自從去年春天AlphaGo與李世石的一場鏖戰，人工智能、機器學習、數據挖掘、深度學習、深度人工神經網絡……類似的關鍵詞充斥著各大科技類新聞媒體，尤其是在互聯網、機器人等領域，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有了神經網絡、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，一直被許多領域的科學家們詬病著。然而最近幾年，當許多人對其淡化關注的時候，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域有所體現——土木工程是一個“古老”的行業不假，但我們的終極使命是改善人類的生活環境啊，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據和資料方面的準備，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域，做一個“分類器”是完全可行的。但放眼各大數據庫，竟沒能找到任何關于“新智能算法”(我的意思是以前用的神經網絡等不算)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：

以橋梁健康監測為主要研究方向的Young-Jin Cha副教授指出，對于橋梁結構性能隨時間變化的監測是十分重要的，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，后期數據處理較為復雜。近年來又興起了基于視覺識別的結構損傷識別技術，即image processing techniques(IPTs)。目前已經有不少研究成果可以得出結構外觀狀態(裂縫分布與形態、變形變位等)與結構損傷之間的聯系，因此對圖像進行高效地識別，并根據裂縫對結構損傷程度進行判定是一項關鍵技術。

Cha老師用上了卷積神經網絡(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開發基于安卓系統的語音識別系統，百度用CNNs開發視覺搜索引擎……

微軟的Leon Bottou說：“沒有人比LeCun更能推動卷積神經網絡發展了”；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，神經網絡這個工具并不好用，經常出錯，直到計算機科學家LeCun對算法有了實質性的推進。如今我們有足夠的理由相信神經網絡這個科技工具，至少我們相信那些把神經網絡大規模應用于銀行業務和ATM機上的銀行家們的選擇——他們往往是對技術很保守的一群人。

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構表面裂縫照片，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”。

人工神經網絡的訓練數據庫需要海量數據，277這個數字顯然不夠，況且，當一副照片中含有的信息越多，對神經網絡而言，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據庫。

流程如下：

在CNNs神經網絡中，圖像被視為由長-寬-通道(包括紅黃藍三色)三個維度組成的數據，經過層層篩分，最終由程序做出判斷，給出是否含有裂縫的結論——類比一下“谷歌神經網絡識別貓臉”的案例，這是一個較為漫長的，讓神經網絡建立自主判斷的過程，這個過程如下圖：

給出的樣本數據離散型比較強，有的清晰，有的模糊；有的裂縫出現在照片中間，有的出現在照片邊角。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，但關鍵是要看機器能否也能精準地看出來。

以下是識別的結果：

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給我留言，或者給我發郵件都可以。

還記得前年和師兄聊起橋梁監測機器人的發展現狀，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??！

本文為 十千牛 長河  原創，經老師同意轉載，十分感謝老師的爽快答應，本文轉載旨在分享知識