基于遥感数据的工程结构损伤动态识别研究

关宏洁，田 晶，王 群

（1.西安欧亚学院，陕西 西安 710065；2.西安市建筑设计研究院有限公司，陕西 西安 710054）

1 引言

遥感数据一般指遥感影像，其优势为速度快、成本低、覆盖广及宏观性等［1］，遥感技术正处于繁荣发展期，完善技术、能力增强同时不断开拓新的应用领域，目前遥感数据已在灾害监测、资源管理、城市规划、军事侦察、重大工程等各个领域作出重大贡献［2］。随着卫星影像分辨率大幅度提升，遥感技术为获取工程地质综合信息源提供强有力的支撑，受到国家高度重视并获得大额财政投入。

近年来我国经济高速腾飞，科技水平获得重大突破，建造诸多具有艺术性及高科技含量的建筑物：港珠澳大桥、天津117大厦、湖北葛洲坝水利枢纽工程、渤海海域海洋平台及台山核电站等。随着使用年限的增长，受工程结构老化、环境腐蚀、超荷载使用及遭遇自然灾害等因素影响，势必出现不同程度的结构损伤［3］，工程结构的耐受性及承载能力大打折扣，极端条件下存在重大工程事故隐患［4］。为防患于未然，必须定期、及时监测工程结构状况，确保结构的完整性与安全性。文献［5］以振动特性为基础，通过搭建完善的动态参数模型进行识别结构损伤位置，但其投入使用成本极高、无法全面推广，且微小损伤的诊断仍不够完善，安全隐患存在潜伏期；文献［6］采用多视角几何三维重建方法进行损伤识别，该方法具有操作便捷、精度高等优势，但其测算周期较长，效率低下，无法顺应现代社会高速发展的形势。

因此，结合现有识别工程结构损伤方法的优缺点，这里研究基于遥感数据的工程结构损伤动态识别方法，以此确保快速、精准、低成本的识别工程结构损伤，最大程度上满足处于长期使用的工程结构的安全需求。

2 基于遥感数据的工程结构损伤动态识别方法

2.1 遥感影像分割

2.1.1 二维Tsallis交叉熵阈值选取公式

二维Tsallis交叉熵阈值分割法运用曲线阈值分割［7］，选择的阈值点若设为（t，s），作一条直线r（i，j），该直线与对角线垂直，同时该直线经过阈值点，分别用两个区域描述二维直方图，用c1（t，s）描述目标区域，用c2（t，s）描述背景区域。用式（1）表述总二维交叉熵：

2.1.2 布谷鸟搜索算法

布谷鸟搜索算法简称CS算法。大自然的布谷鸟寻觅合适产卵的鸟巢地点，该过程采取随机的方式进行［8］，现拟定三种条件模仿布谷鸟寻觅鸟巢的活动：

（1）布谷鸟单次产蛋一枚并将其随机放入选择的鸟巢内。

（2）诸多鸟巢中，布谷鸟将最佳巢留存至下一代。

（3）可用鸟巢数目n固定不变，鸟巢主人察觉鸟蛋的概率为Pa∈[0，1]，用式（3）描述布谷鸟寻巣的途径及地点：

2.1.3 混沌CS算法

搜索过程中针对性弱是标准布谷鸟搜索算法随机模式单一产生的弊端。对初始值敏感、规律性和伪随机性是混沌的优势，能够搜索到全部状态于可行域内［9-10］。为增强算法晚期的收敛速度、提高算法解质量、使算法跳出局部最优点更轻松，将混沌序列与CS算法融合。为使分割方法缩短求解时间，CS算法运用Logistic映射的混沌扰动算子实现优化。式（4）描述Logistic映射：

其中，控制变量用μ描述。

历次更换的最佳鸟巢地点添加混沌扰动，以此提高准确性［11］，通过式（5）实现扰动方法：

式中：Xbest、Xnewbest，d—当代和最新的最优地点的第d维向量；χd—当代由式（4）形成的混沌序列；γ—比例系数。

2.1.4 遥感影像分割流程

为实现对工程结构遥感影像的分割，二维Tsallis交叉熵依据工程结构遥感影像的二维直方图进行计算，利用混沌映射创新CS算法的同时完善阈值的选择过程［12］。用遥感影像分割流程，如图1所示。以下为遥感影像分割环节：

图1 遥感影像分割流程Fig.1 Remote Sensing Image Segmentation Process

（1）初始化CS算法基本参数：鸟巢数目n=20，概率Pa=0.25，ε描述搜索准确度，最大迭代次数Tmax=100；

（2）影像的二维阈值（t*，s*）利用鸟巢地点代替，随机生成n个鸟巢的原始地点，初始鸟巢地点的二维Tsallis 交叉熵依据式（1）计算，得出原始的最小值；

（3）通过式（3）得到全部鸟巢的地点，再计算目前全体鸟巢的二维Tsallis交叉熵，当原鸟巢的二维Tsallis交叉熵大于新鸟巢二维Tsallis交叉熵时，用新鸟巢替代原鸟巢的地点；

（4）依据式（3）通过偏好随机行走方法更新鸟巢的地点，继续用二维Tsallis交叉熵偏小的地点替代原地点，获得当代最小的二维Tsallis交叉熵，将其与上一代的值进行比较，记录最佳地点；

（5）混沌扰动最优的鸟巢地点，该过程运用式（4）、式（5），将扰动前后的值比较并留下二维Tsallis交叉熵更低的鸟巢地点；

（6）满足拟定的搜索准确度或达到最大迭代次数时则进行下一环节；相反则再度回归至第三个环节；

（7）最优阈值（t*，s*）输出并依据其分割工程结构遥感影像［13］。

2.2 图像增强

分割后的工程结构遥感影像由于存在许多噪声，直接利用其进行损伤动态识别效果较差，为此采取同态滤波算法过滤噪声，增强影像。遥感影像模型为：

其中，照射分量与反射分量分别用a(x，y)、b(x，y)描述。

通态滤波函数为：

遥感影像的反射模型为：

式中：gout(x，y)、gin(x，y)—遥感影像的反射分量、入射分量。

遥感影像的反射模型对数选取形式为：

傅立叶变换处理获取函数为：

式中：M(u，v)、N(u，v)—傅里叶变换后的入射和反射影像。

利用式（11）同态滤波处理影像，该过程要求在频域内进行：

遥感影像增强结果为：

处理后的影像目标、噪声、背景对比度明显增强，大幅度提升目标识别率。

2.3 SVM分类识别模型

将增强处理后的工程结构遥感影像输入至SVM分类识别模型中，完成工程结构损伤动态识别。高维特征空间接收非线性数据的投影并搭建最优分类超平面，且该平面拥有低VC维，全面考量置信与经验风险范围，使期望风险降至最低的判决函数依据结构风险最小化归类准则进行探寻，上述为SVM 的中心思路［14］。为解决非线性数据识别的弊端，理论上运用高维空间识别数据即可实现，但维数灾难会出现在实际运算中。为快速区分模式识别中性线，引用核函数k(χi，χj)，获取高维空间特征向量的内积，通过低维输入向量计算即可，计算量大幅缩减，同时防止维数灾难发生。创建的判别函数为：

式中：yi—分类标记；ai—拉格朗日乘子。

SVM分类器根据二叉树、有向无环图和“1VM”等方式对原始数据进行归类。

SVM实则是一个二分类器，在此基础上这里依据“1VM”策略进行归类，选择其中一类作为一类，其余类作为另一类［15］。由噪声、裂缝和正常工程结构三大类组成跨尺度的工程结构影像，分类器由这三类线性可分问题搭建。

噪声、裂缝和正常工程结构分别用a`、b`、c`描述。用于区别噪声、其他影像的是SVMa′，R超平面，用于判断裂缝、正常工程结构区域的是SVMb′，c′分类超平面。

假设SVMa′，R、SVMb′，c′能够正确无误的反映数据的确切信息，任意样本判断像元的归属则变得轻松。

利用有限的训练样本获得的决策超平面并非最佳的，其导致部分数据同时被判别为两类的可能性比较大，为避免此类情况，其归属依据对比此数据相应的判别函数值的大小判断，f1(a6)>f2(a6)，a6隶属a`类，f1(a6)为SVMb′，c′相应的判别函数，f2(a6)为SVMb′，c′相应的判别函数。基于各个尺度的特征影像进行归类，提升归类的准确度应选择对本类识别有利的尺度影像。描述SVM算法流程图，如图2所示。

图2 SVM算法流程图Fig.2 Flow Chart of SVM Algorithm

3 仿真实验

选取某市跨海大桥作为实验对象，从遥感影像获取精度、影像分割效果、损伤分类识别效果等方面验证这里方法应用效果。

3.1 遥感影像精度

这里方法获取的该跨海大桥遥感影像与卫星影像对比进行精度验证。从线误差及面误差两方向开展实验。

在影像上随机选取2个固定点并测量两点间距离，将卫星影像上的距离作为真值，这里方法的距离与真值相减得到差值除以真值的百分比为线误差；随机选取4个固定点，分别测量其面积大小，设卫星影像上的面积为真值，这里方法的面积与真值相减得到差值除以真值的百分比为面误差，选取例子，如图3所示。

图3 线、面的选取样例Fig.3 Example of Line and Surface Selection

经过严密的测量计算，用表1描述线误差、面误差的对比结果。根据表1可知，遥感影像与卫星影像的距离差值始终在0.6m以内，线误差控制在0.1%内，面积差值始终在2m2内，面误差控制在0.2%内，以此判断，这里方法的影像精度极高，与卫星影像相差无几。

表1 线误差、面误差的对比结果Tab.1 Comparison Results of Line Error and Surface Error

3.2 影像分割效果

从遥感影像分割的运行时间及分割结果两方面开展实验，选取文献［5］的基于振动的损伤识别方法、文献［6］的基于多视角几何三维重建的损伤识别方法为对比方法，对这里方法的效率进行验证。Intel（R）Core（TM）i5-6300HQ CPU 2.30GHz/8GB，Matlab R2019b为本次实验运行环境。影像分割结果，如图4所示。根据图4分析可知，这里方法分割的影像清晰且特征鲜明，各区域边缘完整，对目标工程结构细节精确分割，将道路、河流与工程结构有效分割；文献［5］方法的影像中有部分植物与道路交叉在一起，清晰度较低，误分割率偏高，且无法获取工程结构的鲜明特征，其中部分背景被误划分为工程结构，目标工程结构未被准确分割，必定影响后续识别分类效果；文献［6］方法的效果并不理想，大面积区域呈现模糊、残缺状态，基本无细节纹理特征，无法清晰识别目标工程结构。

图4 影像分割结果Fig.4 Image Segmentation Results

其中，图4（a）为原始影像；图4（b）为这里方法处理后的图像；图4（c）为文献［5］方法处理后的图像；图4（d）为文献［6］方法处理后的图像。

在影像中选取八项工程结构并分别对其开展实验，描述这里方法、文献［5-6］方法的运行时间，横坐标为分割方法的最优分割阈值，纵坐标为各方法所需运行时间，如图5所示。据图5分析得知，文献［5］方法对八项工程结构分割的运行时间控制在（0.3～0.7）s内；文献［6］方法效果不佳，运行时间最低不少于0.4s，运行时间最高可达1.2s，效率偏低；这里方法分割八项工程结构的运行时间均控制在0.2s内，效率非常高，全程发挥平稳。

图5 运行时间结果图Fig.5 Running Time Result Chart

3.3 分类识别效果

选取该跨海大桥已获取的工程结构损伤类型的影像进行实验，空间分辨率为1mm，为增强实验目的性，选择其中一幅具有象征性意义的桥梁影像进行处理，验证这里方法损伤识别的有效性，并将其与文献［5］方法、文献［6］方法识别结果进行分析比较。桥梁影像裂缝损伤识别结果，如图6所示。据图6分析得知，文献［5］方法的影像含有较多噪声，识别的裂缝存在缺失现象，放大看其裂缝无明显细部特征，此时已损失部分细部裂缝数据信息；文献［6］方法的影像含有超多噪声，丢失部分裂缝信息，且识别到的裂缝呈现残缺状态，数据量大幅度减小，细部裂缝信息丢失；这里方法识别的效果最佳，细部特征清晰鲜明且具有较好的连接性，最微小的裂缝损伤也可被识别，周围环境与整个裂缝部分形成鲜明对比，最大程度还原裂缝宽度及线性特征，影像信息含量超大，由此体现这里方法具有超强识别能力。

图6 分类识别结果Fig.6 Classification and Recognition Results

其中，图6（a）为这里方法处理后的图像；图6（b）为文献［5］方法处理后的图像；图6（c）为文献［6］方法处理后的图像。

选取损伤识别的均方误差以及平方相关系数作为衡量这里方法的识别效果指标，分别对不同样本数量的影像进行实验，为确保实验准确性，重复3次实验，取数据的平均值作为结果呈现，用图7 描述三种方法的均方误差以及平方相关系数实验结果。分析图7（a）、图7（b）可得，文献［5-6］方法的均方误差较高，最低不小于0.2，平方相关系数偏低，总体性能不佳；这里方法的识别均方误差始终控制在0.2内，其平方相关系数维持在（3.0～4.0）之间，未曾出现大幅波动，整体呈平稳状态，表明这里方法的分类识别性能优秀。

图7 识别性能评价Fig.7 Identification Performance Evaluation

其中，图7（a）为识别均方误差结果图；图7（b）为识别平方相关系数结果图。

4 结束语

在现代化科技水平不断提升的背景下，重大工程结构的健康问题受到广泛关注，重大工程事故频频发生，为此这里研究基于遥感数据的工程结构损伤动态识别方法。

采用混沌布谷鸟优化的二维Tsallis交叉熵分割遥感影像，经影像增强后，通过SVM分类识别模型对工程结构损伤进行动态识别、归类，大量实验证明这里方法能够高效、精准识别出工程结构的损伤动态。