基于SSD算法的老旧建筑墙面裂缝识别.pdf

2023 年 28 期众创空间科技创新与应用Technology Innovation and Application基于 SSD 算法的老旧建筑墙面裂缝识别周昕，骆莉莎，张瑞军，胡家亮，林晨浩（江苏开放大学，南京 211816）我国城市中现存大量砖结构文物和旧建筑物。这些建筑物本身时代久远，结构状态不佳，对地下空间开发、老旧小区改造等工程活动产生的不均匀地面变形非常敏感，极易发生墙面开裂、倒塌等事故，造成巨大文化、经济损失。单仁亮等1报道了某基坑周边一清朝古建筑位于开挖槽内，三面暴露开挖形成“孤岛”，该项目采用了严格的工程措施才控制住开挖导致的不均匀沉降。汤恒思等2报道了杭州市城建陈列馆（浅基础古建筑）的工程保护措施，龚迪快等3报道了某软土深基坑工程中孤岛型古建筑的变形控制。陈甦等4探讨了地铁振动对古建筑的影响。除了传统的工程措施应用外，何山等5基于某古建筑物的沉降监测数据，运用灰色预测理论构建沉降预测模型，将数据科学和人工智能的方法引入到老旧建筑物的监测预警中，对类似结构物的保护有着重要意义。当前，在开展老旧小区改造、城市地下空间开发等活动时重视对古建筑影响的分析已经成为共识6-8。然而，随着工程建设项目的快速增加，单纯依靠工程加固措施已不能满足实际需求；古旧建筑物的状态随时在发生变化，如何实时评价这些结构物的健康状态成为城市建设过程中的重要问题。老旧建筑物的外墙多以砖砌、外涂面层的结构形式为主，墙面的开裂是墙体变形、基础不均匀变形最为直观的表征，也是老旧建筑物健康状态监测可用作参考的有效数据来源。基于实时图像数据监控墙面开裂的核心是从图像中识别出裂缝。张永梅等9通过颜色特征区分法进行裂缝图像识别，但是该方法在光照不定的条件下识别精度较差。游应德等10主要通过 SITF 算法提取建筑墙体裂缝图像特征，但该方法受到GPS 限制，识别耗时较长。庞广桦等11提出了一种利用 Canny算子的支持向量机法，采用霍夫变换算法提取出裂缝边缘，但是该方法存在耗时长、误差大的问题。曹艳玲等12提出基于特征分布和高斯混合模型的建筑墙体裂缝图像识别方法，实现了对建筑墙体裂缝图像的高精度识别。综合来看，目前裂缝识别的方法中用于模型训练的数据集偏少，普适性缺乏验证，限制了各种方法的进一步实用。有必要针对古旧建筑物的墙面开展进一步研究，在数据集方面进一步统一格式、扩充数据量，在基金项目：江苏开放大学大学生创新创业基金（省级一般项目）（202114000006）第一作者简介院周昕（1977-），男，硕士，讲师。研究方向为建筑材料。摘要：老旧建筑物墙面裂缝识别是实现敏感工程环境中建筑物实时监测与及时保护的关键技术措施。该文介绍 SSD 算法的特点及其在墙面裂缝识别上的应用，通过实际带裂缝墙面照片实例展示识别效果，探讨模型超参数对识别效果的影响。结果表明，SSD 算法适合墙面裂缝识别，识别的位置准确。关键词：老旧建筑物；墙面裂缝；目标识别；SSD 算法；模型参数中图分类号院TU746.3文献标志码院A文章编号院2095-2945渊2023冤28-00猿远-0源Abstract:The identification of wall cracks in old buildings is a key technical measure to realize real-time monitoring andtimely protection of buildings in sensitive engineering environment.This paper introduces the characteristics of SSD algorithm andits application in the identification of wall cracks,shows the recognition effect through an actual example of wall photos withcracks,and discusses the influence of model super parameters on the recognition effect.The results show that SSD algorithm issuitable for wall crack recognition and the location of recognition is accurate.Keywords:old buildings;wall cracks;target recognition;SSD algorithm;model parametersDOI：10.19981/j.CN23-1581/G3.2023.28.00936-众创空间科技创新与应用Technology Innovation and Application2023 年 28 期裂缝识别模型方面采用更加智能的方法以保证识别方法的普适性。1目标检测智能算法类别通过目标检测智能算法的调研发现，主流的算法包括单阶段法和两阶段法两大类。单阶段法的主要代表包括 YOLO 算法和 SSD 算法，其共同特点是在图片上均匀地分布备选区域框，然后采用卷积神经网络在各个框中提取特征，判断待检测对象是否存在，这里采用的备选区域框可以是不同大小、不同高宽比的矩形框；这类方法在备选区域框选择上不需特别考虑，均匀分布即可，而将大量的计算留给各个备选区域框的计算判断上。而两阶段法的代表包括 R-CNN 系列算法和 RPN 算法，其共同点是首先在图片上产生一系列空间分布较为稀疏的备选目标区域框，然后对各个备选目标区域框逐一判断是否有待检测的目标，计算分类概率；这类方法的核心在于需要能够比较准确地找到稀疏的备选目标区域框，一般通过启发式方法进行搜索确定。2 种方法各有优缺点，近年来都有重要的进展，其性能也在不断提高。SSD 算法由于整个过程只需要一步，各个备选框中的计算代码相同，执行效率高，因此目标检测的速度快，适合于土木工程领域大量图片的快速处理分析。因此，本文选择单阶段法中的 SSD 算法识别墙面裂缝。2SSD算法在墙面裂缝识别的应用SSD 法借鉴了 Faster RCNN 算法中的 Anchor 概念，采用所谓的先验框检测识别目标对象。在神经网络结构中，该算法对经典的 VGG16 网络进行修改，其中的全连接层 6 和全连接层 7 变为卷积层，同时加入基于特征金字塔的检测方式，实现在不同尺度的特征图上进行目标识别。2.1SSD 算法特征多尺度图像特征。SSD 算法采用多尺度的图像特征描述，这样可检测大小不同（相对于整个图面而言）的目标对象。如图 1 所示，8伊8 特征图划分的单元数比4伊4 多，但是每个单元尺寸更小，因此 8伊8 特征图适合检测较小对象，而 4伊4 特征图适合检测较大的对象。先验框匹配。SSD 算法首先将图像分割为 m伊n（如8伊8 或 4伊4）特征图单元，以每个单元的中心为基准，为每个单元配置大小和高宽比不同的一系列先验框。如图 1 所示，对于裂缝识别，此处每个单元有 4 个先验框，分别是与单元一样大、2 个方向均略比单元大、某个方向略比单元大 3 种情况。然后将先验框逐个与手动标记的裂缝位置框进行对比，按照一定规则寻找最为匹配的先验框。注意，此处的每个先验框包括 5 个参数：该框中是否有裂缝（0 或者 1），框的 x 坐标，框的 y坐标，框在 x 方向的尺寸，框在 y 方向的尺寸。对于一个大小为 m伊n 特征图，共有 m伊n 个单元，每个单元有 4个先验框，每个框有 5 个参数，那么总共有 20 mn 个参数，SSD 需要采用 20 mn 个卷积核完成一张图片的检测。2.2模型运用方法在模型运用过程中，首先将图像划分为单元，并生成一系列预测框（与上述先验框相似），然后计算该框中存在裂缝的概率，根据概率阈值排除掉不包括裂缝的预测框，此处取阈值为 0.6 较为合适，即预测概率低于 0.6 认为该框中不包括裂缝。对于保留下来的预测框，根据其所在的单元位置，还原回原图片中的相应位置即可。接下来，根据各个框中存在裂缝的概率进行排序，选择概率高的一部分预测框呈现出来。最后，由于裂缝是线性分布的，可能存在大量预测框重叠量较大的情况，此时采用 NMS 算法去除掉重叠度较大的预测框，最后得到预测结果，整个流程如图 2 所示。图 1SSD 用于墙裂缝识别的多尺度与先验框概念一个单元的系列先验框匹配的先验框手动标记的裂缝位置原图4伊4 特征图8伊8 特征图37-2023 年 28 期众创空间科技创新与应用Technology Innovation and Application图 2SSD 模型运用的流程2.3数据集与样本本研究采集了大量现场墙面裂缝的图像，为提高模型的泛化能力，采集的图像中还包括多种干扰元素，如植物、粉刷痕迹、湿迹、踢脚线、墙角、贴面砖、门洞、金属支架和水管等。训练的目标检测智能模型应该不将这些干扰元素识别为裂缝。此外，为扩展数据集，还采用数据扩增技术，主要有水平翻转图像、随机增加颜色扭曲、倾斜裁剪和图像分割等。最终数据集总数为3 200 张图片，60%用于训练集，20%用于验证集，20%用于测试集。典型的图像如同 3 所示，图中还包括采用LabelImg 工具手动标注的裂缝位置。本研究要处理的是土木工程中早期开裂的墙体结构，此时墙体的裂缝一般较少。SSD 算法中采用的均匀密集采样带来一个弊端，那就是在构建训练集时，图像中大量的矩形子区域是没有裂缝的，而只有少量矩形子区域有裂缝分布，这就使得正样本（包含裂缝）与负样本（不包含裂缝）的比例不均衡。根据这种样本集训练得到的模型准确度较低。解决方法是减少负样本的数量，一般负样本与正样本的比例在 3颐1较为合适。图 3数据集中的典型图像预测结果NMS 算法去除掉重叠度较大的预测框预测框裂缝排序，去除概率较低的部分还原预测框在原图中的位置根据概率阈值筛选预测框计算各预测框中含裂缝的概率带入训练好的SSD 模型图像预处理原始图像38-众创空间科技创新与应用Technology Innovation and Application2023 年 28 期3老旧建筑墙面裂缝识别结果SSD 模型中有大量超参数，对墙面裂缝的识别结果有一定影响。以下结合图 4 中的裂缝识别介绍超参数的影响规律。图 4（a）中的墙面有 3 道主要沿纵向延伸的裂缝。图 4（b）为单元少时识别结果，可以看到，各个预测框给出了裂隙的分布范围，每个预测框中都有裂缝存在，表明 SSD 算法的确能成功找到存在裂缝的区域。当进一步减小 SSD 算法中的单元尺寸（即相应增加了单元的数量），识别结果如图 4（c）所示，图中各个预测框的尺寸都比图 4（b）中小，因而对裂缝的位置定位更加准确。采用与图 4（c）相同的参数，但是增加保留的预测框的数量（降低裂缝识别阈值或降低预测框重叠量检测筛除标准），则可得到如图 4（d）所示的更多预测框，各框之间重叠量大，但并未增加对裂缝识别的准确度，反而增加了运算量。因而，选择合适的超参数是保证识别准确、降低运算与数据存储量的关键。图 4墙面裂缝识别结果4结论介绍了 SSD 算法的主要特点，该算法实现了对墙面裂缝识别的应用，采用大量实际墙面裂缝图像数据集对算法模型进行了训练，获得了满意的识别效果。模型超参数只对识别出的裂缝的位置准确性有一定影响，但对裂缝数量、发展路径等信息能准确反映。参考文献院1 单仁亮，张苗，周浩亮，等.紧邻古建筑的深基坑支护理论与实践J.工程建设与设计，2014（1）：145-147.2 汤恒思，刘凯仁，郭光远.淤泥地质中沉降开裂的古建筑加固设计与施工J.建筑施工，2016，38（4）：487-488.3 龚迪快，吴才德，曾婕，等.软土深基坑开挖对孤岛型古建筑的保护实例J.建筑结构，2016，46（8）：95-99.4 陈甦，李文峰，周俊杰，等.轨道交通引起的地表沉降及对周边古建筑影响研究J.地下空间与工程学报，2017，13（S1）：378-386.5 何山，张世华，张晓乐，等.软土区受地铁基坑开挖影响的古建筑沉降预测研究J.路基工程，2015（4）：114-119.6 贺美德，刘军，乐贵平，等.盾构隧道近距离侧穿高层建筑的影响研究J.岩石力学与工程学报，2010，29（3）：604-608.7 张恒，陈寿根，邓希肥.盾构法施工对地表及桥梁桩基的影响分析J.地下空间与工程学报，2011，7（3）：552-556.8 张在明，韩煊.城市隧道施工引起建筑变形的损坏评估J.土木工程学报，2011，44（5）：123-130.9 张永梅，季艳，马礼，等.遥感图像建筑物识别及变化检测方法J.电子学报，2014，29（4）：653-657.10 游应德，李成大.一种边界梯度组合的图像识别技术与分割方法J.湘潭大学自然科学学报，2014，36（2）：99-103.11 庞广桦，纪寿庆，王阳萍.基于霍夫变换的全景图中建筑物识别方法J.兰州交通大学学报，2014，30（6）：6-10援12 曹艳玲，袁义宏.基于特征分布的建筑墙体裂缝图像识别方法J.沈阳工业大学学报，2018，40（2）：117-122.渊a冤原图渊b冤单元少时识别结果渊c冤单元量适中时识别结果 渊d冤保留预测框较多时识别结果39-