基金項目：

2021年度廣西高校中青年教師科研基礎能力提升項目“基于多傳感器融合技術的新型自動駕駛控制系統(tǒng)的研究與開發(fā)”（編號：桂科2021KY1130）；2021年度廣西科技重大專項“限定區(qū)域和特定場景智能網聯(lián)汽車技術開發(fā)與示范應用”（編號：桂科AA22068101）

作者簡介：

林土淦（1988—），工程師，研究方向：智能交通產品研發(fā)。

摘要：文章提出一種基于無人機與深度學習結合的橋梁表面裂縫分割方法。該方法采用無人機遍歷橋梁各區(qū)域采集圖像，通過網絡傳輸到橋梁裂縫檢測系統(tǒng)進行圖像分析；采用U-Net深度學習網絡對橋梁圖像進行訓練與特征提取，以提高系統(tǒng)準確率；針對圖像存在光照不均勻、低對比度問題，采用對比度受限自適應直方圖均衡化對數據進行處理以提高圖像的邊緣對比度，獲得更細膩的裂縫特征。通過驗證實驗表明，該方法相比于原始的U-Net和YOLOv8-seg網絡，其mAP分別提高了1.63%、2.01%。

關鍵詞：橋梁裂縫檢測；圖像分割；CLAHE；U-Net模型

中圖分類號：U446.2文獻標識碼：A 01 001 3

0 引言

橋梁設施的有效維護和損傷的預防依賴于對橋梁缺陷的及時檢測，如裂縫、坑洞、車轍、沉降或其他表面損傷［1］。由于我國公路和橋梁的總里程數不斷增加，傳統(tǒng)的人工橋梁檢測方法往往需要借助橋梁檢查車及特殊設備（如梯子等）進行觀測，需要耗費大量的人力、物力資源。在地震或極端天氣發(fā)生時，對橋梁設施的緊急維護和檢查尤為重要，采用人工檢測存在巨大的安全隱患。因此，隨著技術的發(fā)展，業(yè)界開始探索使用無人機進行橋梁設施檢測，以打造更為安全和高效的檢查系統(tǒng)，再結合機器視覺技術有望實現(xiàn)橋梁設施的自動檢測［2］。

通過對無人機捕獲的圖像進行處理，能夠有效識別橋梁表面的損傷［3］。最初，研究人員使用閾值化、像素對比度、邊緣檢測等方法檢測圖像中是否存在裂縫，大致是通過手動處理圖像特征，根據像素強度分布對圖像有無裂縫進行分類。隨著人工智能技術的不斷發(fā)展，研究人員引入了機器學習方法來進行啟發(fā)式橋梁裂縫檢測，為處理各種類似的裂縫提供了一種自適應解決方案。然而，由于模型簡單與特征提取能力不足，預測精度會受到限制。另一方面，深度卷積神經網絡具有多層級抽象和深度分解已識別特征的能力，在橋梁表面圖像處理領域得到廣泛應用［4］，并取得較好的裂縫分類精度。在此背景下，業(yè)界對橋梁表面檢測系統(tǒng)提出了更高的要求，在準確分類的基礎上，探索能準確識別橋梁裂縫的更多信息（如位置、大小、形狀等）。李澤榮等［5］提出一種可用于水下機器人的橋梁水下結構缺陷自動識別方法，通過圖像增強算法獲取高對比度圖像，使用改進YOLOv7-tiny網絡模型進行裂縫目標檢測，準確率明顯提升。

雖然目標檢測算法能夠識別裂縫及其位置，但是無法獲得像素層面的裂縫信息，難以進一步定量評估裂縫對橋梁健康狀態(tài)的影響，還需要在候選框內結合閾值或邊緣檢測算法提取裂縫像素。與傳統(tǒng)圖像分割算法相比，基于深度學習的圖像分割算法能直接從圖像中高效提取裂縫像素，其中全卷積神經網絡、YOLO、U-Net、Mask R-CNN等在圖像分割任務上獲得顯著成效。譚國金等［6］基于改進DeepLabv3+的圖像分割模型在大量實際橋梁裂縫圖像中達到了90%以上的像素準確率。余加勇等［7］提出基于YOLOv5和U-Net算法構建裂縫定位與分割一體化橋梁裂縫智能識別方法。然而，由于裂縫圖像分割數據集的標注成本較高，標注質量難以保證，使得在裂縫圖像分割任務上模型難以訓練且性能較差。因此，需根據特定任務與數據量選擇合適的模型。

本文提出了一種混合方法，通過無人機航行攝像來采集橋梁的表面圖像，將對比度受限自適應直方圖均衡化（Contrast Limited Adaptive Histogram Equalization，CLAHE）技術與U-Net網絡相結合，實現(xiàn)高效、高精度的橋梁裂縫圖像分割任務。首先，對圖像進行灰度化處理并進行CLAHE處理，然后將增強處理后的圖像用于訓練U-Net模型，實現(xiàn)裂縫圖像的特征提取與分割。最后，在不同數據集以及無人機捕獲的圖像上進行的實驗表明，與基于U-Net模型、YOLOv8-seg模型的裂縫檢測方法相比，所提出的具有CLAHE對比度增強的U-Net更有優(yōu)勢。該方法將無人機與深度學習圖像處理技術相結合，提高了裂縫檢測的效率和準確性，同時降低了檢測成本并保障了檢查員的安全。

1 系統(tǒng)設計

在橋梁的日常維護和檢修工作中，系統(tǒng)不僅需要滿足一定頻率的巡檢任務，而且需要實現(xiàn)自動圖像采集與處理。研究人員嘗試在移動設備上（如手機、無人機等）進行部署，但是移動設備的算力有限，部署的模型推理速度慢，難以完成大量而全面的檢測工作。因此，本系統(tǒng)采用模塊化設計，由圖像采集模塊、數據傳輸模塊、數據處理終端三部分組成，如圖1所示。這樣可以根據不同的場景使用不同的方案，且在系統(tǒng)更新通過模塊復用降低成本。

數據采集終端由攝像頭、電池、云臺、安裝架組成。數據傳輸采用無線通信模塊，將采集的圖像數據即時回傳數據處理端。數據處理終端由PC或移動電腦組成，用于部署模型，同時完成推理前的數據預處理工作。見圖2。

2 算法模型原理

2.1 U-Net模型

U-Net是用于圖像分割的卷積神經網絡，由Ronneberger等人［8］提出。其采用全卷積結構，包括下采樣和上采樣兩部分，并通過跳躍連接捕獲空間信息。U-Net在醫(yī)學影像、衛(wèi)星圖像、工業(yè)瑕疵檢測等任務中廣泛應用并取得了顯著的效果。

U-Net采用編碼器-解碼器的結構，編碼器部分通過卷積和池化操作提取圖像中的特征，而解碼器部分則逐漸恢復圖像的空間信息，使得U-Net網絡能夠同時捕捉圖像的局部細節(jié)和全局上下文信息，對于裂縫檢測這類需要精細分割的任務非常有效。本研究中設計的U-Net模型由1個雙層卷積塊、4個上采樣層、4個下采樣層與1個輸出卷積層組成。其中，雙層卷積塊包括1個3×3卷積層、1個批標準化層、1個64×64卷積層以及1個以ReLU為激活函數的激活層，按順序堆疊兩次。上采樣層由2×2的逆卷積層與雙層卷積塊構成，該雙層卷積塊由3×3卷積層、1個批標準化層和ReLU激活層組成。再將上采樣層按順序堆疊4次（各層具有不同的卷積核大小）組成上采樣部分，各層通道由1 024減小至64。下采樣層與上采樣層的結構類似，同樣由逆卷積層與雙層卷積塊構成，并按順序堆疊4次，組成下采樣部分，各層通道則由64增大到1 024。最終輸出層通過雙層卷積塊輸出。

2.2 直方圖均衡

直方圖均衡（Histogram Equalization，HE）作為一種經過廣泛驗證的技術，旨在顯著增強圖像的對比度。該技術通過重新分配圖像中所有像素的強度值，有效地擴展了可用的動態(tài)范圍，從而提升了圖像的視覺表現(xiàn)。直方圖均衡化的變換函數可具體表述為：

Gi，j=L-1MN∑ik=0 ∑ji=0pfk，l

（1）

式中：G（i，j）——增強后圖像的像素值；

L——強度等級的數量；

M和N——圖像的維度；

p（f（k，l））——像素強度的累積分布函數。

盡管直方圖均衡化在改善對比度方面效果顯著，但也可能導致過度增強，特別是在強度均勻的區(qū)域，這可能會增加對噪聲的敏感性。

CLAHE是一種HE的改進方法，旨在解決局部圖像區(qū)域中噪聲過度放大的問題。其將圖像劃分為若干個小塊，并對每個小塊分別應用直方圖均衡化，從而限制對比度的放大。這種限制是通過在指定的閾值處裁剪直方圖來實現(xiàn)的。CLAHE可以表示為：

Gi，j=L-1MN∑ik=0 ∑ji=0pfk，l，C

（2）

式中：C——用于直方圖裁剪的閾值。

CLAHE能夠有效地保留局部細節(jié)并自適應地增強對比度，使其適合用于采集到的橋梁圖像分析，對精確定位混凝土裂縫至關重要。

3 實驗分析與討論

本節(jié)主要關注基于U-Net的裂縫檢測模型的構建過程，主要內容包括以下四個部分：數據集準備、數據邊緣增強、網絡結構改變以及實驗結果分析。

3.1 數據集制作

研究采用公開數據集與自采集數據集混合用于模型訓練。其中公開數據集從SDNET 2018［x］的混凝土橋面部分與Crack Segmentation混凝土裂縫數據中隨機抽取混合獲得。其中SDNET 2018數據集僅提供了是否存在裂縫的標簽，無用于裂縫分割的像素標注標簽。在訓練開始前需要將圖像通過標注工具Labelme進行標注。

橋梁裂縫圖像采集由于光照不均、陰影干擾以及裂縫本身的細微特征等原因，往往呈現(xiàn)出對比度低、細節(jié)模糊等問題。CLAHE方法通過局部直方圖均衡化和對比度限制，有效地增強了圖像的局部對比度，同時避免了過度增強導致的噪聲放大。在橋梁裂縫圖像處理中，CLAHE能夠針對裂縫區(qū)域的局部特征，自適應地調整像素值的分布，如圖3所示，可以看到裂縫細節(jié)更加突出。

3.2 實驗環(huán)境

本實驗硬件平臺CPU是AMD Ryzen R7 7700，使用NVIDIA GeForce RTX4060Ti（顯存16 GB）、32 GB的運行內存；使用PyTorch深度學習框架構建網絡模型，版本為2.1.0，CUDA版本為12.1；使用OpenCv對圖像進行直方圖均衡。其他軟件環(huán)境為Windows 10系統(tǒng)，Python版本為3.9.18。

3.3 評價指標

實驗采用像素準確率（Pixel Accuracy，PA）、交并比（Intersection-Over-Union，IOU）、平均精度均值（mean Average Precision，mAP）來評價圖像分割的性能。PA、IOU、mAP的計算公式如下：

PA=∑ni=0 pii∑ni=0 ∑nj=0 pij=TP+TNTP+TN+FP+FN

（3）

IOU=A∩BA∪B=TPTP+FP+FN

（4）

mAP=10P（R）dR

（5）

式中：TP——模型正確預測為正例的像素數量；

FP——模型錯誤預測為正例的像素數量；

TN——模型正確預測為負例的像素數量；

FN——模型錯誤預測為負例的像素數量。

3.4 實驗結果分析與對比

為了驗證所設計的U-Net網絡與CLAHE圖像邊緣增強方法的有效性，采用對比實驗進行驗證。實驗分為3組，環(huán)境及參數設置均保持統(tǒng)一。模型的訓練完成后的預測對比結果如表1所示。

第1組為采用原始圖片作為輸入的U-Net模型的實驗，mAP值為79.6%。

第2組為采用原始圖片作為輸入的YOLOv8-seg模型的實驗，mAP值為79.3%。

第3組為增加CLAHE圖像邊緣增強的圖像作為輸入的U-Net模型實驗，檢測mAP值為80.9%，相較第1、第2組模型性能分別提升了1.63%、2.01%。

訓練過程中，隨著訓練批次的增加，兩次實驗的損失逐漸下降。經過50個批次訓練后，U-Net與CLAHE+U-Net模型最終的損失在0.16附近，且CLAHE+U-Net模型的損失更低，為0.165 4。

實驗結果顯示，U-Net模型在橋梁裂縫分割上的可用性，且其相較YOLOv8-seg模型效果略好，其原因可能是YOLOv8-seg網絡框架復雜，參數量大，在有限的數據集下無法充分發(fā)揮其優(yōu)勢。另外，經CLAHE處理后的U-Net模型相較原模型，其精確度提升了1.63%，證明了橋梁裂縫圖像經過邊緣增強后，模型效果得到提升。圖4展示了具有代表性的部分測試圖片在模型U-Net、YOLOv8-seg和采用CLAHE增強的U-Net圖像分割效果。由圖4可以看出，在細小的規(guī)整裂縫下，YOLOv8-seg的分割效果更好，但不規(guī)整、復雜裂縫情況下效果較差。另外，在細小裂縫上，經過CLAHE處理后獲得的圖像分割結果相較原始U-Net更準確；在明顯裂縫圖像上，兩個模型分割效果相近，但CLAHE處理的圖像效果略好；在多裂縫圖像上，CLAHE+U-Net的效果明顯好于未采用CLAHE增強的U-Net模型。

4 結語

本研究針對傳統(tǒng)橋梁裂縫人工檢測方法存在的問題，將無人機與深度學習圖像處理技術相結合，提出了一種基于CLAHE與U-Net的橋梁裂縫檢測方法。通過采用對比度受限自適應直方圖均衡化（CLAHE）進行數據預處理，克服圖像質量低、邊緣不明顯等問題。在對公開數據集和自采集數據集的模型進行訓練后，驗證了所提方法的有效性。試驗結果表明，所提方法在準確性和平均精度（mAP）方面均優(yōu)于原始模型，分別提高了1.06%和1.63%，

表明基于CLAHE與U-Net模型的橋梁裂縫檢測方法在提升橋梁裂縫分割性能方面效果顯著，有望在實際應用中發(fā)揮重要作用，提高橋梁裂縫檢測的效率和準確性，為土木工程領域的結構安全和質量管理提供有力支持。

參考文獻

［1］杜彥良，孫寶臣，吳智深，等. 關于建立健全交通基礎設施長壽命安全保障體系的戰(zhàn)略思考［J］. 中國工程科學，2017，19（6）：1-5.

［2］劉 睿. 基于無人機的橋梁病害檢測系統(tǒng)研究［J］. 北方交通，2024（1）：17-20.

［3］鐘新谷，彭 雄，沈明燕. 基于無人飛機成像的橋梁裂縫寬度識別可行性研究［J］. 土木工程學報，2019，52（4）：52-61.

［4］楊杰文，章 光，陳西江，等. 基于深度學習的較復雜背景下橋梁裂縫檢測［J］. 鐵道科學與工程學報，2020，17（11）：2 722-2 728.

［5］李澤榮，劉愛榮，陳炳聰，等. 基于融合圖像增強與改進YOLOv7算法的橋梁水下結構缺陷識別［J］. 工程力學，2024，41（S1）：245-252.

［6］譚國金，歐 吉，艾永明，等. 基于改進DeepLabv3+模型的橋梁裂縫圖像分割方法［J］. 吉林大學學報（工學版），2024，54（1）：173-179.

［7］余加勇，劉寶麟，尹 東，等. 基于YOLOv5和U-Net3+的橋梁裂縫智能識別與測量［J］. 湖南大學學報（自然科學版），2023，50（5）：65-73.

［8］Ronneberger O，F(xiàn)ischer P，Brox T. U-Net：Convolutional Networks for Biomedical Image Segmentation［C］.International Conference on Medical Image Computing and Computer-Assisted Intervention，2015.