道裂縫圖像數(shù)據(jù)在訓(xùn)練中的差異，提高模型預(yù)測(cè)能力。

圖7 均衡化質(zhì)量增強(qiáng)圖像目標(biāo)檢測(cè)算法訓(xùn)練曲線

4.3 裂縫邊緣圖像邊框增強(qiáng)方法分析

通過(guò)均衡化圖像質(zhì)量增強(qiáng)方法試驗(yàn)可以看出，YOLOv5 的試驗(yàn)結(jié)果相較于其他兩種算法表現(xiàn)優(yōu)異，更適用于隧道襯砌裂縫的識(shí)別，因此在圖像邊框增強(qiáng)方法試驗(yàn)中僅選取了YOLOv5 算法進(jìn)行訓(xùn)練。

表2 為使用不同圖像邊框增強(qiáng)圖像采用YOLOv5 訓(xùn)練的裂縫識(shí)別結(jié)果。 可以看出，所有使用了邊框增強(qiáng)方法的裂縫識(shí)別結(jié)果在mAP50 和mAP 兩個(gè)指標(biāo)上均有提高，并且兩個(gè)指標(biāo)提升幅度最大的均是工況4，mAP50 提高了2.7%，而mAP 提高了3.4%。 從邊框?qū)挾确矫鎭?lái)看，1/9 的邊框?qū)挾热〉昧俗詈玫脑u(píng)估指標(biāo)，之后隨著邊框越來(lái)越寬評(píng)估指標(biāo)開(kāi)始降低，但是仍然優(yōu)于不添加邊框的工況1。 在原始圖像上添加邊框會(huì)導(dǎo)致圖像分辨率變大，而網(wǎng)絡(luò)輸入尺寸始終保持為640 pixel ×640 pixel，添加邊框的裂縫圖像的實(shí)際裂縫范圍經(jīng)過(guò)縮放會(huì)比原始圖像更小，并且邊框越寬實(shí)際裂縫范圍越小，由縮放產(chǎn)生的圖像精度損失會(huì)更大，因此在邊框?qū)挾瘸^(guò)一定的范圍時(shí)裂縫識(shí)別的精確率開(kāi)始降低。

表2 不同工況圖像邊框增強(qiáng)方法試驗(yàn)結(jié)果表

從邊框顏色方面來(lái)看，1/10 寬度的工況條件下白色邊框的評(píng)估指標(biāo)優(yōu)于黑色邊框，但是二者差距較小。 其余寬度條件下黑色邊框的評(píng)估指標(biāo)均優(yōu)于白色邊框，其中mAP50 的提高幅度較小，但是mAP的提高幅度較大一些，說(shuō)明在精度要求較高的場(chǎng)景下黑色邊框會(huì)有更加明顯的裂縫識(shí)別增強(qiáng)效果。 考慮到公路隧道光照條件較差，采集的公路隧道表觀圖像通?；叶戎递^低，相比于白色，其更接近于黑色，因此可以認(rèn)為針對(duì)公路隧道襯砌表觀灰度圖像的裂縫識(shí)別任務(wù)，添加黑色邊框會(huì)優(yōu)于白色邊框。結(jié)合邊框?qū)挾群瓦吙蝾伾珒煞矫娴姆治?，圖像邊框增強(qiáng)方法可以有效提高公路隧道裂縫識(shí)別的精確率，并且在640 pixel×640 pixel 的輸入尺寸下為裂縫圖像添加寬度為1/9 的黑色邊框可以獲得最好的裂縫識(shí)別效果。

4.4 裂縫邊緣圖像目標(biāo)檢測(cè)算法訓(xùn)練曲線

裂縫識(shí)別模型在工況1、4 和5 的訓(xùn)練損失和驗(yàn)證損失曲線變化趨勢(shì)如圖8 所示，在開(kāi)始訓(xùn)練之初，工況4 的損失曲線迅速下降，工況1 的損失曲線下降最慢。 訓(xùn)練結(jié)束時(shí)，工況1 具有最高的損失值。通常，越低的損失值表示越好的訓(xùn)練指標(biāo)。

圖8 裂縫圖像邊框增強(qiáng)圖像目標(biāo)檢測(cè)算法損失曲線

在訓(xùn)練前期驗(yàn)證損失曲線震蕩較大，主要是因?yàn)樵凇邦A(yù)訓(xùn)練－微調(diào)”模式下迭代次數(shù)較少時(shí)，權(quán)重的參數(shù)矩陣進(jìn)行前向推理預(yù)測(cè)的裂縫錨框與實(shí)際裂縫錨框相差較大造成的，此時(shí)的訓(xùn)練權(quán)重不能夠很好地進(jìn)行裂縫識(shí)別這一任務(wù)。 隨著迭代次數(shù)的增加，裂縫識(shí)別模型的損失曲線震蕩現(xiàn)象逐漸變小且趨向于穩(wěn)定，工況4 率先達(dá)到收斂狀態(tài)。 由于驗(yàn)證集也被定義為測(cè)試集，因此在評(píng)估不同的模型預(yù)測(cè)性能時(shí)，與訓(xùn)練損失相比，驗(yàn)證損失更為可靠。

5 結(jié)論

針對(duì)現(xiàn)階段采用移動(dòng)測(cè)量技術(shù)獲取隧道裂縫圖像信噪比低、對(duì)比度低，圖像質(zhì)量差的問(wèn)題，分別提出了基于均衡化理論的圖像質(zhì)量增強(qiáng)方法和適用于邊緣裂縫的圖像邊框質(zhì)量增強(qiáng)方法，采用主流目標(biāo)檢測(cè)算法開(kāi)展了算法試驗(yàn)，分析了圖像質(zhì)量增強(qiáng)效果，得到的主要結(jié)論如下:

(1) 所提的均衡化圖像質(zhì)量增強(qiáng)方法通過(guò)均衡直方圖的方法使裂縫圖像直方圖的分布更加均衡，強(qiáng)化了部分區(qū)域的灰度特征表現(xiàn)，使不同場(chǎng)景下的高噪聲裂縫呈現(xiàn)出類(lèi)似的視覺(jué)效果，可以輔助提升裂縫識(shí)別效果。

(2) 所提的圖像數(shù)據(jù)增強(qiáng)算法可以有效提升裂縫識(shí)別的準(zhǔn)確性，YOLOv5 模型、Faster R－CNN 模型、YOLOv3－MobileNet 模型分別可以使AP 提升13.5%、5.6%、22.2%。 在均衡化圖像裂縫檢測(cè)試驗(yàn)中，YOLOv5 模型具有最好的評(píng)估指標(biāo)，輕量化模型YOLOv3 可以應(yīng)用于快速化裂縫檢測(cè)任務(wù)，F(xiàn)asterRCNN 模型在精細(xì)目標(biāo)識(shí)別方面有一定的優(yōu)勢(shì)。

(3) 為公路隧道襯砌表觀灰度圖像添加邊框的圖像邊框增強(qiáng)方法可以有效提高公路隧道裂縫識(shí)別的準(zhǔn)確率，并且該方法在添加寬度為1/9 的黑色邊框時(shí)可以獲得最好的裂縫識(shí)別效果，同時(shí)可以加快模型的收斂速度。