劉 鑫，趙慧杰，武蘇雯

(1.中原工學(xué)院 計算機(jī)學(xué)院，河南 鄭州 450007；2.武漢天宸偉業(yè)物探科技有限公司，湖北 武漢 430071)

0 引 言

裂縫是一種常見的地質(zhì)構(gòu)造現(xiàn)象，是由于巖石層受力后變形，力達(dá)到或超過巖石層的強(qiáng)度極限，破壞了巖石層的連續(xù)完整性，并在巖石層的某個位置和方向斷裂，對工程建設(shè)影響較大，特別是對隧道及地下工程的穩(wěn)定性影響更大[1]。傳統(tǒng)的裂縫檢測方法主要采用人工識別并手動標(biāo)記裂縫參數(shù)，這種處理方法不僅費(fèi)時，效率低下，而且容易出錯，特別是在大量樣本的情況下，裂縫檢測的精確度將會大大降低。而巖層裂縫圖像本身就存在樣本數(shù)據(jù)有限、背景復(fù)雜等特點(diǎn)，容易受到地理位置、巖層結(jié)構(gòu)等因素的影響，這些都會不定量地增加傳統(tǒng)方法的檢測難度。因此，及時準(zhǔn)確地提取巖層裂縫的有效特征，對巖層裂縫進(jìn)行快速檢測，成為推動科研發(fā)展有序前進(jìn)的動力。

隨著人工智能技術(shù)的飛速發(fā)展，隧道及地下工程的檢測技術(shù)在不斷更新，使用深度學(xué)習(xí)技術(shù)和圖像處理技術(shù)檢測裂縫圖像，可提高工程建設(shè)的安全性。國內(nèi)外科研人員致力于這一領(lǐng)域的研究，取得了一定的科研成果。例如，文獻(xiàn)[2]從路面裂縫檢測過程中背景裂紋的復(fù)雜性和強(qiáng)度不均勻性出發(fā)，提出了一種基于深度學(xué)習(xí)的裂縫檢測方法；文獻(xiàn)[3]針對在復(fù)雜背景下用圖像處理技術(shù)檢測民用基礎(chǔ)設(shè)施缺陷時的局限性問題，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的視覺裂紋損傷檢測方法；文獻(xiàn)[4]針對基于人工視覺的路面裂縫檢測系統(tǒng)檢測誤差大、實(shí)施風(fēng)險高等問題；提出了一種基于圖像處理技術(shù)的道路裂縫自動檢測方法；文獻(xiàn)[5]針對隧道圖像存在噪聲多、對比度低和光照不均勻等問題，提出了一種基于深度學(xué)習(xí)網(wǎng)絡(luò)Faster R-CNN的隧道圖像裂縫檢測方法。

針對復(fù)雜背景下的巖層裂縫，實(shí)現(xiàn)裂縫的快速檢測，該文基于傳統(tǒng)的U-Net網(wǎng)絡(luò)，擬加入批量歸一化層和修正線性單元激活層，用深度可分離卷積替代普通卷積，并改用均方誤差損失函數(shù)加以優(yōu)化，通過對比不同結(jié)構(gòu)模型的巖層圖像裂縫檢測效果，驗(yàn)證該算法的可行性和有效性。

1 基于U-Net的巖層圖像裂縫檢測算法

以武漢天宸偉業(yè)物探科技有限公司提供的巖層圖像為數(shù)據(jù)源，算法分為4個步驟，主要包括圖像采集、數(shù)據(jù)增強(qiáng)、圖像預(yù)處理以及基于U-Net網(wǎng)絡(luò)的巖層圖像裂縫檢測，基本流程如圖1所示。

圖1 基于U-Net的巖層圖像裂縫檢測算法基本流程

1.1 圖像采集

考慮到巖層圖像采集的特殊性與復(fù)雜性，原始圖像均由武漢天宸偉業(yè)物探科技有限公司提供。該公司生產(chǎn)的TS-C1201(B)高清多功能鉆孔全景成像分析儀，是一款對鉆孔進(jìn)行全面檢測的高科技設(shè)備，其中包括成像分析儀主機(jī)、探頭、深度測深滑輪等主要部件。該產(chǎn)品集成了鉆孔拍照、錄像、成像和軌跡測量等功能，它可以同時獲得鉆孔動態(tài)錄像視頻、局部高清照片、全孔壁平面展開圖和鉆孔空間軌跡圖。在圖像采集過程中，隨著探頭不斷往孔內(nèi)行進(jìn)，整個孔壁會自動匹配并拼接成完整的平面展開圖像，并在展開圖中截取實(shí)驗(yàn)所需的圖像，大小均為512 px×512 px。

1.2 數(shù)據(jù)增強(qiáng)

在訓(xùn)練時，經(jīng)常會因原始數(shù)據(jù)集不足出現(xiàn)過擬合等問題，因此需對數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)處理，這樣有助于增加數(shù)據(jù)集的量，防止學(xué)習(xí)到不想要的模型，有效減少過擬合，從而得到泛化能力更強(qiáng)的網(wǎng)絡(luò)模型。考慮到數(shù)據(jù)增強(qiáng)方法中的對比度增強(qiáng)、亮度增強(qiáng)和顏色增強(qiáng)等方法對巖層圖像影響不大或偏離實(shí)際，故只采用隨機(jī)旋轉(zhuǎn)與平移的方法處理原始圖像，選擇包括原圖在內(nèi)的11張有效圖像，生成11倍數(shù)據(jù)集，再加入一定量的無裂縫圖像，構(gòu)成名為RFID(rock formation image dataset)的數(shù)據(jù)集，數(shù)據(jù)增強(qiáng)效果如圖2所示。

圖2 巖層裂縫圖像數(shù)據(jù)增強(qiáng)效果

1.3 圖像預(yù)處理

圖像預(yù)處理是為了減少噪聲，提高圖像質(zhì)量，在原始圖像中盡可能保留裂縫的特征信息，有效提高裂縫的可檢測性，最大程度地簡化數(shù)據(jù)，并提高特征提取和圖像分割的可靠性[6]。

先使用加權(quán)平均法[7]進(jìn)行灰度處理，過程中對原始圖像中的RGB三分量進(jìn)行加權(quán)平均來獲得更合理的灰度圖像，計算公式如下：

Gray(i,j)=0.299R(i,j)+0.587G(i,j)+

0.114B(i,j)

(1)

式中，(i,j)表示像素坐標(biāo)點(diǎn)。

再使用自適應(yīng)中值濾波[8]進(jìn)行去噪處理，有效濾除圖像中存在的噪聲，處理過程如圖3所示?？梢园l(fā)現(xiàn)，預(yù)處理后的巖層圖像能更好地保留裂縫的特征細(xì)節(jié)，提高檢測效果。

圖3 巖層圖像的預(yù)處理過程

1.4 改進(jìn)的U-Net網(wǎng)絡(luò)

U-Net網(wǎng)絡(luò)是一種改進(jìn)的全卷積神經(jīng)網(wǎng)絡(luò)模型，網(wǎng)絡(luò)中沒有全連接層，可以檢測任何大小的圖像[9]?？紤]到U-Net網(wǎng)絡(luò)主要用于生物醫(yī)學(xué)圖像的檢測[10]，為了更好地提高檢測效果，該文對U-Net網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)，完成對巖層圖像的裂縫檢測。

1.4.1 批量歸一化(batch normalization)

在卷積網(wǎng)絡(luò)中，下一層的輸入就是上一層的輸出，在使用隨機(jī)梯度下降法訓(xùn)練網(wǎng)絡(luò)模型時，每次參數(shù)的更新都會使網(wǎng)絡(luò)中每層的輸入分布發(fā)生變化。為了解決這一現(xiàn)象，加入了批量歸一化層，對每一層卷積網(wǎng)絡(luò)進(jìn)行歸一化處理，使得每一層輸入的分布在訓(xùn)練過程中保持一致，防止過擬合，其前向傳導(dǎo)過程公式如下：

(2)

(3)

(4)

1.4.2 修正線性單元(rectified linear unit)

修正線性單元是機(jī)器學(xué)習(xí)中常用的激活函數(shù)，它負(fù)責(zé)從輸入端到輸出端映射網(wǎng)絡(luò)中的神經(jīng)元，并將非線性因素引入網(wǎng)絡(luò)。相比于Sigmoid和tanh函數(shù)，ReLU函數(shù)具有稀疏性，能使網(wǎng)絡(luò)訓(xùn)練更快，減少過擬合，加速收斂，最終達(dá)到更好的分割效果[11]，其計算公式如下：

(5)

式中，x表示輸入神經(jīng)元。

1.4.3 深度可分離卷積(depthwise separable convolution)

深度可分離卷積分為兩個過程，第一個過程是將深度信息分離，第二個過程是使用1×1的卷積進(jìn)行通道融合，還原到目標(biāo)尺寸，將普通卷積與深度可分離卷積的結(jié)構(gòu)進(jìn)行對比，如圖4所示。

圖4 普通卷積與深度可分離卷積的結(jié)構(gòu)對比

可以看出，深度可分離卷積在使用大量的1×1卷積后，可以直接利用高度優(yōu)化的矩陣乘法來完成計算，從而大大減少了參數(shù)數(shù)量，并提高了計算效率[12]。

1.4.4 損失函數(shù)

計算損失函數(shù)的大小是訓(xùn)練過程的主要依據(jù)，也是判斷訓(xùn)練后算法質(zhì)量的重要標(biāo)準(zhǔn)[13]。原始U-Net卷積網(wǎng)絡(luò)采用的是二值交叉熵(binary cross-entropy)[14]，一般用于二分類，是一個針對概率之間的損失函數(shù)，經(jīng)過多次模擬實(shí)驗(yàn)發(fā)現(xiàn)該損失函數(shù)并不能使損失值達(dá)到最佳，故替換成均方誤差(mean squared error)[15]來降低訓(xùn)練過程中的損失值，其計算公式如下：

(6)

1.4.5 U-Net網(wǎng)絡(luò)的改進(jìn)

巖層圖像的裂縫檢測模型結(jié)構(gòu)如圖5所示，整個網(wǎng)絡(luò)共有19個卷積層，區(qū)別于傳統(tǒng)的U-Net網(wǎng)絡(luò)，改進(jìn)的U-Net網(wǎng)絡(luò)在每個卷積層中加入了批量歸一化層和修正線性單元激活層，并用深度可分離卷積代替原來的普通卷積，增強(qiáng)了網(wǎng)絡(luò)性能，加快模型學(xué)習(xí)速度，得到一個更快、更小的檢測網(wǎng)絡(luò)；模型采用Adam算法進(jìn)行優(yōu)化，損失函數(shù)改用MSE，進(jìn)一步降低訓(xùn)練過程中的損失值，實(shí)現(xiàn)梯度參數(shù)的更新[16]。

圖5 改進(jìn)的U-Net網(wǎng)絡(luò)結(jié)構(gòu)

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)設(shè)置

2.1.1 環(huán)境設(shè)置

實(shí)驗(yàn)環(huán)境是基于深度學(xué)習(xí)模型TensorFlow的高階API：tf.keras，并結(jié)合Python編程語言搭建的。實(shí)驗(yàn)數(shù)據(jù)在Kaggle平臺上運(yùn)行，環(huán)境配置如下：操作系統(tǒng)為Windows10；GPU為Nvidia Tesla P100-PCIE-16 GB 1.328 5 GHz；CPU Frequency為2.3 GHz；RAM為14 GB；Disk為5.2 GB。

2.1.2 參數(shù)設(shè)置

實(shí)驗(yàn)采用Adam算法對模型進(jìn)行優(yōu)化，設(shè)定學(xué)習(xí)率為0.000 1；加入的批量歸一化層動量設(shè)定為0.99；為了防止模型在訓(xùn)練的過程中存在過擬合問題，Dropout的大小設(shè)定為0.5；考慮到每個GPU處理的圖像數(shù)量和GPU數(shù)量，模型的批量大小設(shè)定為5。而對于訓(xùn)練次數(shù)的話，考慮到如果訓(xùn)練次數(shù)太少，模型無法很好地擬合訓(xùn)練數(shù)據(jù)的分布而容易出現(xiàn)欠擬合狀態(tài)；如果訓(xùn)練次數(shù)太多，模型則過度依賴訓(xùn)練數(shù)據(jù)的分布而容易出現(xiàn)過擬合狀態(tài)，因此通過分析損失值和精確度與訓(xùn)練次數(shù)的關(guān)系，來確定訓(xùn)練次數(shù)。圖6為模型訓(xùn)練中損失值和精確度與訓(xùn)練次數(shù)的關(guān)系，從圖中可以看出，模型的損失值隨著訓(xùn)練次數(shù)的增加而降低，精確度隨著訓(xùn)練次數(shù)的增加而升高，當(dāng)訓(xùn)練次數(shù)超過40時，兩者趨于穩(wěn)定，因此實(shí)驗(yàn)中的訓(xùn)練次數(shù)設(shè)置為40。

圖6 損失值和精確度與訓(xùn)練次數(shù)的關(guān)系

2.1.3 數(shù)據(jù)集設(shè)置

從RFID數(shù)據(jù)集中篩選5 000張經(jīng)過預(yù)處理的有裂縫圖像，按照4∶1的比例分為訓(xùn)練集與測試集，并在測試集中放入少量無裂縫圖像，其中，訓(xùn)練集用于訓(xùn)練模型，測試集用于驗(yàn)證模型的性能。最后，使用Adobe Photoshop軟件對裂縫圖像進(jìn)行裂縫標(biāo)注，生成與圖像尺寸一致的裂縫輪廓標(biāo)簽。

2.2 結(jié)果對比分析

為了驗(yàn)證模型的檢測性能，將其與U-Net、U-Net+MSE、U-Net+BN、U-Net+DSC四種結(jié)構(gòu)模型進(jìn)行對比，并對實(shí)驗(yàn)結(jié)果進(jìn)行分析。

2.2.1 評估參數(shù)對比

實(shí)驗(yàn)過程中將損失值與精確度作為評估參數(shù)，對五種結(jié)構(gòu)模型進(jìn)行評估，繪制評估參數(shù)變化趨勢對比圖(如圖7所示)與評估參數(shù)訓(xùn)練數(shù)據(jù)對比表(如表1所示)。從圖表中可以看出，該算法模型的損失值和精確度均優(yōu)于其他四種結(jié)構(gòu)模型，并使得模型損失值降到0.009 1，精確度達(dá)到0.994 3，對比可知該模型的收斂速度更快，檢測精確度更高。

圖7 評估參數(shù)變化趨勢對比

表1 評估參數(shù)訓(xùn)練數(shù)據(jù)對比

注：*表示訓(xùn)練次數(shù)，loss表示損失值，acc表示精確度。

2.2.2 檢測效果對比

在實(shí)驗(yàn)中分別訓(xùn)練五種結(jié)構(gòu)模型，對檢測結(jié)果進(jìn)行對比，得到各模型的裂縫檢測效果圖(如圖8所示)，其中第一列為輸入的巖層裂縫圖像，第二列為標(biāo)簽，第三至六列為對比模型檢測結(jié)果，最后一列為文中算法檢測結(jié)果。相比之下，提出的基于U-Net的巖層圖像裂縫檢測算法能更有效地提取裂縫特征，在針對巖層圖像的裂縫檢測過程中魯棒性更高，具有更好的檢測性能。

圖8 裂縫檢測效果對比

3 結(jié)束語

針對巖層圖像裂縫檢測問題，提出了一種基于U-Net的巖層圖像裂縫檢測算法。在原始U-Net網(wǎng)絡(luò)的基礎(chǔ)上，加入了批量歸一化層和修正線性單元激活函數(shù)層，并使用深度可分離卷積取代原來的普通卷積，進(jìn)一步增強(qiáng)網(wǎng)絡(luò)性能，減少過擬合，加快模型學(xué)習(xí)速度；同時結(jié)合Adam優(yōu)化算法，改用MSE作為模型訓(xùn)練中的損失函數(shù)，以降低損失值，提高模型檢測精確度。實(shí)驗(yàn)結(jié)果表明，提出的算法與其他結(jié)構(gòu)模型相比，收斂速度更快，精確度更高，有更好的分割效果，實(shí)現(xiàn)了對巖層圖像的裂縫檢測，體現(xiàn)了深度學(xué)習(xí)中U-Net網(wǎng)絡(luò)對巖層圖像裂縫檢測的可能性。但實(shí)驗(yàn)本身還存在一些檢測不完全的問題，針對這一問題，擬在后期工作中加入滑動窗口技術(shù)，對圖像進(jìn)行整體掃描，獲取更多的有效特征，實(shí)現(xiàn)更全面的巖層圖像裂縫檢測算法。