Crack detection and recognition based on improved BiSeNetV2
-
摘要: 裂缝作为固体材料中较为常见的某种不连续现象, 是固体结构破坏的开始，及时对裂缝进行识别和检测，并对检测结果进行分析，采取相对应的措施，能够较好地防止事故发生，保障工程作业中的安全。目前裂缝识别主要依靠人工检测，存在劳动强度大、耗时长、精确度不高、危险、耗费高等问题，为此基于数字图像处理技术的裂缝智能识别被广泛研究，然而裂缝表面纹理不规则、噪声的复杂信息，影响了识别精度。为了解决常见固体材料的裂缝智能识别问题，提出了以轻量级语义分割网络模型BiSeNetV2来进行裂缝自动检测，同时自主构建裂缝数据集。实验表明，改进后的裂缝识别模型识别精度提升了7.6%。基于BiSeNetV2的裂缝识别模型，能对裂缝进行精准检测和识别，解决人工识别存在的各类问题。Abstract: Cracks, as a relatively common discontinuity in solid materials, are the beginning of damage to solid structures. Their timely identification and detection, followed by the analysis of the test results and corresponding measures, can better prevent accidents, and ensure safety in engineering operations. At present, crack identification mainly relies on manual detection, which has the problems of high labor intensity, time consuming, low accuracy, danger, and high cost. For this reason, the intelligent recognition of cracks based on digital image processing technology has gained wide attention. However, the irregularity of crack surface texture as well as noise affects the recognition accuracy. To realize the intelligent recognition of cracks in common solid materials, a lightweight semantic segmentation network model BiSeNetV2 was proposed for automatic crack detection, while a crack dataset was constructed autonomously. Experiments showed that the recognition accuracy of the optimized crack recognition model was improved by 7.6%. The BiSeNetV2-based crack identification model can detect and recognize cracks properly, as well as solve many challenges associated with manual detection.
-
Keywords:
- BiSeNetV2 /
- semantic segmentation /
- crack detection and recognition /
- rock fracture
-
0 引言
地应力是存在于地壳中未被人工扰动的天然应力，其在指导矿山地下开采工程、土木建设工程、边坡修建等工程中的作用越来越重要，是各种工程开挖设计必须要做好的前提工作.国内外对获取初始地应力进行了大量研究，并取得了许多研究成果[1-2].目前初始地应力的计算方法大致有以下几种：边界荷载调整、应力函数法、有限元数学模型回归分析法、三维有限元反演分析法等[3-5].在地应力反演方法上，主要采用的是以分析开挖工程区域小范围内的初始地应力场的数学计算方法，包括：位移反分析方法，由监测位移反演局部区域的应力分布[6]；应力反演方法，由现场有限个点的地应力实测值，通过应力函数或数值计算方法回归分析得到研究区域的应力.
本文在前人的研究成果基础上，假定初始地应力场主要由自重应力场和地质构造运动应力场两部分组成，将各运动模式分解成应力基本运动模式，并结合多元线性回归原理，采用Fortran编写相关程序，以及FLAC3D强大的数值模拟分析功能[7]，以此建立地应力场反演多元线性回归模型，发展和完善地应力场反演方法.
1 多元线性回归反演理论
多元线性回归法反演初始地应力场是当前常用且比较精确的方法之一[8]，其基本思路是：通过在岩体的局部位置进行实际测量得到一定的地应力值，然后根据应力与荷载之间存在的相互关系，分析研究得到岩体的应力测量信息，再采用多元线性回归法展开计算分析，以此来反演地应力场.
1.1 基本影响因素模拟
由于初始地应力主要受岩体自重和地质构造运动两方面影响，进而把初始地应力场认为主要由自重应力场和地质构造运动应力场两个部分组成[9]，通过用FLAC3D对自重应力场和地质构造应力场进行数值模拟.通常情况下，地质构造运动应力场由以下5种子构造应力模式线性叠加而成：
（1）左右方向水平挤压构造运动产生的应力场；
（2）前后方向水平方向水平挤压构造运动产生的应力场；
（3）水平面内剪切构造运动产生的应力场；
（4）左右垂直平面内的竖向剪切构造运动产生的应力场；
（5）前后垂直平面内的竖向剪切构造运动产生的应力场.
通过以上分析，就可以从影响地应力的众多因素中提取出6个主要因素，便于建立模型.
1.2 多元线性回归模型
基于多元线性回归原理，把所要求的初始地应力场作为因变量，形成地应力的各种基本因素作用作为自变量，采用弹性工作状态下的线性叠加原理写出初始应力场的回归模型[6, 10]为：
(1) 式(1)即为回归方程，Ci为回归系数，n代表自重和构造运动基本运动模式的种类(数值模拟时亦可称为工况).式（1）中，σjk0为k测点j应力分量的初始地应力计算值；Ci（i=0, 1, 2, …, 6）为7个待估参数，分别代表每类运动模式（自重运动模式及子构造运动模式）引起的应力分量大小；σjk0、σjk1、σjk2、σjk3、σjk4、σjk5、σjk6分别为自重和5个子构造运动作用下的k测点j应力分量；ε为模型误差.
上述回归模型的基本假定是：
（1）ε是因变量σjk0的误差，是相互独立的随机变量，没有系统性，其数学期望全为零，即E（εn）=0；
（2）每次观测相互独立，并有相同的精度，即εn之间的协方差关系式为
（3）εn服从正态分布.
1.3 回归系数Ci的确定
在使用回归方法反演区域应力场时，记第k个测点的实测地应力j分量值为
(2) 运用最小二乘法原理，使得残差平方和为最小值，即式(2)对Ci取偏导数并令其为零，则
(3) 对式(3)整理后得回归系数Ci的线性方程组矩阵：
由此方程组可求解出回归系数，它的解是唯一的，可以得到n+1个待定回归系数C=（C0，C1, C2，…，Cn）T.根据各基本运动模式（计算工况）应力回归方程，反演研究区域内任意点的应力，从而得到反演后区域内的整体应力场空间分布.
2 算例分析
为了验证上述所提出的初始地应力场反演与构建方法的可行性，利用Fortran语言编写了多元线性回归初始地应力场反演程序，并基于Flac3D有限差分软件，对一个简单平面应变问题的初始地应力场进行反演与构建.
如图 1所示为一地质剖面计算模型，模型左侧施加P=3.0MPa的均布荷载，右侧水平约束底部垂直约束，材料均质，弹性模量E=28GPa，泊松比μ=0.23，容重r=2.8×103kg / m3.
算例在方案设计时，选取如图 1所示计算模型计算区域内的6个点（A, B，…，F）作为假想的初始地应力实测点，各点在模型中相对应的单元编号分别为1070、1080、670、732、320、332.首先在Flac3D中按算例模型边界条件及自重条件下计算得到如表 1所示6个观测点的应力值，这些应力值作为各测点的初始地应力实测应力值；然后将自重因素视为未知因素，构造运动基本运动模式采用应力边界条件基本模式，分别计算单位自重、模型左侧边界单位均匀分布载荷、三角形分布载荷和剪应力分布载荷等4种工况的基本运动模式的应力场，再由这些已知的地应力值，利用所编写的多元线性回归初始地应力场反演程序，得到各工况基本运动模式的回归系数.至此，可根据各基本运动模式（计算工况）应力回归方程，反演研究区域内任意点的应力，从而得到反演后区域内的整体应力场空间分布.
表 1 地应力实测值
表 2列出了各运动模式单位荷载作用下应力回归系数，实际只考虑了自重和均布左侧边界加载，对模型的外部实际加载与反演加载相对误差分别为0.103%和1.4433%，计算表明反演非常成功，尤其是自重因素对形成初始地应力影响极其稳定.
表 2 各运动模式单位荷载作用下应力回归系数
图 2列出了各测点实测应力值与反演应力值，通过比较可以看出，各测点σx和σz实测应力值与反演应力值相对误差极小，均在0.5%以下，而剪应力的实测应力值与反演应力值误差略大一些，但相对误差也均在2.2%以下，由于区域的应力以水平和竖直方向为主，从工程的角度而言是可以接受的.
由此说明：反演应力与“实测应力”吻合较好，回归效果理想，采用多元回归方法反演线弹性地应力场是可行的，并且有较高的精度.
3 结论
（1）基于多元线性回归原理，把所要求的初始地应力场作为因变量，形成地应力的自重基本因素和构造运动的子构造应力基本因素作为自变量，采用线性叠加原理形成因变量与自变量的表达关系式，建立了多元线性回归地应力场反演数学模型，完善了多元线性回归地应力场反演方法.该方法保证了解的唯一性，使引进和剔除形成初始地应力场的各种因素有了根据，有利于对形成初始地应力复杂因素的认识.
（2）多元线性回归地应力场反演方法数学推导严密、物理意义明确，直接针对形成应力场的物理成因展开模拟，考虑了自重、挤压构造运动及剪切变形构造运动等共同作用.标准算例验证表明，计算应力值与观测应力值极其吻合，相对误差均在2.2%以下，回归效果理想，说明本文的地应力场反演方法可行，计算程序可靠，并且有较高的计算精度.
-
![]()
图 2 不同模型下的沥青混凝土铺面道路裂缝检测
Fig 2. Crack detection in bituminous concrete pavement under different models
![]()
图 3 不同模型下的水泥混凝土块路面裂缝检测
Fig 3. Crack detection in cement concrete block pavement under different models
表 1 基于不同BiSeNet模型的裂缝检测的性能
Table 1 Performance of crack detection based on different BiSeNet models
下载: 导出CSV
-
[1] 张辉霖, 李登华, 丁勇. 面向混凝土裂缝检测的级联神经网络算法研究[J]. 水力发电学报, 2022, 41(8): 134-143. https://www.cnki.com.cn/Article/CJFDTOTAL-SFXB202208013.htm [2] LI D, JIANG D, BAO R, et al. Crack detection and recognition model of Parts based on machine vision[J]. Journal of Engineering Science and Technology Review, 2019, 12(5): 148-156. doi: 10.25103/jestr.125.17
[3] ZHANG Y, TANG Z, QIAN B, et al. Pavement crack detection and recognition fusing with visual attention mechanism[J]. Computer Engineering, 2018, 44(4): 287-293. doi: 10.3969/j.issn.1000-3428.2018.04.046
[4] 孙晓贺, 施成华, 刘凌晖, 等. 基于改进的种子填充算法的混凝土裂缝图像识别系统[J]. 华南理工大学学报(自然科学版), 2022, 50(5): 127-136. https://www.cnki.com.cn/Article/CJFDTOTAL-HNLG202205014.htm [5] 卢凯良. 基于可见光视觉图像的路面裂缝识别深度学习方法述评[J]. 计算机工程与科学, 2022, 44(4): 674-685. doi: 10.3969/j.issn.1007-130X.2022.04.011 [6] 崔晓宁, 王起才, 李盛, 等. 基于YOLO-v5的双块式轨枕裂缝智能识别[J]. 铁道学报, 2022, 44(4): 104-111. https://www.cnki.com.cn/Article/CJFDTOTAL-TDXB202204013.htm [7] 刘智勇. 基于Mask R-CNN和迁移学习的混凝土道路裂缝智能识别研究[J]. 广东土木与建筑, 2021, 28(8): 5-7. https://www.cnki.com.cn/Article/CJFDTOTAL-GDTM202108002.htm [8] 施金汝, 许凌峰, 陈金立, 等. 基于树莓派和YOLOv5算法的路面裂缝检测系统[J]. 信息技术, 2022(4): 22-28. https://www.cnki.com.cn/Article/CJFDTOTAL-HDZJ202204004.htm [9] 刘奇, 于斌, 孟祥成, 等. 基于转置卷积神经网络的路面裂缝识别算法[J]. 华南理工大学学报(自然科学版), 2021, 49(12): 124-132. https://www.cnki.com.cn/Article/CJFDTOTAL-HNLG202112014.htm [10] 梁世豪. 基于深度学习的野外露头区岩石裂缝识别方法研究[D]. 大庆: 东北石油大学, 2020. [11] 罗伟, 梁世豪, 姜鑫, 等. 基于深度学习的野外露头区岩石裂缝识别[J]. 计算机与现代化, 2020(5): 56-62. https://www.cnki.com.cn/Article/CJFDTOTAL-JYXH202005010.htm [12] CHEN K, YADAV A, KHAN A, et al. Improved crack detection and recognition based on convolutional neural Network[J]. Modelling and Simulation in Engineering, 2019, 2019(1): 1-8.
[13] WU X H, LIU X J. Building crack identification and total quality management method based on deep learning[J]. Pattern Recognition Letters, 2021, 145(5): 225-231.
[14] 晚金辉, 董天培, 吴宪亮, 等. 基于Segnet网络的岩石裂缝识别[J]. 计算机产品与流通, 2021(2): 44-45. [15] 马孜卓, 郑忆康, 薛清峰, 等. 基于非监督学习的水力压裂裂缝平面识别[J]. 中国地震, 2021, 37(2): 322-331. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGZD202102007.htm [16] 蒋永生, 周旭, 李得睿, 等. 工程结构裂缝智能识别与测量[J]. 中国公路, 2021(14): 114-115. https://www.cnki.com.cn/Article/CJFDTOTAL-GLZG202114054.htm [17] 陈泽斌, 罗文婷, 李林. 基于改进U-net模型的路面裂缝智能识别[J]. 数据采集与处理, 2020, 35(2): 260-269. https://www.cnki.com.cn/Article/CJFDTOTAL-SJCJ202002008.htm [18] 张立国, 程瑶, 金梅, 等. 基于改进BiSeNet的室内场景语义分割方法[J]. 计量学报, 2021, 42(4): 515-520. https://www.cnki.com.cn/Article/CJFDTOTAL-JLXB202104017.htm [19] 周华平, 郑锐. 基于改进BiSeNet的煤矿井下轨道检测算法[J]. 湖北民族大学学报(自然科学版), 2021, 39(4): 398-403. https://www.cnki.com.cn/Article/CJFDTOTAL-HBXZ202104007.htm [20] 于蒙, 樊成, 李雄, 等. 基于改进BiSeNet的室内障碍物图像语义分割方法[J]. 华中科技大学学报(自然科学版), 2022, 50(6): 133-138. https://www.cnki.com.cn/Article/CJFDTOTAL-HZLG202206017.htm [21] WANG F, LUO X Y, WANG Q X, et al. Aerial-BiSeNet: A real-time semantic segmentation network for high resolution aerial imagery[J]. 中国航空学报(英文版), 2021, 34(9): 47-59.
[22] YU C, GAO C, WANG J, et al. BiSeNet V2: Bilateral network with guided aggregation for real-time Semantic Segmentation[J]. International Journal of Computer Vision, 2021, 129(11): 3051-3068.
[23] 张育敬, 陶青川. 基于改进BiSeNet的轻量级水利语义分割算法[J]. 现代计算机, 2022, 28(7): 53-58. https://www.cnki.com.cn/Article/CJFDTOTAL-XDJS202207009.htm
计量
- 文章访问数: 284
- HTML全文浏览量: 102
- PDF下载量: 20
