李想，熊進(jìn)剛，b

(南昌大學(xué)a.建筑工程學(xué)院；b.江西省近零能耗建筑工程實(shí)驗(yàn)室，江西 南昌 330031)

鋼筋混凝土產(chǎn)生裂縫是土木工程中不可避免的問(wèn)題。當(dāng)前，常用的混凝土裂縫檢測(cè)方法還是以人工檢測(cè)為主，但是人工檢測(cè)存在工作量大、效率低、過(guò)于依賴經(jīng)驗(yàn)等缺點(diǎn)。除了人工檢測(cè)外，還存在熱成像檢測(cè)、超聲波檢測(cè)、熒光磁粉檢測(cè)、滲透檢測(cè)等無(wú)損方法，但都存在工序復(fù)雜、價(jià)格昂貴等缺點(diǎn)。因此，如何能夠高效而又經(jīng)濟(jì)地檢測(cè)混凝土裂縫，成為了土木工程中亟待解決的問(wèn)題。

人工智能技術(shù)正處于第3次發(fā)展浪潮，隨著深度學(xué)習(xí)理論的發(fā)展、計(jì)算機(jī)性能的提升和數(shù)據(jù)量的擴(kuò)大，把人工智能技術(shù)應(yīng)用到土木工程領(lǐng)域?qū)⑹俏磥?lái)的一個(gè)發(fā)展趨勢(shì)。當(dāng)前，已經(jīng)有許多學(xué)者進(jìn)行了人工智能檢測(cè)混凝土裂縫的相關(guān)研究。

徐港等[1]采用多種圖像連通域特征分析裂縫和噪聲的差異結(jié)合聚類算法提取出裂縫信息。劉立峰等[2]提出了一種基于高斯尺寸空間和支持向量機(jī)相結(jié)合的裂縫識(shí)別算法。張晶晶等[3]提出一種基于多尺度輸入圖像滲透模型的混凝土裂縫檢測(cè)方法。徐國(guó)整等[4]基于經(jīng)典的 U-Net 網(wǎng)絡(luò)，提出了HU-ResNet卷積神經(jīng)網(wǎng)絡(luò)模型識(shí)別混凝土表面裂縫。吳秋怡[5]利用金字塔解析網(wǎng)絡(luò)PSPNet實(shí)現(xiàn)路面裂縫檢測(cè)，實(shí)現(xiàn)像素級(jí)的裂縫區(qū)域識(shí)別。高慶飛等[6]結(jié)合神經(jīng)網(wǎng)絡(luò)與滑動(dòng)窗口算法，提出了橋梁裂縫定位技術(shù)。顧書豪等[7]設(shè)計(jì)了具有注意力機(jī)制和語(yǔ)義增強(qiáng)的特征模塊，有效地融合了語(yǔ)義信息和裂縫特征。

根據(jù)已有研究，可以發(fā)現(xiàn)當(dāng)前基于傳統(tǒng)計(jì)算機(jī)視覺(jué)的裂縫識(shí)別方法普遍存在識(shí)別受噪聲影響大、精度低和漏檢率高的問(wèn)題。而現(xiàn)有的基于深度學(xué)習(xí)的裂縫識(shí)別方法雖然在識(shí)別效果和精度上有所提升，但普遍是基于語(yǔ)義分割對(duì)裂縫進(jìn)行識(shí)別，識(shí)別手段較為單一。因此，本文提出了一種基于深度學(xué)習(xí)單步多框檢測(cè)[8](single shot multibox detector，SSD)目標(biāo)檢測(cè)的混凝土結(jié)構(gòu)裂縫物體框識(shí)別方法。主要思路是利用深度卷積神經(jīng)網(wǎng)絡(luò)提取裂縫特征，利用分類預(yù)測(cè)和回歸預(yù)測(cè)獲得裂縫的信息，最終在原圖上框選出裂縫的位置，從而達(dá)到識(shí)別裂縫的目的。

1 實(shí)驗(yàn)準(zhǔn)備

1.1 開(kāi)發(fā)環(huán)境

本研究以python為編程語(yǔ)言，使用PyTorch深度學(xué)習(xí)框架，以PyCharm2020為編程環(huán)境、Anaconda為庫(kù)管理器，涉及到的依賴庫(kù)主要有OpenCV、labelimg、TensorboardX、cuda和cudnn。使用的GPU為Nvidia GeForce RTX 2070 SUPER(8G)，CPU為AMD Ryzen 7 3700X 8-Core。

1.2 數(shù)據(jù)集

數(shù)據(jù)集分別使用制作的CCIC裂縫圖像數(shù)據(jù)集[9-10]和BCD裂縫圖像數(shù)據(jù)集[11]。CCIC裂縫數(shù)據(jù)集的圖像如圖1所示，BCD裂縫數(shù)據(jù)集的圖像如圖2所示?？梢园l(fā)現(xiàn)2個(gè)數(shù)據(jù)集幾乎涵蓋了工程中各種常見(jiàn)的混凝土裂縫形式(縱向、橫向和斜向裂縫等)，使本文研究樣本具有充分的代表性。

圖1 CCIC數(shù)據(jù)集裂縫圖像Fig.1 Cracks images of CCIC dataset

圖2 BCD數(shù)據(jù)集裂縫圖像Fig.2 Cracks images of BCD dataset

1.3 數(shù)據(jù)標(biāo)簽的制作

使用labelimg工具生成訓(xùn)練所用的數(shù)據(jù)標(biāo)簽。labelimg是深度學(xué)習(xí)中一種常用的標(biāo)注工具，它可以方便快捷地標(biāo)注出圖片內(nèi)物體的位置和種類。制作數(shù)據(jù)標(biāo)簽的詳細(xì)步驟為：

1) 安裝labelimg工具，工作界面如圖3所示。

圖3 labelimg工作界面Fig.3 Labelimg work interface

2) 打開(kāi)labelimg工具，通過(guò)Open Dir選項(xiàng)指定需要標(biāo)注的圖片集。

3) 手動(dòng)框選出裂縫的位置。

4) 設(shè)定該框選部分的類別。

5) 標(biāo)注完每張圖片都會(huì)生成一份XML后綴的文件，該文件用來(lái)保存放標(biāo)簽信息，存放XML文件的路徑通過(guò)Change Save Dir選項(xiàng)指定。生成XML文件的流程如圖4所示。

圖4 生成XML文件過(guò)程Fig.4 Process of generating an XML file

XML標(biāo)簽文件包含原始圖片的尺寸、物體的類別和物體的位置信息，如圖5所示。其中width=227，height=227，depth=3表示原始圖片的尺寸為227×227×3。xmin=1，ymin=52，xmax=227，ymax=114表示框選的位置的右上角的坐標(biāo)為(1，52)，右下角的坐標(biāo)為(227，114)。name=crack表示該框選部分的類別為裂縫。

利用voc_annotation.py腳本文件，將所有XML標(biāo)簽文件里信息進(jìn)行整合，并最終保存在crack_train.txt文件中。一個(gè)XML標(biāo)簽文件僅僅保存一張圖片的位置信息和類別信息，crack_train.txt文件則保存了所有用來(lái)訓(xùn)練網(wǎng)絡(luò)的圖片中的位置信息和類別信息。

圖5 XML文件詳情Fig.5 XML file details

2 網(wǎng)絡(luò)結(jié)構(gòu)

2.1 網(wǎng)絡(luò)概述

SSD目標(biāo)檢測(cè)算法對(duì)輸入的圖片不斷地進(jìn)行特征提取，提取出許多特征層(Feature map)，并將其中的一部分特征層設(shè)為有效特征層(Effective Feature map)。每一個(gè)有效特征層會(huì)將圖像劃分為大小不同的網(wǎng)格，每個(gè)有效特征層上的網(wǎng)格存在著一定數(shù)目的先驗(yàn)框(priors box)。再利用回歸預(yù)測(cè)和分類預(yù)測(cè)來(lái)調(diào)整每個(gè)先驗(yàn)框的位置和種類，結(jié)合非極大值抑制(non-maximum suppression)得到最終的預(yù)測(cè)框。SSD網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

2.1.1 有效特征層

有效特征層的高度和寬度代表著將輸入進(jìn)來(lái)的圖片劃分成了高×寬的網(wǎng)格。以3×3×256的有效特征層為例，相當(dāng)于把輸入的圖像劃分成了3×3的網(wǎng)格，如圖7所示。而每個(gè)網(wǎng)格上面存在著先驗(yàn)框，利用這些網(wǎng)格和先驗(yàn)框?qū)斎脒M(jìn)來(lái)的圖片進(jìn)行目標(biāo)檢測(cè)，從而獲得需要的檢測(cè)目標(biāo)。

2.1.2 先驗(yàn)框

有效特征層上的每個(gè)網(wǎng)格都人為定義了先驗(yàn)框，這些先驗(yàn)框以網(wǎng)格的中心為中心。以劃分為3×3網(wǎng)格的圖片為例，如圖8所示。每個(gè)有效特征層上的單個(gè)網(wǎng)格含有的先驗(yàn)框個(gè)數(shù)不同，先驗(yàn)框與有效特征層的關(guān)系如表1所示。

2.2 基礎(chǔ)網(wǎng)絡(luò)

SSD目標(biāo)檢測(cè)算法中的基礎(chǔ)網(wǎng)絡(luò)部分由多個(gè)卷積層、最大池化層和ReLU激活函數(shù)層組成。當(dāng)輸入一張圖片時(shí)，SSD目標(biāo)檢測(cè)網(wǎng)絡(luò)自動(dòng)將圖片的尺寸調(diào)整為300×300×3(寬×高×通道數(shù))大小。將裂縫圖片看作長(zhǎng)寬都為300、通道數(shù)(Channel)為3的特征層。通過(guò)卷積核(Kernel)大小為3、填充幅度(Padding)為1的卷積運(yùn)算和池化核與步長(zhǎng)(Stride)都為2的最大池化運(yùn)算，將特征層的長(zhǎng)度和寬度進(jìn)一步壓縮，并且持續(xù)擴(kuò)大特征層的通道數(shù)。隨著卷積和池化運(yùn)算的不斷進(jìn)行，會(huì)產(chǎn)生許多特征層。當(dāng)進(jìn)行完最后一次最大池化時(shí)，先進(jìn)行一次卷積核大小為3、填充幅度為6、膨脹因子為6的卷積，用來(lái)模擬全連接層。再進(jìn)行一次卷積核大小為1的卷積。最終輸出的特征層長(zhǎng)寬為19，通道數(shù)為512。再將其中一部分特征層劃分為有效特征層。被劃分為有效特征層的特征層有：Conv4-3和Fc7-2，它們的長(zhǎng)寬分別為38和19，通道數(shù)都為512?；A(chǔ)網(wǎng)絡(luò)各層的信息如表2所示。其中Convolution表示卷積運(yùn)算、ReLU表示ReLU激活函數(shù)，Maxpooling表示最大池化運(yùn)算，Kernel表示卷積核大小，Padding表示填充幅度，Stride表示步長(zhǎng)，Dliation表示膨脹因子。

圖6 SSD網(wǎng)絡(luò)結(jié)構(gòu)Fig.6 Single shot multibox detectornetwork structure

圖7 裂縫圖片的網(wǎng)格劃分Fig.7 Grids division of crack images

圖8 網(wǎng)格上的先驗(yàn)框Fig.8 Priori boxes on the grid

表1 先驗(yàn)框與有效特征層的關(guān)系Tab.1 Relationship between the prior frame and the effective feature layer

2.3 輔助網(wǎng)絡(luò)

特征層經(jīng)過(guò)基礎(chǔ)網(wǎng)絡(luò)之后繼續(xù)向后傳遞，進(jìn)入輔助網(wǎng)絡(luò)。輔助網(wǎng)絡(luò)利用卷積運(yùn)算，繼續(xù)壓縮特征層的長(zhǎng)度和寬度。隨著卷積運(yùn)算的進(jìn)行，同樣會(huì)生成許多特征層。當(dāng)進(jìn)行完最后一次卷積運(yùn)算時(shí)，會(huì)輸出一個(gè)長(zhǎng)度和寬度都為1、通道數(shù)為256的特征層。將其中一部分特征層劃分為有效特征層。被劃分的有效特征層有：Conv6-2、Conv7-2、Conv8-2、Conv9-2。輔助網(wǎng)絡(luò)各層的信息如表3所示。

2.4 預(yù)測(cè)網(wǎng)絡(luò)

預(yù)測(cè)網(wǎng)絡(luò)主要用來(lái)完成回歸預(yù)測(cè)和分類預(yù)測(cè)的任務(wù)?；貧w預(yù)測(cè)用來(lái)獲得預(yù)測(cè)框的位置，分類預(yù)測(cè)用來(lái)獲得預(yù)測(cè)框的類別。預(yù)測(cè)網(wǎng)絡(luò)的各層信息如表4所示。

進(jìn)行回歸預(yù)測(cè)時(shí)，需要對(duì)有效特征層的所有先驗(yàn)框進(jìn)行計(jì)算。利用卷積運(yùn)算對(duì)先驗(yàn)框進(jìn)行調(diào)整，從而得到最終預(yù)測(cè)框的位置。因此，對(duì)獲取到的有效特征層進(jìn)行通道數(shù)為4×np的卷積，其中np為該有效特征層的單個(gè)網(wǎng)格擁有的先驗(yàn)框數(shù)量。因?yàn)檎{(diào)整一個(gè)預(yù)測(cè)框的位置需要中心點(diǎn)坐標(biāo)的偏移量x0、y0，預(yù)測(cè)框的寬度w和高度h，所以進(jìn)行卷積運(yùn)算的通道數(shù)為4×np。

進(jìn)行分類預(yù)測(cè)時(shí)，同樣需要對(duì)有效特征層的所有先驗(yàn)框進(jìn)行計(jì)算。所以，對(duì)獲取到的有效特征層進(jìn)行一次通道數(shù)為nc×np卷積，其中nc是需要區(qū)分的類別數(shù)。因?yàn)楸疚闹会槍?duì)圖像是否存在裂縫進(jìn)行研究，共計(jì)2類：背景類和裂縫類，所以nc=2。

表2 基礎(chǔ)網(wǎng)絡(luò)的各層信息Tab.2 Layers of information in the basic network

表3 輔助網(wǎng)絡(luò)的各層信息Tab.3 Layers of information in the auxiliary network

表4 預(yù)測(cè)網(wǎng)絡(luò)的各層信息Tab.4 Layers of information in the predict network

3 訓(xùn)練和檢測(cè)

3.1 訓(xùn)練過(guò)程

分別使用2 000、4 000、6 000、8 000張含有裂縫的圖片。其中90%作為訓(xùn)練集，用于進(jìn)行模型的訓(xùn)練；剩下10%作為測(cè)試集，用于測(cè)試模型檢測(cè)的效果與精度。

先進(jìn)行超參數(shù)設(shè)置。由于GPU的顯存不充足，所以將一次訓(xùn)練所用的樣本數(shù)(Batch Size)設(shè)置為8。將學(xué)習(xí)率(Learning Rate)設(shè)置為1×10-5，學(xué)習(xí)率表示網(wǎng)絡(luò)訓(xùn)練的快慢程度。學(xué)習(xí)率大，網(wǎng)絡(luò)訓(xùn)練速度快，但是容易出現(xiàn)損失值振蕩；學(xué)習(xí)率小，損失值收斂效果好，但是訓(xùn)練速度慢。定義最小置信度為0.5，代表著預(yù)測(cè)結(jié)果的得分若大于0.5，則將這個(gè)結(jié)果留存待用?？偣灿?xùn)練200個(gè)輪次(Epoch)，更新一個(gè)輪次表示訓(xùn)練中所有訓(xùn)練數(shù)據(jù)均被使用過(guò)一次，即訓(xùn)練了一個(gè)周期。應(yīng)用遷移學(xué)習(xí)的思想，使用預(yù)訓(xùn)練好的權(quán)重達(dá)到加速模型的訓(xùn)練的目的。之后讀取crack_train.txt文件獲得進(jìn)行訓(xùn)練的樣本信息。

之后開(kāi)始訓(xùn)練。載入SSD目標(biāo)檢測(cè)算法模型，將每個(gè)批次(Batch)所用的圖片和標(biāo)簽傳入到網(wǎng)絡(luò)當(dāng)中。然后進(jìn)行梯度清零、計(jì)算損失值和反向傳播進(jìn)行模型的參數(shù)更新。每一個(gè)輪次保存一次權(quán)重，共有200份權(quán)重文件。之后的預(yù)測(cè)環(huán)節(jié)使用第200個(gè)輪次生成的權(quán)重文件進(jìn)行預(yù)測(cè)。訓(xùn)練過(guò)程示意圖如圖9所示。

圖9 訓(xùn)練過(guò)程示意圖Fig.9 Schematic diagram of training process

3.2 檢測(cè)過(guò)程

因?yàn)槭褂玫膱D片尺寸為227×227，而SSD目標(biāo)檢測(cè)算法需要使用300×300尺寸的圖片。因此，需要檢測(cè)的圖片進(jìn)行預(yù)處理，具體做法為對(duì)進(jìn)行檢測(cè)的圖片進(jìn)行填充使圖片尺寸變?yōu)?00×300。之后把圖片傳入網(wǎng)絡(luò)當(dāng)中進(jìn)行檢測(cè)并獲得置信度最高的200個(gè)預(yù)測(cè)框的位置信息。之后對(duì)這200個(gè)預(yù)測(cè)框的置信度進(jìn)行遍歷，依次判斷先驗(yàn)框的置信度是否大于最小置信度，如果預(yù)測(cè)框的置信度都小于最小置信度，那么將原圖返回。如果存在大于最小置信度的預(yù)測(cè)框，那么結(jié)合非極大值抑制(非極大值抑制就是只保留最大值)只將置信度最大的預(yù)測(cè)框進(jìn)行繪制，得到最終的檢測(cè)結(jié)果。檢測(cè)過(guò)程示意圖如圖10所示。

圖10 檢測(cè)過(guò)程示意圖Fig.10 Schematic diagram of detection process

4 識(shí)別效果和精度

4.1 識(shí)別效果

利用測(cè)試集圖片進(jìn)行檢測(cè)的結(jié)果如圖11所示，列舉出測(cè)試集中的部分(40張)圖片的識(shí)別結(jié)果如圖12所示。其中方框?yàn)轭A(yù)測(cè)框，將被識(shí)別的裂縫框選出來(lái)，左上角的標(biāo)簽“crack 0.84”代表這張圖片識(shí)別的種類和置信度。可以發(fā)現(xiàn)，該模型對(duì)于橫向、縱向和斜向裂縫都能進(jìn)行較為精確的識(shí)別。再進(jìn)行隨機(jī)圖片的裂縫識(shí)別，以驗(yàn)證模型的普適性，如圖13。可見(jiàn)，該模型對(duì)于網(wǎng)絡(luò)上隨機(jī)選取的裂縫圖片也有較好的識(shí)別效果。

圖11 單張測(cè)試集圖片識(shí)別效果Fig.11 Recognition effect of single test set image

4.2 識(shí)別精度評(píng)價(jià)

利用損失函數(shù)的收斂情況和所有類的平均精確度(mAP)值來(lái)評(píng)價(jià)模型的好壞。通過(guò)損失值這個(gè)指標(biāo)來(lái)反映訓(xùn)練時(shí)的狀態(tài)，從而更新權(quán)重參數(shù)。具體的表現(xiàn)形式為損失值越小，權(quán)重越優(yōu)化，模型越精確。通過(guò)mAP來(lái)量化模型的精確度，具體表現(xiàn)形式為mAP值越大，模型越精確。

圖12 部分測(cè)試集圖片識(shí)別效果Fig.12 Recognition effect of some test set image

圖13 互聯(lián)網(wǎng)圖片識(shí)別效果Fig.13 Recognition effect of Internet image

4.2.1 回歸預(yù)測(cè)損失值

進(jìn)行回歸預(yù)測(cè)的目的是獲得預(yù)測(cè)框的位置。訓(xùn)練過(guò)程中回歸預(yù)測(cè)損失值變化曲線如圖14所示。橫坐標(biāo)為輪次數(shù)，最大輪次數(shù)為200；縱坐標(biāo)代表回歸預(yù)測(cè)損失值?？梢钥闯?，在不同訓(xùn)練樣本數(shù)的條件下，回歸預(yù)測(cè)的損失值變化并不明顯，但都是在運(yùn)行到第40個(gè)輪次附近時(shí)收斂。當(dāng)回歸預(yù)測(cè)的損失值收斂時(shí)，表示回歸預(yù)測(cè)的損失值不會(huì)繼續(xù)下降，所以網(wǎng)絡(luò)的權(quán)重不會(huì)更新太多，獲得預(yù)測(cè)框位置的準(zhǔn)確度也不會(huì)繼續(xù)提升。

輪次數(shù)圖14 回歸預(yù)測(cè)損失值變化曲線Fig.14 Regression prediction loss curve

4.2.2 分類預(yù)測(cè)損失值

進(jìn)行分類預(yù)測(cè)的目的是獲得預(yù)測(cè)框的種類。訓(xùn)練過(guò)程中分類預(yù)測(cè)損失值變化曲線如圖15所示。橫坐標(biāo)為輪次數(shù)，最大輪次數(shù)為200；縱坐標(biāo)代表分類預(yù)測(cè)損失值?？梢钥闯?，在運(yùn)行到第50輪次附近時(shí)損失值收斂?？梢钥闯?，在訓(xùn)練樣本越多時(shí)，分類預(yù)測(cè)損失值收斂時(shí)越小，且在樣本數(shù)較少時(shí)明顯，隨著樣本數(shù)的提升，損失值收斂變化的越小。與回歸預(yù)測(cè)類似，當(dāng)分類預(yù)測(cè)的損失值收斂時(shí)，獲得預(yù)測(cè)框種類的準(zhǔn)確度也不會(huì)繼續(xù)提升。

輪次數(shù)圖15 分類預(yù)測(cè)損失值變化曲線Fig.15 Classification prediction loss curve

4.2.3 CCIC數(shù)據(jù)集和BCD數(shù)據(jù)集訓(xùn)練對(duì)比

為了檢驗(yàn)裂縫訓(xùn)練圖像的樣本代表性，使用CCIC和BCD 2種不同的數(shù)據(jù)集樣本進(jìn)行訓(xùn)練，并將二者的損失值進(jìn)行對(duì)比，圖16為2種數(shù)據(jù)集的分類預(yù)測(cè)收斂后的損失值對(duì)比，圖17為2種數(shù)據(jù)集的回

輪次數(shù)(a) 1 800張裂縫圖片

輪次數(shù)(b) 3 600張裂縫圖片

輪次數(shù)(c) 5 400張裂縫圖片

輪次數(shù)(d) 7 200張裂縫圖片圖16 分類預(yù)測(cè)損失值對(duì)比Fig.16 Comparison of loss value after classification prediction

輪次數(shù)(a) 1 800張裂縫圖片

輪次數(shù)(b) 3 600張裂縫圖片

輪次數(shù)(c) 5 400張裂縫圖片

輪次數(shù)(d) 7 200張裂縫圖片圖17 回歸預(yù)測(cè)損失值對(duì)比Fig.17 Comparison of loss value after regression prediction

歸預(yù)測(cè)收斂后的損失值對(duì)比。結(jié)果表明：對(duì)于分類預(yù)測(cè)而言，隨著訓(xùn)練樣本數(shù)目的提升，不同數(shù)據(jù)集訓(xùn)練之后的分類預(yù)測(cè)收斂后的損失值趨于一致。說(shuō)明數(shù)據(jù)集的種類對(duì)于分類預(yù)測(cè)的影響不大，單一數(shù)據(jù)集的樣本代表性較好。而對(duì)于回歸預(yù)測(cè)而言，CCIC數(shù)據(jù)集的回歸預(yù)測(cè)收斂后的損失值原本是小于BCD數(shù)據(jù)集的，可隨著訓(xùn)練樣本數(shù)目的提升，CCIC數(shù)據(jù)集的回歸預(yù)測(cè)收斂后的損失值變得大于BCD數(shù)據(jù)集的回歸預(yù)測(cè)收斂后的損失值。說(shuō)明數(shù)據(jù)集的種類對(duì)于回歸預(yù)測(cè)的影響較大，單一數(shù)據(jù)集的樣本代表性較差。

4.2.4 平均準(zhǔn)確度均值(mAP)計(jì)算

如圖18、圖19所示，框1為真實(shí)框，框2和框3為預(yù)測(cè)框?？?為識(shí)別準(zhǔn)確的框，框3為識(shí)別不準(zhǔn)確的框。當(dāng)預(yù)測(cè)框和真實(shí)框的IOU>0.5時(shí)被認(rèn)為是識(shí)別準(zhǔn)確，IOU<0.5時(shí)被認(rèn)為是識(shí)別不準(zhǔn)確。其中IOU衡量預(yù)測(cè)框和真實(shí)框的重合程度。計(jì)算IOU的公式為：

(1)

其中：Sn為交集的面積；Su為并集的面積。

圖18 識(shí)別準(zhǔn)確的結(jié)果Fig.18 Results of recognition accurate

圖19 識(shí)別不準(zhǔn)確的結(jié)果Fig.19 Results of recognition inaccurate

AP(average precision)表示平均精確度。而mAP表示所有類的AP求平均值。因?yàn)楸灸Ｐ蜑闄z測(cè)裂縫，所以只有一個(gè)類(背景類不算)，因此AP=mAP。計(jì)算訓(xùn)練樣本個(gè)數(shù)為1 800、3 600、5 400、7 200時(shí)的mAP，分別為94.78%、95.29%、96.92%和98.5%。可以發(fā)現(xiàn)，mAP普遍在95%以上，因此模型擁有較高的精確度。

5 結(jié)語(yǔ)

1) 本研究基于SSD目標(biāo)檢測(cè)算法為混凝土的裂縫檢測(cè)提出了一種新的方式。結(jié)合無(wú)人機(jī)航拍技術(shù)可以檢測(cè)到那些人工難以到達(dá)位置的裂縫，極大地節(jié)省人力物力，并且為深度學(xué)習(xí)應(yīng)用到土木工程提供了參考。

2) 本文提出的識(shí)別方法對(duì)混凝土裂縫的識(shí)別效果較好，且具有一定的普適性。

3) 訓(xùn)練使用的數(shù)據(jù)集的樣本代表性有待提升。

4) 該識(shí)別系統(tǒng)對(duì)細(xì)微裂縫識(shí)別效果有待提升。