土木界首篇人工智能論文出爐：用卷積神經(jīng)網(wǎng)絡實現(xiàn)結(jié)構(gòu)損傷視覺識別
機氣林智能科技2019提供自動化零件，工控產(chǎn)品，工業(yè)機器人，以及機器人零部件。
機氣林智能科技有話說：
自從去年春天AlphaGo與李世石的一場鏖戰(zhàn)，人工智能、機器學習、數(shù)據(jù)挖掘、深度學習、深度人工神經(jīng)網(wǎng)絡……類似的關(guān)鍵詞充斥著各大科技類新聞媒體，尤其是在互聯(lián)網(wǎng)、機器人等領(lǐng)域，簡直就是爆屏一樣的存在。要知道這并不是全新的概念，十幾年甚至幾十年前就已經(jīng)有了神經(jīng)網(wǎng)絡、遺傳算法、蟻群算法這種“智能算法”的存在，只是其計算效果的不理想，一直被許多領(lǐng)域的科學家們詬病著。然而最近幾年，當許多人對其淡化關(guān)注的時候，一個算法的改進讓它重獲新生。
我當時在考慮一個事兒：這么高大上的新科技，應當不僅僅用在人臉識別、語音識別、智能助手、自動駕駛等生活、工作輔助類的科技中，也應當在我們土木工程領(lǐng)域有所體現(xiàn)——土木工程是一個“古老”的行業(yè)不假，但我們的終極使命是改善人類的生活環(huán)境啊，這自然是不應當與最新科技絕緣的。
于是，我從去年下半年開始做了一些數(shù)據(jù)和資料方面的準備，get了一些新技能，用一些小代碼做了些嘗試，覺得把智能算法用在橋梁領(lǐng)域，做一個“分類器”是完全可行的。但放眼各大數(shù)據(jù)庫，竟沒能找到任何關(guān)于“新智能算法”(我的意思是以前用的神經(jīng)網(wǎng)絡等不算)文章。。。
然而就在今天早上，我很驚喜地看到了一篇發(fā)表在《Computer-Aided Civil and Infrastructure Engineering》上的文章：《Deep Learning-Based Crack Damage Detection Using Convolutional Neural Networks》！
如果我沒看錯，這應該是“新智能算法”在土木工程領(lǐng)域的第一篇paper，加拿大曼尼托巴大學（University of Manitoba）的Young-Jin Cha和Wooram Choi教授，以及麻省理工的Oral Buyukozturk教授給我們講述了這么一個事兒：
以橋梁健康監(jiān)測為主要研究方向的Young-Jin Cha副教授指出，對于橋梁結(jié)構(gòu)性能隨時間變化的監(jiān)測是十分重要的，過去常用的手段是在橋梁上布置大量的傳感器，硬件成本較高，后期數(shù)據(jù)處理較為復雜。近年來又興起了基于視覺識別的結(jié)構(gòu)損傷識別技術(shù)，即image processing techniques(IPTs)。目前已經(jīng)有不少研究成果可以得出結(jié)構(gòu)外觀狀態(tài)(裂縫分布與形態(tài)、變形變位等)與結(jié)構(gòu)損傷之間的聯(lián)系，因此對圖像進行高效地識別，并根據(jù)裂縫對結(jié)構(gòu)損傷程度進行判定是一項關(guān)鍵技術(shù)。
Cha老師用上了卷積神經(jīng)網(wǎng)絡(convolutional neural networks，簡稱CNNs)——他在文中引用多篇LeCun的文章，LeCun正是Facebook人工智能實驗室的負責人，還是Google創(chuàng)始人Page的老師。Google、微軟、Facebook、Twitter、百度等世界“AI巨頭”們目前爭相投入重金研究的課題，正是這個CNNs。Google用CNNs開發(fā)基于安卓系統(tǒng)的語音識別系統(tǒng)，百度用CNNs開發(fā)視覺搜索引擎……
微軟的Leon Bottou說：“沒有人比LeCun更能推動卷積神經(jīng)網(wǎng)絡發(fā)展了”；深度學習運動核心人物Geoffrey Hinton說：“是LeCun高舉著火炬，沖過了最黑暗的時代”——在多年前，神經(jīng)網(wǎng)絡這個工具并不好用，經(jīng)常出錯，直到計算機科學家LeCun對算法有了實質(zhì)性的推進。如今我們有足夠的理由相信神經(jīng)網(wǎng)絡這個科技工具，至少我們相信那些把神經(jīng)網(wǎng)絡大規(guī)模應用于銀行業(yè)務和ATM機上的銀行家們的選擇——他們往往是對技術(shù)很保守的一群人。
回到這篇文章，Cha老師首先掌握了332張用佳能單反相機拍攝的高清混凝土結(jié)構(gòu)表面裂縫照片，他把這些照片分為兩組，一組是277張分辨率為4928x3264的照片作為“訓練組”，一組是55張分辨率為5888x3584的照片作為“驗證組”。
人工神經(jīng)網(wǎng)絡的訓練數(shù)據(jù)庫需要海量數(shù)據(jù)，277這個數(shù)字顯然不夠，況且，當一副照片中含有的信息越多，對神經(jīng)網(wǎng)絡而言，干擾就越多，就越不容易突出重點。于是Cha老師將這277張照片分割成4萬張分辨率為256x256的小照片作為訓練數(shù)據(jù)庫。
流程如下：
在CNNs神經(jīng)網(wǎng)絡中，圖像被視為由長-寬-通道(包括紅黃藍三色)三個維度組成的數(shù)據(jù)，經(jīng)過層層篩分，最終由程序做出判斷，給出是否含有裂縫的結(jié)論——類比一下“谷歌神經(jīng)網(wǎng)絡識別貓臉”的案例，這是一個較為漫長的，讓神經(jīng)網(wǎng)絡建立自主判斷的過程，這個過程如下圖：
給出的樣本數(shù)據(jù)離散型比較強，有的清晰，有的模糊；有的裂縫出現(xiàn)在照片中間，有的出現(xiàn)在照片邊角。但無論如何，人類都會輕易地指出裂縫的位置和開裂嚴重程度，但關(guān)鍵是要看機器能否也能精準地看出來。
以下是識別的結(jié)果：
由此可見，CNNs可以在一張陌生的圖片中識別出裂縫的位置，并且對裂縫進行分類——這些目前還都是由人工完成的工作，將來有望被機器完全取代，真是令人興奮不已！
我忘了是哪位高人說過類似的話：我們要把繁瑣和重復計算交給計算機，我們留下創(chuàng)造力。
今天推薦的這篇文章是：Cha Y J, Choi W, Büyük?ztürk O. Deep learning-based crack damage detection using convolutional neural networks[J]. 2017.
有Reachgate賬號的同學請點擊本文底部左下角的“閱讀原文”鏈接，沒有的話可在留言區(qū)給我留言，或者給我發(fā)郵件都可以。
還記得前年和師兄聊起橋梁監(jiān)測機器人的發(fā)展現(xiàn)狀，尤其是那種用無人機攜帶照相機去梁底拍攝的裝備，當時我的觀點是：“未來一定可以實現(xiàn)機器自動識別，而不只是拍照片供人觀察”。今天Cha老師給同行們開了個頭，老司機開車啦，大家別掉隊啊！
機氣林轉(zhuǎn)自十千牛
