39、混凝土裂缝图像分割的机器学习方法

混凝土裂缝图像分割的机器学习方法

1. 为何要寻找混凝土中的裂缝

混凝土是一种脆性材料，自然会产生裂缝。裂缝出现的位置、承受的荷载、形状、大小和方向等信息，对于研究特定混凝土具有重要价值。目前，对混凝土样本表面的观察是常见做法。

而计算机断层扫描（CT）技术能提供更丰富的信息，它增加了第三维，并且可以成像那些确定未受样本制备影响的裂缝区域。然而，由于要精确观察裂缝和混凝土微观结构需要高横向分辨率，而具有代表性的样本尺寸又较大，这一矛盾阻碍了 CT 技术在土木工程研究中的广泛应用。不过，定制的专用 CT 设备有望解决这一矛盾。

2. 为何混凝土图像中的裂缝分割如此困难

裂缝在 3D 图像中是薄且粗糙的表面，在 2D 图像中是路径，属于低维结构。裂缝中充满空气，在图像中呈现为暗色，在通常非常不均匀的混凝土结构背景下，即使肉眼也很难察觉。在 CT 图像中，裂缝的 X 射线吸收对比度较低，而且混凝土中还存在孔隙，孔隙同样充满空气，其灰度值分布与裂缝大致相同。

在这些可能存在成像伪影的噪声灰度图像中，需要为每个图像像素或体素分配裂缝类或背景类，这就需要解决语义分割问题。深度学习方法在解决这个问题时，还面临着类不平衡的挑战。显然，绝大多数像素不属于裂缝系统，因此除了缺乏包含裂缝的训练数据外，常用的质量度量方法也难以有效区分。

3. 2D 图像中裂缝分割的机器学习方法

在土木工程中，手动标记表面裂缝仍然较为常见。虽然有人尝试通过经典图像处理方法实现自动化，但要么无法可靠地检测裂缝，要么会产生过多的误报。

机器学习用于裂缝分割已有至少十年的历史。卷积神经网络（CNN）方法众多，随机森林和其