劉少華 ,任宜春 ,鄭智雄 ,牛孜飏

（1.長沙理工大學(xué) 土木工程學(xué)院，長沙 410114；2.中國建筑第五工程局有限公司，長沙 410007）

建筑外墻裂縫會(huì)使帶腐蝕性的雨水滲入墻體，導(dǎo)致墻體涂料與防水材料等發(fā)霉、剝落，不僅影響建筑美觀，甚至銹蝕墻內(nèi)鋼筋等材料，破壞墻體結(jié)構(gòu)，帶來安全隱患。準(zhǔn)確檢測出裂縫位置，可以為制定有效的維護(hù)方案提供依據(jù)。目前，建筑外墻裂縫主要采用人工檢測，這是一種高空作業(yè)，不僅危險(xiǎn)，而且檢測效率和精度都很低。如何安全、高效地檢測建筑外墻裂縫成為亟須解決的問題。

計(jì)算機(jī)視覺為裂縫檢測提供了一種非接觸式的檢測技術(shù)[1]，包括圖像處理和深度學(xué)習(xí)兩類方法。基于圖像處理的裂縫檢測方法根據(jù)裂縫的紋理和邊緣等特征，人為設(shè)計(jì)裂縫檢測的依據(jù)，實(shí)現(xiàn)裂縫檢測[2]。這種方法夠在特定的數(shù)據(jù)集上取得良好的檢測效果，但是裂縫的檢測精度不高，且需要針對(duì)特定的圖像設(shè)計(jì)專門的裂縫檢測算法。近年來，基于深度學(xué)習(xí)的方法在裂縫檢測領(lǐng)域取得了顯著的成果，根據(jù)裂縫檢測方式的不同可將其分為3 類：圖像分類、目標(biāo)檢測與語義分割?；趫D像分類[3]與目標(biāo)檢測[4]的裂縫檢測方式，只能識(shí)別并定位裂縫，不能在像素級(jí)別上標(biāo)記裂縫，從而無法獲得裂縫形狀信息；基于語義分割的裂縫檢測方法是對(duì)圖像中的每個(gè)像素點(diǎn)進(jìn)行分類，能將裂縫像素準(zhǔn)確標(biāo)記出來，既可以檢測有無裂縫，又能得到裂縫的位置、形狀等信息[5]。經(jīng)典語義分割模型 U-Net[6]、DeepLabv3+[7]、PSPNet[8]及其改進(jìn)模型在橋梁、路面及隧道等領(lǐng)域的裂縫檢測中得到廣泛應(yīng)用。李良福等[9]提出了改進(jìn)的PSPNet 模型，解決了橋梁裂縫分割細(xì)節(jié)信息丟失的問題；Li 等[10]提出了一種可訓(xùn)練的上下文編碼網(wǎng)絡(luò)，實(shí)現(xiàn)了復(fù)雜條件下橋梁裂縫的檢測；曹錦綱等[11]提出了一種基于注意力機(jī)制的網(wǎng)絡(luò)，實(shí)現(xiàn)了自動(dòng)準(zhǔn)確地路面裂縫檢測；Nguyen等[12]提出了一種兩級(jí)卷積神經(jīng)網(wǎng)絡(luò)來處理含噪聲和低質(zhì)量的道路圖像；孟慶成等[13]用改進(jìn)的MobileNet_v2 替換U-Net 編碼器，實(shí)現(xiàn)了對(duì)混凝土裂縫的實(shí)時(shí)檢測；Dang 等[14]提出了改進(jìn)的U-Net 模型，在滿足裂縫分割性能要求的基礎(chǔ)上支持裂縫自動(dòng)測量。上述模型在裂縫檢測中的成功應(yīng)用，表明深度學(xué)習(xí)方法在裂縫檢測領(lǐng)域具有廣闊的應(yīng)用前景。

建筑外墻裂縫與橋梁、路面等混凝土裂縫擁有共同特征，然而建筑外墻因其材料多樣性，且墻體包含復(fù)雜建筑構(gòu)件，導(dǎo)致建筑外墻裂縫圖像背景更加復(fù)雜，存在更多的背景噪聲。因此，有必要為建筑外墻裂縫檢測針對(duì)性地設(shè)計(jì)一個(gè)深度學(xué)習(xí)模型?；谏疃葘W(xué)習(xí)的裂縫檢測方法在訓(xùn)練和預(yù)測階段都依賴原始圖像數(shù)據(jù)，人工采集大型建筑的外墻圖像需高空作業(yè)，存在安全隱患大、效率低等問題。近年來，無人機(jī)技術(shù)取得快速發(fā)展，無人機(jī)搭載傳感器為高空采集圖像提供了一種安全且高效的方式，在抗震救災(zāi)、農(nóng)業(yè)植保等領(lǐng)域得到廣泛應(yīng)用[15]。筆者使用無人機(jī)航拍采集建筑外墻圖像，并根據(jù)裂縫圖像特征設(shè)計(jì)了改進(jìn)的U-Net 模型用于裂縫檢測。

1 裂縫數(shù)據(jù)集構(gòu)建

1.1 圖像采集與處理

圖像采集包括裂縫數(shù)據(jù)集構(gòu)建和裂縫檢測兩個(gè)階段。在構(gòu)建數(shù)據(jù)集時(shí)，為了保證訓(xùn)練后模型的魯棒性，需要廣泛采集各類型建筑外墻圖像，包括不同光照條件、不同拍攝角度及不同航拍間距等。在裂縫檢測階段，需要根據(jù)裂縫檢測精度要求來設(shè)計(jì)圖像采集方案，規(guī)劃采集路線、航拍間距等以確定裂縫位置及圖像像素比例尺，從而指導(dǎo)裂縫修復(fù)與建筑維護(hù)。

廣泛采集原始建筑外墻圖像以構(gòu)建建筑外墻裂縫數(shù)據(jù)集。共得到建筑外墻裂縫圖像566 張，分辨率大小為8 000×6 000。由于采集的圖像分辨率過大，不利于模型訓(xùn)練，且裁剪后的裂縫圖像細(xì)節(jié)信息更加豐富，于是對(duì)圖像進(jìn)行裁剪。利用滑動(dòng)窗口方法將原圖裁剪為512×512 大小的子圖，第1步：從圖像左上角開始，沿著自左向右、自上而下的順序依次裁剪，得到子圖165 張，保證子圖覆蓋原圖，避免信息丟失；第2 步：在圖像左下角7 488×5 488 范圍內(nèi)隨機(jī)選擇35 個(gè)點(diǎn)作為子圖左下角進(jìn)行裁剪，得到子圖35 張，用于信息補(bǔ)充。在完成所有圖像裁剪后，剔除非建筑外墻圖像及不含裂縫的背景圖像后共得到裂縫圖像3 862 張。

圖1 裂縫樣本Fig.1 Crack samples

為了確保模型的泛化性能和復(fù)雜背景下裂縫分割的魯棒性，必須保證裂縫圖像數(shù)據(jù)中裂縫樣本及圖像背景的多樣性和復(fù)雜度。無人機(jī)航拍包括不同天氣狀況、一天的不同時(shí)間段，因光照條件不同，得到明暗程度不同的裂縫圖像；裂縫圖像包含的裂縫類型全面，包括縱向、橫向、斜向、交叉及任意分布的裂縫圖像，且圖像背景豐富，包括不同材料建筑外墻下磚縫、門窗、排水管、陰影及雜物等背景，部分裂縫圖像如圖1 所示。

1.2 圖像標(biāo)注

為了保證數(shù)據(jù)集的可靠性，使用開源的分割任務(wù)標(biāo)注軟件labelme 對(duì)裂縫進(jìn)行人工標(biāo)注。首先，沿著裂縫邊緣逐點(diǎn)勾勒出裂縫的輪廓，生成一個(gè)包含裂縫位置坐標(biāo)的json 文件，然后用python 代碼將其轉(zhuǎn)化為可供計(jì)算機(jī)學(xué)習(xí)的二值圖像，標(biāo)記結(jié)果如圖2 所示。

圖2 裂縫標(biāo)注Fig.2 Crack labeling

在完成裂縫數(shù)據(jù)集構(gòu)建后，按照8∶1∶1 的比例將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測試集，其中訓(xùn)練集3 102 張，驗(yàn)證集與測試集各380 張。

2 研究方法

2.1 U-Net 模型

U-Net 是在全卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上提出用于醫(yī)學(xué)圖像分割的網(wǎng)絡(luò)模型。該模型是一個(gè)對(duì)稱編解碼結(jié)構(gòu)，包括編碼器、解碼器兩個(gè)部分。其獨(dú)特之處在于將編碼器中低分辨率特征圖通過跳躍連接直接拼接到對(duì)應(yīng)解碼器上采樣生成的特征圖，從而有效融合淺層紋理特征和深層語義特征，有利于圖像分割。

編碼器是由兩個(gè)無填充的3×3 卷積重復(fù)應(yīng)用組成，每一個(gè)卷積后面有一個(gè)ReLU 激活函數(shù)，兩次卷積之后有一個(gè)2×2 最大池化，用于下采樣。編碼器一共包含4 個(gè)下采樣，每一個(gè)下采樣中，將特征通道的數(shù)量增加一倍，特征圖大小減為一半。編碼器主要負(fù)責(zé)提取輸入圖像的特征信息，并將多個(gè)尺度的特征圖傳入解碼器。

解碼器是模型的加強(qiáng)特征提取網(wǎng)絡(luò)，利用轉(zhuǎn)置卷積對(duì)主干網(wǎng)絡(luò)獲取的5 個(gè)初步有效特征層進(jìn)行上采用，并進(jìn)行特征融合，最終得到一個(gè)融合了所有特征的有效特征層。

2.2 改進(jìn)的U-Net 模型

研究表明：U-Net 模型存在細(xì)長裂縫分割不連續(xù)、復(fù)雜背景下裂縫漏檢及背景誤檢的問題。分析其可能原因?yàn)椋?）裂縫圖像正負(fù)樣本分布不均對(duì)模型性能造成影響；2）模型特征提取能力不足導(dǎo)致裂縫漏檢及誤檢；3）缺少獲取多尺度信息的能力導(dǎo)致裂縫分割不連續(xù)及背景誤檢。在分析原因基礎(chǔ)上提出了基于U-Net 的改進(jìn)模型，相對(duì)于原模型做出了3 點(diǎn)具有針對(duì)性的改進(jìn)：1）使用改進(jìn)的損失函數(shù)處理裂縫圖像正負(fù)樣本分布極度不均衡的問題；2）使用預(yù)訓(xùn)練的ResNet50 網(wǎng)絡(luò)替換原模型的編碼網(wǎng)絡(luò)，以提升模型特征表達(dá)能力；3）添加改進(jìn)的ASPP 模塊，獲取多尺度上下文信息。網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示。

圖3 改進(jìn)的U-Net 模型Fig.3 Improved U-Net model

2.2.1 殘差神經(jīng)網(wǎng)絡(luò)

理論上，神經(jīng)網(wǎng)絡(luò)的層數(shù)越多即深度學(xué)習(xí)模型越深，網(wǎng)絡(luò)的特征表達(dá)能力越強(qiáng)。但神經(jīng)網(wǎng)絡(luò)達(dá)到一定深度時(shí)，繼續(xù)加深會(huì)因?yàn)榉聪騻鞑ミ^程梯度消失導(dǎo)致模型性能變得更差。為了解決這個(gè)問題，He等[16]提出了用跳躍連接解決網(wǎng)絡(luò)加深造成梯度消失的殘差神經(jīng)網(wǎng)絡(luò)（ResNet），包括Conv Block 和Identity Block 兩個(gè)基本模塊，Conv Block 改變網(wǎng)絡(luò)的維度，用來調(diào)整特征圖大小和層數(shù)；Identity Block不改變網(wǎng)絡(luò)維度，用來加深網(wǎng)絡(luò)，結(jié)構(gòu)如圖4 所示。

圖4 殘差模塊Fig.4 Residual Module

基于深度學(xué)習(xí)的方法對(duì)建筑外墻裂縫圖像分割，然而裂縫的標(biāo)注難度較大，自制大型數(shù)據(jù)集成本太高且不實(shí)際，為了克服深度學(xué)習(xí)方法依賴大量訓(xùn)練樣本的問題，引入遷移學(xué)習(xí)方法?；谔卣魈崛〉倪w移，用ImageNet 數(shù)據(jù)集上預(yù)訓(xùn)練好的深度殘差網(wǎng)絡(luò)（刪除最后的平均池化層、全連接層和softmax 層），替換U-Net 網(wǎng)絡(luò)原來由兩層卷積加一層池化組成的編碼網(wǎng)絡(luò)。

2.2.2 ASPP 模塊

受空間金字塔池化（Spatial Pyramid Pooling,SPP）模塊[8]啟發(fā)，Chen 等[7]提出了ASPP 模塊，結(jié)構(gòu)如圖5 所示。

圖5 ASPP 模塊Fig.5 ASPP module

采用并行的多個(gè)具有不同擴(kuò)張率的擴(kuò)張卷積，每個(gè)分支使用不同擴(kuò)張率單獨(dú)進(jìn)行圖像特征提取，并將各分支提取特征進(jìn)行融合，從而提取得到多尺度的圖像信息。該模塊可以有效避免局部信息丟失，增加遠(yuǎn)距離信息的相關(guān)性。

擴(kuò)張卷積是在普通卷積中增加“空洞”來擴(kuò)大感受野的卷積，相對(duì)于普通卷積增加了“擴(kuò)張率”這個(gè)超參數(shù)。通過設(shè)置擴(kuò)張率的大小，可以實(shí)現(xiàn)相同參數(shù)量和計(jì)算量下更大的感受野。如圖6 所示，擴(kuò)張率為2 的3×3 卷積核與普通3×3 卷積核相比，感受野由3×3 擴(kuò)大為5×5。

圖6 感受野對(duì)比圖Fig.6 Comparison of receptive field

值得注意的是，組合擴(kuò)張卷積的擴(kuò)張率設(shè)置不當(dāng)會(huì)產(chǎn)生“網(wǎng)格效應(yīng)”。當(dāng)卷積核大小為3×3，組合擴(kuò)張率設(shè)為[2,2,2]時(shí)，像素利用情況如圖7（a）所示（數(shù)字表示像素利用次數(shù)），此時(shí)，大量像素未被利用（數(shù)字0 處），產(chǎn)生了“網(wǎng)格效應(yīng)”；組合擴(kuò)張率設(shè)為[1,2,3]時(shí)，像素利用情況如圖7（b）所示，此時(shí)像素利用全面，未產(chǎn)生“網(wǎng)格效應(yīng)”。

圖7 像素利用情況Fig.7 Pixel utilization

Wang 等[17]提出了混合擴(kuò)張卷積（Hybrid Dilated Convolution,HDC）理論，用于解決“網(wǎng)格效應(yīng)”問題。假設(shè)有n個(gè)卷積核大小為k×k，擴(kuò)張率為[r1…ri…rn]的擴(kuò)張卷積，定義兩個(gè)非零值之間的距離為

式中：Mn=rn，M2≤k。另外，還需保證擴(kuò)張率的最大公約數(shù)為不能大于1。

由于裂縫呈線性分布的特點(diǎn)，既有小目標(biāo)物體的特點(diǎn)又有大目標(biāo)物體的特點(diǎn)，且裂縫圖像含有多尺度背景噪聲。原U-Net 模型對(duì)細(xì)長裂縫預(yù)測存在分割不連續(xù)及背景噪聲誤檢的問題。

為了解決上述問題，在模型編解碼之間添加ASPP 模塊。ASPP 模塊擴(kuò)張率設(shè)計(jì)基于HDC 理論，并借鑒DeepLabv3+中ASPP 模塊結(jié)構(gòu)。設(shè)計(jì)了擴(kuò)張率分別為[2,3,5]、[2,3,7]、[2,3,9]、[2,3,12]的ASPP 模塊進(jìn)行消融實(shí)驗(yàn)。

2.2.3 損失函數(shù)

在建筑外墻裂縫圖像中，裂縫像素所占比例極小，約為1.5%～4%，造成正（裂縫）負(fù)（背景）樣本分布極度不均衡，且樣本中存在大量易分類的負(fù)樣本。研究發(fā)現(xiàn)，經(jīng)典的二分類損失函數(shù)在裂縫圖像語義分割模型中，易分類的負(fù)樣本會(huì)對(duì)損失起主要貢獻(xiàn)作用，導(dǎo)致模型對(duì)裂縫特征的學(xué)習(xí)被抑制，模型的性能和優(yōu)化方向不穩(wěn)定。

為了解決現(xiàn)有損失函數(shù)在裂縫分割模型中的不足，提出使用Dice Loss[18]作為正則項(xiàng)與Focal Loss[19]結(jié)合的新?lián)p失函數(shù)（FD Loss），如式（2）所示。

式中：w為數(shù)量級(jí)校正因子，保證兩者處在相同數(shù)量級(jí)上。

Focal Loss 是基于二分類交叉熵?fù)p失函數(shù)改進(jìn)而來的處理正負(fù)樣本分布不均，并讓模型在訓(xùn)練時(shí)更專注于難分類樣本的損失函數(shù)，如式（3）所示。

式中：N為像素點(diǎn)總數(shù)；與y分別表 示第n個(gè)像素的預(yù)測值與真實(shí)值，通過設(shè)置α來控制正負(fù)樣本對(duì)總損失的共享權(quán)重；通過設(shè)置γ來減少易分類樣本的權(quán)重，使模型在訓(xùn)練時(shí)更專注于難分類的樣本，本文α設(shè)為0.25、γ設(shè)為2。

Dice Loss 源于Dice 系數(shù)，可以緩解正負(fù)樣本在數(shù)量上不平衡的問題，并優(yōu)化F1_score，如式（4）所示。

式中：N為像素點(diǎn)總數(shù)；與y分別表 示第n個(gè)像素的預(yù)測值與真實(shí)值；|·|表示其參數(shù)的所有矩陣元素的和；∩表示逐個(gè)元素的乘法運(yùn)算。

3 實(shí)驗(yàn)設(shè)計(jì)與分析

實(shí)驗(yàn)環(huán)境配置如表1 所示。

表1 實(shí)驗(yàn)環(huán)境配置Table 1 Experimental environment configuration

模型訓(xùn)練100 個(gè)epoch，前50 個(gè)epoch 凍 結(jié)編碼器，對(duì)解碼器進(jìn)行訓(xùn)練。這樣可以避免因?yàn)榫幋a器預(yù)訓(xùn)練權(quán)重與未訓(xùn)練的解碼器權(quán)重相差太大導(dǎo)致編碼器預(yù)訓(xùn)練權(quán)重被破壞，同時(shí)還可以加快模型訓(xùn)練速度。批大小設(shè)為16，初始學(xué)習(xí)率設(shè)為0.000 1。后50 個(gè)epoch 對(duì)整個(gè)模型進(jìn)行訓(xùn)練，批大小設(shè)為8，初始學(xué)習(xí)率設(shè)為0.000 01。各模型損失曲線與mIoU 曲線如圖8 所示?？傮w上，模型大約在85 個(gè)epoch 后達(dá)到收斂。

圖8 各模型損失曲線與mIoU 曲線Fig.8 Loss curve and mIoU curve of each model

3.1 評(píng)價(jià)指標(biāo)

對(duì)于二分類問題，在進(jìn)行結(jié)果評(píng)價(jià)時(shí)，可將樣例根據(jù)其真實(shí)類別與預(yù)測類別的組合劃分為真正例（TP）、假正例（FP）、真反例（TN）、假反例（FN）4種情形。

使用交并比（IoU）、精準(zhǔn)率（Precision）、召回率（Recall）和F1_score這4 個(gè)指標(biāo)，對(duì)網(wǎng)絡(luò)模型的分割性能進(jìn)行定量評(píng)估。

IoU 突出預(yù)測結(jié)果與標(biāo)簽的重合度，是常見的圖像分割評(píng)價(jià)指標(biāo)；Precision 突出預(yù)測結(jié)果中誤檢像素的比例；Recall 突出漏檢的比例；F1_score綜合考慮了Precision 與Recall，F(xiàn)1_score值越大代表模型性能越好。

3.2 實(shí)驗(yàn)分析

3.2.1 損失函數(shù)對(duì)比實(shí)驗(yàn)

分別使用Focal Loss、Dice Loss 以及FD Loss作為模型的損失函數(shù)，在自制數(shù)據(jù)集上訓(xùn)練，并在測試集上測試，得到實(shí)驗(yàn)結(jié)果如圖9 所示。

圖9 損失函數(shù)實(shí)驗(yàn)結(jié)果Fig.9 Experimental results of loss function

由圖9 可知，F(xiàn)ocal Loss 從局部進(jìn)行考察，其Precision 較高，Recall 相對(duì)較低；Dice Loss 從全局進(jìn)行考察，Recall 較高，Precision 較低。FD Loss 結(jié)合兩者共同優(yōu)化模型，引導(dǎo)模型更加注重對(duì)難分類的正（裂縫）樣本進(jìn)行學(xué)習(xí)，并提高預(yù)測裂縫區(qū)域與標(biāo)注裂縫區(qū)域的重合度。相較于單獨(dú)使用Focal Loss和Dice Loss，F(xiàn)D Loss 在裂縫數(shù)據(jù)上表現(xiàn)出更優(yōu)異的效果，且訓(xùn)練過程更加穩(wěn)定。

3.2.2 編碼網(wǎng)絡(luò)對(duì)比實(shí)驗(yàn)

在U-Net 模型基礎(chǔ)上，將模型編碼網(wǎng)絡(luò)分別替換為預(yù)訓(xùn)練的ResNet18、ResNet34、ResNet50 及ResNet101 進(jìn)行實(shí)驗(yàn)（模型使用FD Loss 作為損失函數(shù)），實(shí)驗(yàn)結(jié)果如表2 所示。

表2 編碼網(wǎng)絡(luò)實(shí)驗(yàn)結(jié)果Table 2 Experimental results of encoder

由表2 可知，隨著編碼網(wǎng)絡(luò)的加深，各評(píng)價(jià)指標(biāo)都逐步提升，說明加深編碼網(wǎng)絡(luò)提高了模型特征提取能力，模型對(duì)裂縫的分割性能得到優(yōu)化；然而編碼網(wǎng)絡(luò)使用ResNet101 時(shí)，各評(píng)價(jià)指標(biāo)反而大幅下降，說明此時(shí)的模型復(fù)雜度與數(shù)據(jù)集大小及裂縫的分割難度不匹配，模型出現(xiàn)了過擬合現(xiàn)象。選擇ResNet50 作為遷移網(wǎng)絡(luò)，在增強(qiáng)模型特征提取能力的同時(shí)避免網(wǎng)絡(luò)過深導(dǎo)致模型與分割任務(wù)復(fù)雜度不匹配，造成過擬合。

3.2.3 ASPP 模塊擴(kuò)張率對(duì)比實(shí)驗(yàn)

在U-Net 模型基礎(chǔ)上，分別在編解碼網(wǎng)絡(luò)間添加3 種不同擴(kuò)張率的ASPP 模塊進(jìn)行實(shí)驗(yàn)（模型使用FD Loss 作為損失函數(shù)），實(shí)驗(yàn)結(jié)果如表3 所示。

表3 擴(kuò)張率實(shí)驗(yàn)結(jié)果Table 3 Experimental results of dilated rate

由表3 可知，為了避免“網(wǎng)格效應(yīng)”，根據(jù)HDC理論設(shè)計(jì)的ASPP 模塊為兩個(gè)較小擴(kuò)張率加一個(gè)較大擴(kuò)張率的組合，隨著較大擴(kuò)張率由5、7、9 逐漸增大時(shí)，各項(xiàng)評(píng)價(jià)指標(biāo)均逐漸上升，說明組合的較大擴(kuò)張率增大有助于提升模型的裂縫分割性能。當(dāng)擴(kuò)張率設(shè)置為[2,3,12]時(shí)，評(píng)價(jià)指標(biāo)反而減小。這是因?yàn)槠銶2=6＞3，不滿足HDC 理論，導(dǎo)致模型性能下降。當(dāng)擴(kuò)張率設(shè)為[2,3,9]時(shí)，各項(xiàng)評(píng)價(jià)指標(biāo)均達(dá)到最高，模型分割性能最優(yōu)。基于此，改進(jìn)的ASPP 模塊選擇擴(kuò)張率為[2,3,9]的一組擴(kuò)張卷積，結(jié)構(gòu)如圖10 所示。

圖10 改進(jìn)的ASPP 模塊Fig.10 Improved ASPP module

改進(jìn)的ASPP 模塊首先使用一個(gè)1×1 的普通卷積作為第1 層，保留原特征圖以補(bǔ)充空間信息；然后使用擴(kuò)張率為[2,3,9]的擴(kuò)張卷積作為2 到4 層，提取多尺度物體的特征；最后使用全局平均池化作為第5 層，獲取全局特征。

3.2.4 消融實(shí)驗(yàn)

為了驗(yàn)證改進(jìn)策略對(duì)提高模型分割性能的有效性，在自制數(shù)據(jù)集上進(jìn)行消融實(shí)驗(yàn)。分別驗(yàn)證進(jìn)行遷移學(xué)習(xí)、添加改進(jìn)的ASPP 模塊以及二者組合對(duì)模型分割效果的影響（模型都使用FD Loss 作為損失函數(shù)），實(shí)驗(yàn)結(jié)果如表4 所示。

表4 消融實(shí)驗(yàn)結(jié)果Table 4 Ablation experimental results

比較實(shí)驗(yàn)結(jié)果可知，在改進(jìn)損失函數(shù)的基礎(chǔ)上用ResNet50 替換編碼網(wǎng)絡(luò)，Recall 提升了6.78%，同時(shí)IoU、Precision 和F1_score 都有相應(yīng)的提升，說明引入遷移學(xué)習(xí)的U-Net 模型可以提取更豐富的裂縫特征，減少了部分裂縫不能被準(zhǔn)確分割的狀況；在改進(jìn)損失函數(shù)的基礎(chǔ)上添加改進(jìn)的ASPP 模塊，Precision 提升了2.72%，同時(shí)IoU、Recall 和F1_score都有相應(yīng)的提升，說明改進(jìn)的ASPP 模塊獲取多尺度上下文信息的能力在U-Net 模型中得到利用，降低了將背景誤檢為裂縫的狀況，保證了裂縫分割的連續(xù)性；改進(jìn)的U-Net 模型是在改進(jìn)損失函數(shù)的基礎(chǔ)上引入遷移學(xué)習(xí)方法并加入改進(jìn)的ASPP 模塊，與單個(gè)改進(jìn)策略相比，以上評(píng)價(jià)指標(biāo)都有一定的提升，說明用ResNet50 替代編碼網(wǎng)絡(luò)與添加改進(jìn)的ASPP 模塊可以共同優(yōu)化模型，并提升模型性能。與原模型相比，IoU 指標(biāo)和F1_score 分別提升了3.53%、4.18%，說明所提改進(jìn)策略有效提升了模型的裂縫分割性能。

3.2.5 經(jīng)典語義分割模型對(duì)比

為了驗(yàn)證改進(jìn)模型的先進(jìn)性和魯棒性，在自制建筑外墻裂縫數(shù)據(jù)集上復(fù)現(xiàn)了經(jīng)典語義分割模型U-Net、DeepLabv3+及PSPNet，并與模型進(jìn)行對(duì)比。為了確保實(shí)驗(yàn)有效性，各模型在相同實(shí)驗(yàn)參數(shù)下進(jìn)行訓(xùn)練。通過評(píng)價(jià)指標(biāo)與分割結(jié)果進(jìn)行定性與定量地對(duì)比模型性能。不同模型在建筑外墻裂縫數(shù)據(jù)集上實(shí)驗(yàn)結(jié)果如表5 所示。

表5 模型對(duì)比結(jié)果Table 5 Model comparison results

由表5 可知，改進(jìn)的U-Net 模型各項(xiàng)評(píng)價(jià)指標(biāo)分別為69.06%、82.57%、86.3%、84.39%，均高于其他語義分割模型，說明模型對(duì)建筑外墻裂縫分割具有最優(yōu)的性能。

為了更直觀地對(duì)比經(jīng)典模型與本文模型對(duì)建筑外墻裂縫圖像的分割效果，選取3 張分別包含細(xì)長裂縫、任意分布裂縫及復(fù)雜背景噪聲的裂縫圖像進(jìn)行預(yù)測，得到各模型的分割結(jié)果如圖11 所示。

圖11 裂縫分割結(jié)果對(duì)比Fig.11 Crack segmentation results comparison

由圖11 可知，經(jīng)典語義分割模型在裂縫數(shù)據(jù)集上訓(xùn)練后均能進(jìn)行裂縫分割，但由于原模型并非針對(duì)裂縫特征進(jìn)行設(shè)計(jì)，故裂縫分割效果較差，存在大量漏檢和誤檢的情況。對(duì)比經(jīng)典模型分割效果可知，U-Net 模型對(duì)裂縫的分割效果較理想，存在少量誤檢和漏檢的情況；Deeplabv3+模型對(duì)裂縫的分割效果較U-Net 要差，漏檢和誤檢情況更加明顯；PSPNet 模型對(duì)裂縫的分割效果較差，不僅分割粗糙，且存在大量漏檢和誤檢。與經(jīng)典模型相比，針對(duì)裂縫特征改進(jìn)的U-Net 模型對(duì)裂縫分割不僅準(zhǔn)確，而且分割精細(xì)，與標(biāo)簽圖像基本一致；與U-Net模型相比，改進(jìn)模型解決了原模型細(xì)長裂縫分割不連續(xù)、復(fù)雜背景下裂縫漏檢及背景誤檢的問題。

4 結(jié)論

針對(duì)建筑外墻裂縫人工檢測方法效率低、檢測效果和安全性差的問題，提出基于無人機(jī)航拍與計(jì)算機(jī)視覺的裂縫檢測方法。針對(duì)U-Net 模型存在的問題進(jìn)行改進(jìn)，并進(jìn)行對(duì)比實(shí)驗(yàn)，得出以下結(jié)論：

1）無人機(jī)靈活性強(qiáng)，可以繞建筑飛行并快速獲取高清的外墻圖像。在構(gòu)建裂縫數(shù)據(jù)集和建筑外墻裂縫定期檢測階段，可以使用無人機(jī)繞建筑航拍實(shí)現(xiàn)安全、高效地采集建筑外墻圖像。

2）提出了組合Focal Loss 與Dice Loss 的FD Loss，用于模型優(yōu)化。新?lián)p失函數(shù)具有更強(qiáng)的處理正負(fù)樣本分布不均的能力，保證了模型訓(xùn)練過程的穩(wěn)定性，并提高了模型對(duì)裂縫的分割性能。

3）所提改進(jìn)的U-Net 模型增強(qiáng)了模型編碼網(wǎng)絡(luò)的特征提取能力，以及模型獲取多尺度上下文信息的能力，解決了原模型細(xì)長裂縫分割不連續(xù)、復(fù)雜背景下裂縫漏檢及背景誤檢的問題，IoU 指標(biāo)和F1_score 分別提升了3.53%、4.18%。實(shí)驗(yàn)表明，改進(jìn)的U-Net 模型可以對(duì)復(fù)雜背景下的裂縫進(jìn)行準(zhǔn)確識(shí)別，具有較強(qiáng)的魯棒性。

4）所提基于無人機(jī)航拍與計(jì)算機(jī)視覺的建筑外墻裂縫檢測方法，使用無人機(jī)獲取裂縫圖像，并利用改進(jìn)的U-Net 模型對(duì)裂縫進(jìn)行檢測。該方法解決了傳統(tǒng)建筑外墻裂縫檢測方法需要人工高空作業(yè)帶來的安全問題，并提高了裂縫檢測的效率和精度。