機(jī)氣林智能科技2019提供自動(dòng)化零件，工控產(chǎn)品，工業(yè)機(jī)器人，以及機(jī)器人零部件。

　　機(jī)氣林智能科技有話說(shuō)：

自從去年春天AlphaGo與李世石的一場(chǎng)鏖戰(zhàn)，人工智能、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、深度學(xué)習(xí)、深度人工神經(jīng)網(wǎng)絡(luò)……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(jī)器人等領(lǐng)域，簡(jiǎn)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(luò)、遺傳算法、蟻群算法這種“智能算法”的存在，只是其計(jì)算效果的不理想，一直被許多領(lǐng)域的科學(xué)家們?cè)嵅≈?。然而最近幾年，?dāng)許多人對(duì)其淡化關(guān)注的時(shí)候，一個(gè)算法的改進(jìn)讓它重獲新生。

我當(dāng)時(shí)在考慮一個(gè)事兒：這么高大上的新科技，應(yīng)當(dāng)不僅僅用在人臉識(shí)別、語(yǔ)音識(shí)別、智能助手、自動(dòng)駕駛等生活、工作輔助類的科技中，也應(yīng)當(dāng)在我們土木工程領(lǐng)域有所體現(xiàn)——土木工程是一個(gè)“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(yīng)當(dāng)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(zhǔn)備，get了一些新技能，用一些小代碼做了些嘗試，覺(jué)得把智能算法用在橋梁領(lǐng)域，做一個(gè)“分類器”是完全可行的。但放眼各大數(shù)據(jù)庫(kù)，竟沒(méi)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(luò)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(méi)看錯(cuò)，這應(yīng)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(xué)（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(gè)事兒：

以橋梁健康監(jiān)測(cè)為主要研究方向的Young-Jin Cha副教授指出，對(duì)于橋梁結(jié)構(gòu)性能隨時(shí)間變化的監(jiān)測(cè)是十分重要的，過(guò)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(fù)雜。近年來(lái)又興起了基于視覺(jué)識(shí)別的結(jié)構(gòu)損傷識(shí)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(duì)圖像進(jìn)行高效地識(shí)別，并根據(jù)裂縫對(duì)結(jié)構(gòu)損傷程度進(jìn)行判定是一項(xiàng)關(guān)鍵技術(shù)。

Cha老師用上了卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，簡(jiǎn)稱CNNs)——他在文中引用多篇LeCun的文章，LeCun正是Facebook人工智能實(shí)驗(yàn)室的負(fù)責(zé)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(zhēng)相投入重金研究的課題，正是這個(gè)CNNs。Google用CNNs開發(fā)基于安卓系統(tǒng)的語(yǔ)音識(shí)別系統(tǒng)，百度用CNNs開發(fā)視覺(jué)搜索引擎……

微軟的Leon Bottou說(shuō)：“沒(méi)有人比LeCun更能推動(dòng)卷積神經(jīng)網(wǎng)絡(luò)發(fā)展了”；深度學(xué)習(xí)運(yùn)動(dòng)核心人物Geoffrey Hinton說(shuō)：“是LeCun高舉著火炬，沖過(guò)了最黑暗的時(shí)代”——在多年前，神經(jīng)網(wǎng)絡(luò)這個(gè)工具并不好用，經(jīng)常出錯(cuò)，直到計(jì)算機(jī)科學(xué)家LeCun對(duì)算法有了實(shí)質(zhì)性的推進(jìn)。如今我們有足夠的理由相信神經(jīng)網(wǎng)絡(luò)這個(gè)科技工具，至少我們相信那些把神經(jīng)網(wǎng)絡(luò)大規(guī)模應(yīng)用于銀行業(yè)務(wù)和ATM機(jī)上的銀行家們的選擇——他們往往是對(duì)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(jī)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(xùn)練組”，一組是55張分辨率為5888x3584的照片作為“驗(yàn)證組”。

人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)庫(kù)需要海量數(shù)據(jù)，277這個(gè)數(shù)字顯然不夠，況且，當(dāng)一副照片中含有的信息越多，對(duì)神經(jīng)網(wǎng)絡(luò)而言，干擾就越多，就越不容易突出重點(diǎn)。于是Cha老師將這277張照片分割成4萬(wàn)張分辨率為256x256的小照片作為訓(xùn)練數(shù)據(jù)庫(kù)。

流程如下：

在CNNs神經(jīng)網(wǎng)絡(luò)中，圖像被視為由長(zhǎng)-寬-通道(包括紅黃藍(lán)三色)三個(gè)維度組成的數(shù)據(jù)，經(jīng)過(guò)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(luò)識(shí)別貓臉”的案例，這是一個(gè)較為漫長(zhǎng)的，讓神經(jīng)網(wǎng)絡(luò)建立自主判斷的過(guò)程，這個(gè)過(guò)程如下圖：

給出的樣本數(shù)據(jù)離散型比較強(qiáng)，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(wú)論如何，人類都會(huì)輕易地指出裂縫的位置和開裂嚴(yán)重程度，但關(guān)鍵是要看機(jī)器能否也能精準(zhǔn)地看出來(lái)。

以下是識(shí)別的結(jié)果：

由此可見(jiàn)，CNNs可以在一張陌生的圖片中識(shí)別出裂縫的位置，并且對(duì)裂縫進(jìn)行分類——這些目前還都是由人工完成的工作，將來(lái)有望被機(jī)器完全取代，真是令人興奮不已！

我忘了是哪位高人說(shuō)過(guò)類似的話：我們要把繁瑣和重復(fù)計(jì)算交給計(jì)算機(jī)，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(hào)的同學(xué)請(qǐng)點(diǎn)擊本文底部左下角的“閱讀原文”鏈接，沒(méi)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(cè)機(jī)器人的發(fā)展現(xiàn)狀，尤其是那種用無(wú)人機(jī)攜帶照相機(jī)去梁底拍攝的裝備，當(dāng)時(shí)我的觀點(diǎn)是：“未來(lái)一定可以實(shí)現(xiàn)機(jī)器自動(dòng)識(shí)別，而不只是拍照片供人觀察”。今天Cha老師給同行們開了個(gè)頭，老司機(jī)開車?yán)?，大家別掉隊(duì)??！

機(jī)氣林轉(zhuǎn)自十千牛