李永绪 谢政专 唐文娟

摘要：针对传统裂缝识别方法准确性低、环境适应性差的问题，文章提出一种基于卷积神经网络的沥青路面裂缝识别方法，融合了CLAHE與深度学习算法。试验结果表明，该方法能够更准确地识别裂缝，识别精确率达到94.9%，且泛化能力良好。

关键词：沥青路面;CLAHE算法;卷积神经网络;裂缝识别

0 引言

沥青路面是现行铺筑面积最多的一种高级路面，裂缝是其常见的路面病害之一。裂缝若不及时精准识别并修复，将会衍生出其他更为严重的次生病害，进而引发安全事故。如雨水渗入裂缝可能腐蚀路基，在车辆荷载的反复作用下，会导致裂缝加宽加深甚至路面塌陷，降低道路的使用寿命，危害行车安全。因此，研究如何进行快速、准确地检测裂缝是路面养护工作中最为重要的任务之一。

目前路面裂缝识别仍以人工巡查为主，效率低、存在安全隐患且结果易受主观影响。现行主流的路面裂缝识别算法有阈值分割[1]和边缘检测方法[2]，这两类算法均基于图像处理技术，需要手工提取特征，同时对噪声敏感，存在检测速度慢、准确度不高并且性能不稳定的缺陷。

鉴于以上原因，本文结合沥青路面自身复杂、噪点多、裂缝分布无规律等特点，提出了一种基于卷积神经网络的沥青路面裂缝识别方法，融合了CLAHE与深度学习算法。该方法在试验过程中取得了优良的效果，是一种可行性较高的方法，可以提高管养效率。

1 关键技术

1.1 卷积神经网络

卷积神经网络（CNN）表达能力强，由卷积层、池化层及全连接层叠加组成，层与层之间采用权值共享及局部连接方式。卷积层和池化层在上一层输出的结果上进行下一轮计算，通过多层卷积和池化，逐渐抽象出高阶特征，在拟合复杂特征方面有突出优势，是近几年深度学习在机器视觉领域取得突破性进展的基石。

激活函数有Relu、Sigmoid等函数，经过卷积操作会输出一定数量的新特征图。

输出的新特征图进入到池化层进行池化操作，促使缩小特征图，减小特征参数，简化计算复杂度，同时由于池化操作对局部位置不敏感，因此进一步为网络引入了不变性。

1.2 CLAHE图像增强算法

沥青路面裂缝具有灰度值低、细长、分布无规律的特点。此外，受限于天气因素和采集图像时间，图片通常表现为亮度不均且噪点多。因此，本文采用CLAHE[3]图像增强算法突出裂缝部分。实现步骤如下：

（7）移动至相邻像素，重复上述过程，直至处理完整张图片。

本文在不同参数下对原图增强并进行分析，以确定最佳参数。经过比较发现，当m=8、剪切阈值clipL=2时增强效果最好。因此，本文取m=8，剪切阈值clipL=2。图像增强前后对比如图1所示。由图1可知，图片经CLAHE算法处理后，避免了相邻灰度对比度相差过大，整个画面更为清晰，对比度和亮度得以提升，裂缝细节也更加突出。

2 方法

2.1 基于CNN的沥青路面识别流程框架

基于CNN对沥青路面裂缝识别包含图片采集、预处理、CNN网络模型搭建及训练等，其流程见图2。实验所用的图片均在真实城市沥青道路用手机拍摄得到，包含了阴天、阴影、雨天、雾天等多种场景，分辨率为1200×1600，共700张。考虑到采集的图片数量较少，并且裂缝在图像中占比小，很难提取到裂缝的有效特征[4]，另因图片裁剪过小，给标注带来困难，故本文使用预处理图像裁剪成像素为100×100的图片，共15000张，并打上标签。使用keras框架搭建CNN网络模型，训练过程采用随机梯度下降。

2.2 基于卷积神经网络沥青路面裂缝识别模型

针对交通环境下沥青路面裂缝的特殊性，从多方面对模型结构和超参数进行优化调整，最终完成了沥青路面裂缝分类器的构建。如图3所示，包含了4个卷积神经网络（C1～C4），4个池化层（P1～P4），4个归一化层（B1～B4），1个全连接层（F1），1个Dropout层。另外，在卷积层后均使用了Relu激活函数。

（1）输入层。本文将沥青路面图片作为输入，大小为100×100，通道为1。

（2）卷积层。特征图在卷积操作后，形成包含更高级更多抽象信息的新特征图。C1～C4的卷积核数量分别为（32，64，64，128），对应的卷积核尺寸依次为5×5，5×5，3×3，3×3。C1～C2层使用较大的卷积核，一方面有利于提取图像中裂缝的结构信息，另一方面有利于忽略与裂缝结构无关的其他噪声信息。

（3）池化层。新特征图经过池化层能减小特征参数，减轻网络模型过拟合现象。本文使用最大池化方式，池化大小为2×2，步长为1。

（4）归一化层。对特征图局部进行归一化，能进一步矫正亮度不均，提取高阶统计信息。因此，本文卷积层之后均添加了归一化层。

（5）Dropout层。Dropout层的加入，使网络在训练过程中随机丢弃隐藏层的节点，输出结果不过度依赖任一节点，起到正则化的作用，这种方式能有效防止网络过拟合。因此，在全连层F1之后添加了Dropout层。Dropout取值为0.55。

（6）输出层。通过Sigmoid回归算法将输出特征值映射到0～1之间，对应相应类别的条件概率。在Sigmoid回归函数中y=i的概率为：

3 试验结果分析

本文的算法基于深度学习开源框架keras，使用python语言开发，依赖模块主要有CV2、Skimage、Matlpotlib等，训练和测试阶段使用的主要硬件设备为NIVIDIA公司的TitanXPascalGPU服务器，显存为8G。

3.1 评价指标

本文使用三个指标评估所提出的方法：准确率（P）、召回率（P）和F1值。其中准确率（P）描述准确检测出的裂缝图片占被检测出来的像素的比例;召回率（R）描述正确被检测出的裂缝图片占总裂缝图片的比例;而F1则能综合判断识别效果。三者的计算公式分别为：

3.2 试验结果对比与分析

为验证本文所提方法的有效性和可行性，设计了2组对比试验。具体试验分析如下：

试验1：用于测试CLAHE算法对于本文所提模型准确率的影响。首先，将裁剪成100×100像素大小并标注好的5000张图片组成数据集A，用于测试，其余10000图片组成集合B，并按8∶2的比例构建训练集、验证集训练本文模型。然后使用CLAHE算法处理集合B中的训练集、验证集，共同构成数据集C，用来训练本文模型。最后随机从集合A中选取1000张图片测试训练好的模型。测试的结果如表1所示。由此可以看出，利用CLAHE算法处理后的数据训练模型显著提升了裂缝识别效果，能保持较高的准确率和召回率，而原始图片训练的网络识别准确率低。这主要是由于CLAHE算法提升了图像的质量，突出了裂缝部分，有利于提取裂缝的参数信息，并减弱了影响识别的干扰因素。

试验2：用于对比经典Alex[5]网络模型和本文模型对沥青路面裂缝最终检测结果的影响。首先，使用实验1中集合C的数据集训练Alex网络模型，接着使用滑窗方式将新采集的图片分成像素为100×100小图片，最后依次输入到训练好的Alex网络和本文模型，识别为裂缝则用黑框框出来。检测结果如图4所示。由实验结果可知，基于本文模型的沥青路面裂缝检测结果非常逼近裂缝真实的区域，鲁棒性好，对干扰噪声的排除能力更强;而直接使用Alex模型将干扰信息误认为裂缝，准确率较低。一方面是因为经典Alex网络模型专门针对像素为227×227图像的识别模型，其识别性能的优越性建立在大量训练样本的基础上，卷积层的卷积核个数非常多（依次为96，256，384，384，256），全连接层数量均为4096，而本文训练图片数量相对较少，Alex网络过度拟合了裂缝特征，把干扰误认为裂缝;另一方面本文建立的模型，针对输入图像尺寸，只使用4个卷积层，并优化了各卷积核的数量及大小，以减小整个网络的宽度，卷积层后均使用池化层减小参数量，除此之外，还使用了更多归一化层减轻网络过拟合现象。因此，相比而言，本文模型具有更好的泛化能力，更适合沥青路面裂缝识别。

4 结语

本文提出了一種基于卷积神经网络的沥青路面裂缝识别方法，融合了CLAHE与深度学习算法，其中CLAHE算法增强了裂缝细节信息，为后续提取特征提供了基础。基于CNN构建的模型，结合沥青路面裂缝自身特点，提取到了全面且具有辨别性的特征，具有良好的泛化能力。本文方法在多种场景能有效识别裂缝，对实现智慧化路面养护具有重要意义。

参考文献：

[1]褚文涛，李郑明，陆 键.路面病害检测中的裂缝信息快速识别方法研究[J].中外公路，2013，33（6）：80-84.

[HJ]

[2]ZhangA，LiQ，WangKCP，etal.Matchedfilteringalgorithmforpavementcrackingdetection[J].Transportationresearchrecord，2013，2367（1）：30-42.

[3]ZuiderveldK.Contrastlimitedadaptivehistogramequalization[C].GraphicsgemsIV.AcademicPressProfessional，Inc.，1994.

[4]英 红，丁海明，侯新月，等.基于BP神经网络的沥青路面裂缝识别方法研究[J].河南理工大学学报（自然科学版），2018，37（4）：105-111.

[5]KrizhevskyA，SutskeverI，HintonGE.Imagenetclassificationwithdeepconvolutionalneuralnetworks[C].Advancesinneuralinformationprocessingsystems，2012.