基于人工智能机器视觉技术古建筑表层损伤检测.docVIP

基于人工智能机器视觉技术古建筑表层损伤检测 　　摘 要：21世纪以来，在大数据和GPU加速?练的支持下，以深度学习为核心的人工智能技术迅速发展，并在多领域得到了广泛应用。与此同时，随着国民经济实力和文化素质的不断提升，国家对于古建筑的保护也愈发重视。然而在长期自然及人为因素的共同作用下，古建筑难免会受到不同程度的损伤，这些损伤在很大程度上表现在结构的表层，如裂缝、酥碱、剥落、倾斜、空鼓等。因此，对这些表层损伤实施快速和高效的识别和定位，为后续的诊断和修复工作提供指导具有重大意义。目前国内对于古建筑表层损伤的检测主要为人工方法，即通过目测和借助专业的设备完成工作。然而人工方法效率不高，且需要较强的专业性和经验因素。为解决该问题，文中提出了一种基于人工智能方法的古建筑表层损伤检测技术，通过获取大量具有多类损伤古建筑的表层图像样本并进行人工分类，使用卷积神经网络对样本进行训练，得到一个用于识别损伤的分类器并验证其准确性。分类器成功建立后，使用滑动窗口算法对结构表层图像进行测试，从而完成损伤的定位工作。最后提出了众包式检测的思想，通过调动公众来收集训练样本，达到提高效率，节约成本的目的。 　　关键词：人工智能；深度学习；机器视觉；古建筑；损伤检测 　　中图分类号：TP368.5；TU317 文献标识码：A 文章编号：2095-1302（2017）09-00-05 　　0 引 言 　　古建筑作为一种重要的文明载体，是历史文化遗产不可或缺的一部分。自21世纪以来，国家对于古建筑的保护愈发重视，维护和修复工作大量展开，并且得到了长足的发展[1]。 　　然而，古建筑的破坏现状决定了损伤检测和维护修复工作的高难度和高成本。近些年，国内各地区将大量资金投入于古建筑修复工作。2014年，安徽省黄山市徽州区投入8 000万元，对该区147处古建筑实施保护利用工程[2]；同年，贵州省铜仁市投入6 000万元，启动了40个古建筑维护项目[3]；2015年，广东省珠海市高新区投入近3 000万元，完成了对该区18处重要古建筑的修缮和活化工作[4]；2016年，国家文物局投入2610万元开始对永乐宫实施整体维修[5]。大量高投入的维护工作对损伤检测与评定环节提出了更高的要求。 　　当前古建筑砌体结构的表层损伤检测一般以目测为主，检测设备为辅的方法进行检测。这种方式虽然看似简便，但对检测人员的专业性要求十分高，且需具备一定的损伤判定经验。例如对墙体裂缝的检测，检测人员必须具备能够熟知该裂缝的性质以及判定是否需要对其修复处理的能力。并且大范围的检测消耗人力成本高，故只能采取定期检测和抽样检测的方式。就目前来说，这种检测方式虽然可以达到基本满意的效果，但有时仍然不能及时发现问题，无法对维护工作提供实时和必要的指导，导致维修成本大大提高。 　　以深度学习为核心的人工智能技术的最大优势是无需特征提取，只要拥有足够的样本，经过训练的分类器可以准确识别损伤。随着该研究领域的不断升温，每年都会出现许多训练更高效，分类更准确的卷积神经网络模型，将深度学习应用于结构损伤检测领域是趋势发展的必然。 　　目前将深度学习引入结构表层损伤检测的研究很少，相关研究的网络深度相对较浅[6]，基本上均为二分类问题[7]，且在识别的算法上效率不高。同时，也尚未见到任何应用于古建筑或砌体结构的相关研究。而本文将填补这一部分空白。 　　1 基本原理 　　以本文研究内容为例，假设输入一张像素分辨率为480×105的真彩色砖块图像，如图1所示。图像以像素为单位，因此该砖块图像宽度为480个像素，高度为105个像素。由于是真彩色图像，每个像素具有红、绿、蓝三原色通道，即三个数字分量，每个分量的范围为0～255，通过这三个分量的组合，形成了每个像素的颜色效果（例如三个分量均为0则为纯黑色；三个分量均为255则为纯白色）。对于计算机来说，真彩色图像是由数字组成的三维数组，因此，图1中的砖块图像在计算机中的表达为480×105×3=151 200个数字。图像分类的任务即为对这数十万个数字进行数学运算，从而得到一个最大概率的类别标签，如“裂缝”。 　　一般来说，图像分类任务的网络越深，效果就越好。但以全连接层为主的BP神经网络并不能做得很深。以图1中的砖块图像为例，假如使用隐层神经元个数为100的双层神经网络进行训练，则需要学习480×105×3×100+100+100×4+4=参数，如果增加中间的隐层数量与更大尺寸的图像，参数数目极易达到上百亿。巨大的参数数量对计算机的运算速度来说是一个极大的障碍，再加之海量参数很快会形成过拟合，因此一般的BP神经网络做到4层就已足够。 　　卷积神经网络能够做得较深的主要原因在于它拥有一般BP神经网络所不具备的可以很大程度上减少