基于注意力机制的桥梁混凝土路面裂缝检测方法

刘华勋 王武

摘要 由于常规的桥梁混凝土路面裂缝检测架构多为独立形式，导致检测的效率较低，误检率上升。为了提高检测效率，文章采用了多层级的方式，构建了多层级CNN裂缝检测架构。在此基础上，设计了一种注意力机制混凝土路面裂缝检测模型，并采用自适应渐进处理的方法来实现裂缝检测。最终的测试结果表明：针对选定的5个测试区域，分两个阶段进行测试，得出的误检率均被较好地控制在5%以下。

关键词 注意力机制；桥梁施工；混凝土路面；路面裂缝；裂缝检测；检测方法

中图分类号TP391.41文献标识码 A文章编号 2096-8949（2024）05-0108-03

0 引言

桥梁作为交通基础设施的重要组成部分，其安全性和可靠性对于保障社会经济的稳定发展具有至关重要的作用[1]。混凝土路面裂缝是桥梁常见的病害之一，会对其结构安全和耐久性产生严重影响[2]。因此，对桥梁混凝土路面裂缝进行及时、准确的检测，对于保障桥梁的安全运营具有重要意义。基于注意力机制的桥梁混凝土路面裂缝检测方法是一种新型的计算机视觉技术，通过训练深度学习模型来自动检测混凝土路面裂缝。该方法通过在图像中识别和关注裂缝区域，减少干扰信息的影响，从而提高检测的准确性和效率[3]。此次以真实工程为背景，结合实际的裂缝检测需求及标准，设计更加灵活、多变的检测结构，从多个角度进行检测及目标的优化，完善数据预处理、模型训练和测试等步骤，不断增加路面裂缝检测的可行性和优越性，为相关领域的研究人员提供了参考和借鉴，有助于推动计算机视觉技术在桥梁检测领域的应用和发展。

1 工程概况

此次主要是对基于注意力机制的桥梁混凝土路面裂缝检测方法的实际应用效果进行分析与验证研究，考虑最终测试结果的真实性与可靠性，采用对比的方式展开分析，选定J某桥梁公路K43+000～K67+000路段作为测试的主要目标对象。当前为该桥梁公路通车的第三年，在日常维护勘察时，发现混凝土路面较多位置出现裂缝，且裂缝的类型及延伸方向差异较大。除此之外，当前该路面上出现的裂缝数量及长度差异性较强，路面無变形，部分裂缝存在支缝，出现横向和斜向连接缝，网裂情况十分严重，甚至部分路段形成了一定的沉陷情况。使用瑞雷面波、探地雷达等手段探测该路段的病害严重，现状堪忧。

2 设计桥梁混凝土路面注意力机制裂缝检测方法

2.1 裂缝图像采集与特征类型提取

桥梁混凝土路面裂缝图像采集与特征类型提取是进行桥梁健康监测与评估的关键步骤。随着无损检测技术的发展，图像处理技术被广泛应用于路面裂缝检测中，结合实际的检测需求，进行混凝土路面裂缝采集与特征类型提取[4]。首先，对所需要测定的路段进行拍摄点位及范围的划分，依据标记，使用高分辨率相机对桥梁混凝土路面进行拍摄，获得高质量的原始图像。将同类型的图像汇总，以待后续使用[5]。

为了提取与裂缝相关的特征，需要对图像进行预处理。先进行去噪处理，此次采用中值滤波处理方法，选择一个包含目标像素的窗口，通常为3×3或5×5的矩阵，将窗口内的像素灰度值进行排序，选取中间值作为目标像素的新值，消除图像上的噪声，保留图像的边缘信息。随后，对现有图像进行分割处理，可以计算出当前的分割阈值，如公式（1）所示。

（1）

式中，F——分割阈值；k——边缘检测范围；——重叠范围；d——裂缝数量；——边缘裂缝数量。结合得出的分割阈值，将图像的灰度值分为不同类别。对于多值图像，也可以将灰度值高于阈值的像素设为一种颜色，低于阈值的像素设为另一种颜色。依据颜色的不同，分割出多个区域，接下来，对分割后的裂缝区域进行特征提取。此次，采用裂缝的宽度作为可识别的特征，通过边缘检测算法测算出裂缝检测的边缘均值，如公式（2）所示。

（2）

式中，m——裂缝检测边缘均值；φ——可感应宽度；——裂缝深度；u——识别裂缝数量；a——检测梯度值。将得出的裂缝检测边缘均值设定为裂缝检测的限制约束条件，采用不同的分类器，先对桥梁的健康状况，进行一个基础的评估，在此基础之上分析裂缝的走向。

2.2 构建多层级CNN裂缝检测架构

传统的混凝土路面裂缝检测多维目标式或者定位式，虽然能够实现预期检测目标，但是整体缺乏稳定性与灵活性，对裂缝的检测结果并不可靠，导致裂缝检测结果不可靠，常常产生不可控的误差。为了解决这一问题，相关人员设计了多层级CNN裂缝检测架构，构建一个多层级卷积神经网络（CNN）架构，便于更好地捕捉裂缝的各种特征，包括形状、大小、方向等。将所采集的图像分为几个大块，每个大块包含若干个可能存在裂缝的小块。这样做的目的是减少网络的输入大小，降低计算复杂度。接下来，设计定向检测层级，主要分为卷积层、池化层和全连阶层三个层级，对每个小块区域进行精细的裂缝检测。卷积层一般需要使用一系列的卷积核来提取图像的特征。以裂缝的形状和深度作为引导特征，先测定出基础的卷积和数量，对裂缝的边缘位置进行标定，结合卷积核，形成特有的裂缝形状特征，可以提取更丰富的特征信息。接下来，进行池化层的设计。这部分主要目的是降低特征的维度，减少计算量。可以先计算出同区域裂缝的基础维度特征值，如公式（3）所示。

? （3）

式中，C——裂缝基础维度特征值；β——池化差；γ——边缘值；x——裂缝深度。将得出的裂缝基础维度特征值设置为当前裂缝检测的限制约束条件之一，随后使用不同大小的池化窗口，捕捉裂缝的不同尺度特征，并再次缩小裂缝的检测范围。随后，进行全连接层的设计与实践应用。把前面层级提取的特征进行组合，对结果进行分类。全连接层后面连接一个softmax函数，用于将输出结果转化为概率分布。具体的执行结构与细节内容如图1所示。

结合图1，实现对多层级CNN裂缝检测架构的设计与实践验证。基于此，将每个小块区域获取的检测结果进行融合，得到整个区域的裂缝分布情况，此时基本对该桥梁路段的裂缝进行了基础的模糊识别，并做出标定，以便于后续精确化检测处理。这部分需要注意的是，为了提高该结构的性能，还需要进行适当的调参工作，包括学习率、批次大小、迭代次数等。同时，为了防止过拟合，还需要使用正则化技术进行辅助，更为有效、快速地检测出裂缝，为桥梁的健康监测和评估提供更准确的数据支持。

2.3 设计注意力机制下混凝土路面裂缝检测模型

完成对多层级CNN裂缝检测架构的构建之后，接下来，结合注意力机制，设计混凝土路面裂缝检测模型。基于上述设定先进行数据收集，获取大量的混凝土路面图像，包括有裂缝和无裂缝的路面用于训练模型。预处理之后，需要进行检测指标及参数的设置，如表1所示。

结合表1，实现对注意力机制下混凝土路面裂缝检测指标及参数的设置。基于此，对裂缝的区域进行划分，标定好裂缝的边缘轮廓之后，再次采集细节化的裂缝数据。此次以键值对注意力机制作为模型的主要执行结构，计算出键值，如公式（4）所示。

（4）

式中，Q——键值；φ——覆盖检测范围；S——定向裂缝检测距离；T——检测均值；n——裂缝深度检测差；υ——识别空间。结合得出的键值与注意力机制，构建当前桥梁混凝土路面裂缝检测模型原理，具体如图2所示。

图2 桥梁混凝土路面裂缝检测模型原理图

结合图2，实现对桥梁混凝土路面裂缝检测模型原理的分析。基于键值对注意力机制，计算裂缝图像中每个位置的注意力权重，具体如公式（5）所示。

? （5）

式中，N——注意力权重；λ——并行检测差；σ——检测定点距离；D——转换比；y——路段宽度。结合当前得出的模型注意力权重值，使模型进一步标注图像中裂缝的集中区域，基于此，还需要使用收集的数据来训练模型，并使用验证集来优化模型的参数，提高模型的准确性。此外，为进一步确保最终裂缝检测结果的精准可靠，此次可以计算裂缝的检测限值，具体如公式（6）所示。

（6）

式中，B——模型裂缝检测限值；——动态检测范围；O——检测次数；——特征值；ξ——裂缝数量。结合当前测定，将得出的模型裂缝检测限值设定为动态化检测的标准，与初始的检测标准进行比对，确保最终模型检测结果的真实可靠，强化模型的裂缝检测泛化能力。

2.4 自适应渐进处理实现裂缝检测

自适应渐进处理是一种高效的图像处理技术，可用于实现桥梁混凝土路面裂缝检测。能够根据图像的不同区域和特征，以及模型输出的裂缝检测结果，自适应地调整处理参数和方法，以提高检测的准确性和效率。在自适应修正处理过程中，通过逐步放大和处理图像的关键区域，能够准确地识别和定位裂缝的位置和大小。

3 实例测定结果分析

结合上述测定，完成对路段裂缝的检测方案构建。在当前选定的测试路段之中，随机选定5个小区域进行裂缝的检测，通过注意力机制对裂缝进行两个阶段的同步锁定，测定计算误检率，如公式（7）所示。

? （7）

式中，H——误检率；——检测范围；j——定向检测均值；σ——裂缝覆盖范围。结合得出的结果数据，进行比对分析，如表2所示。

结合表2，得出以下结论：针对选定的5个测试区域，分两个阶段进行测试，最终得出的误检率均被较好地控制在5%以下，说明此次结合注意力机制所设计的桥梁混凝土路面裂缝检测方法更加灵活、多变，针对性较强，具有实际的应用价值。

4 结束语

总而言之，以上便是对基于注意力机制的桥梁混凝土路面裂缝检测方法的设计与验证分析。注意力机制作为一种有效的计算机视觉技术，融合应用之后，一定程度上可以快速、准确地检测桥梁混凝土路面的裂缝。通过训练深度学习模型，自动识别和关注裂缝区域，减少干扰信息的影响，从而提高检测的准确性和效率。此外，结合注意力机制，所设计的混凝土路面裂缝检测方法覆盖范围相对较大，针对性较强，具有更高的检测精度和更快的检测速度，可以适应不同场景下的桥梁混凝土路面裂缝检测任务，泛化性较强，为保障桥梁的安全运营和社会经济的稳定发展作出更大的贡献。

参考文献

[1]李凌志， 陈勇. 基于机器学习的高速公路水泥混凝土路面裂缝检测方法[J]. 建筑技术， 2023（7）： 808-811.

[2]瞿中， 王彩云. 基于注意力机制和轻量级空洞卷积的混凝土路面裂缝检测[J]. 计算机科学， 2023（2）： 231-236.

[3]刘宪逸. 基于改进遗传规划的混凝土路面早期裂缝检测算法分析[J]. 市政技术， 2022（9）： 214-219.

[4]李云峰. 基于HHT的沥青混凝土路面疲劳裂缝检测方法研究[J]. 交通世界， 2022（Z2）： 90-92+123.

[5]瞿中， 陈雯. 基于空洞卷积和多特征融合的混凝土路面裂縫检测[J]. 计算机科学， 2022（3）： 192-196.