基于數字圖像處理的鐵路橋梁裂縫檢測技術

姜會增

（中國鐵道科學研究院標準計量研究所，北京　100081）

?

基于數字圖像處理的鐵路橋梁裂縫檢測技術

姜會增

（中國鐵道科學研究院標準計量研究所，北京100081）

摘要通過鐵路橋梁表面裂縫檢測能夠有效評估混凝土橋梁結構的安全性。為了從復雜場景的混凝土表面圖像中提取出裂縫，本文提出了一種穩定的裂縫自動檢測方法。首先，將灰度圖像與其高斯低通濾波后的圖像作差，提取圖像中的高頻成分。然后，提取圖像中各點的方向，利用其方向上的像素動態選取二值化閾值進行圖像分割。最后，對二值化的圖像利用啟發式規則來濾除非裂縫成分，用裂縫片段間的空間關系進一步篩選裂縫成分。試驗結果表明該方法能有效、準確地檢測出裂縫。以此為基礎開發了裂縫檢測系統，可對裂縫進行自動化檢測。

關鍵詞鐵路橋梁；裂縫檢測；數字圖像處理；方向二值化

在鐵路混凝土橋梁的養護中，裂縫檢測是混凝土結構重要的檢查和診斷方法。通?；炷帘砻媪芽p可以用來評估混凝土結構的承載能力、水密性和使用年限［1］。在鐵路橋梁靜載彎曲試驗中，梁底裂縫的檢測由人工來完成。人工視覺檢測依賴于操作者的經驗、技能水平，耗時長、安全性低，檢測效果很難客觀地評價。混凝土表面圖像裂縫自動檢測在無損檢測中非常有效。梁體裂縫的定期檢測還可以用來評估混凝土橋梁結構的安全性和可靠性，防止發生事故［2-3］。隨著圖像采集及識別技術的發展，采用高清相機對橋梁的待檢測區域進行拍照，并用圖像處理算法對圖像進行處理從而提取裂縫，成為鐵路橋梁靜載彎曲試驗中梁底裂縫自動識別的新方法。

在近幾年的裂縫圖像識別算法中，文獻［4］利用原圖與中值濾波的差值圖像來移除圖像中的陰影，然后利用黑森矩陣構造多尺度線性濾波器剔除斑塊、污點，通過概率松弛法濾除噪聲，最后使用自適應閾值分割裂縫。文獻［5］利用圖像增強、圖像分割和啟發式規則從復雜環境中提取裂縫。文獻［6］利用滲濾圖像處理算法來進行大尺寸圖像的快速裂縫識別。文獻［7］通過各種啟發式規則來篩選裂縫，并通過裂縫成分的最小外包矩形的相互關系來剔除非裂縫成分。在分析已有圖像處理算法的基礎上，本文提出采用自適應閾值的基于裂縫方向分布的局部二值化算法進行裂縫識別。

1　裂縫圖像分析

人工觀察裂縫憑借的是裂縫與周圍環境的顏色差異和經驗。通過數字相機采集的圖像識別裂縫，依據的是每一像素點的像素值，其值在0～255。

圖1（a）為鐵路橋梁的裂縫圖像，通過裂縫觀測儀測量其寬度為0. 03～0. 04 mm。其中①～③處的裂縫依次對應于圖1（b）左上、左下和右圖的細節放大圖像。圖1（c）給出了裂縫片段①和②周圍像素值的分布。可知：2條曲線的變化趨勢是一致的，中心像素值最??；由裂縫中心到兩側無裂縫區域，像素值逐漸增大，直至趨于動態平衡。不同的是，裂縫片段①，②的最小像素值分別為44，29；裂縫片段①，②周圍像素值均值分別為63，60。因此，裂縫檢測需要觀測某點像素值與周圍像素值的差異，而不能通過單一閾值直接進行閾值分割。

裂縫在圖像中可能由多個線段組合而成。如圖1（b）中裂縫片段③所示，1條裂縫往往會分成幾段。除此之外，鐵路橋梁表面的裂縫還存在表皮脫落，表面不平整、污斑、劃痕等（如圖2所示）。這給裂縫檢測增加了難度。

2　裂縫檢測算法

從采集到的橋梁底部圖像中檢測到裂縫成分，需要將圖像進行二值化處理，這屬于圖像分割的范疇。圖像二值化的關鍵是確定閾值。如果能確定一個合適的閾值就可準確地將目標分割開來。由于裂縫所處的復雜背景，全局閾值的二值化處理很難將目標全部提取出來。通過對多幅裂縫圖像的分析，同時考慮到裂縫的紋理分布特性，排除雜散點、團塊的干擾，本文提出一種基于裂縫方向分布的局部二值化的裂縫檢測算法。算法流程見圖3。

圖1　裂縫圖像分析過程

圖2　混凝土橋梁表面示例

圖3　裂縫檢測算法流程

2. 1預處理及高頻成分提取

將采集到的圖像進行灰度化預處理得到單通道圖像。為了排除混凝土橋梁表面污漬、漸變的凸起、坑洼造成的干擾，在圖像二值化操作前先提取圖像的高頻成分。提取過程如下：①通過高斯低通濾波得到1個基準圖像。高斯低通濾波是利用某像素點鄰域像素的加權平均所得，是一種考慮鄰域像素影響的低通濾波方法。考慮到裂縫的尺寸，高斯核的尺寸不應過小，以免裂縫成分無法提取。②將原圖與基準圖像作差，每點的像素值取差值的絕對值。圖4中從上到下依次為原圖、基準圖、高頻成分圖像（為使顯示清晰，對高頻成分圖像稍作了處理）。

圖4　原圖、基準圖與高頻成分圖像

2. 2方向信息提取

為了得到圖像中各點的方向信息，首先需要得到x，y方向的梯度值。梯度值?x（u，v）和?y（u，v）的獲取采用了Sobel算子。為了使每個像素點的方向信息盡可能準確，采用了局部區域像素作為參考來進行計算。在一像素點I（i，j）內，以該點為中心選取高度h、寬度w的矩形區域，計算該點x，y方向梯度值的平均值Vx（i，j），Vy（i，j）。計算式為

式中：（i，j）為矩形塊的中心點；u，v分別為沿x，y方向的自變量。

每個點的相位θ（i，j）的計算式為

θ（i，j）的空間方向正交于所選h×w窗口內傅里葉頻譜的主方向［8］。

由于噪聲、橋梁表面雜質等可能造成計算的方向出現偏差，采用高斯低通濾波來減少這種影響，即用某像素點鄰域內的方向的加權平均來替代該點的方向。這樣即使裂縫出現分段的情況，對斷點處的像素仍可計算其方向。

2. 3結合方向的局部二值化

動態閾值的局部二值化方法以Niblack方法為基礎，對其進行了改進。將Niblack二值化方法與圖像中各點的相位相結合的算法為

式中：tanθ為直線斜率；j - itanθ為直線方程的截距。

對點（i，j）首先根據其相位和坐標求出通過該點的直線方程。根據直線方程可得圖像上通過該直線的若干點，如圖5所示。

圖5　圖像中經過某點的直線

取該直線的上半平面、下半平面各N個點，計算該直線上2N + 1個點的均值m（x，y）與方差s（x，y）。計算式為

傳統的Niblack方法是以目標點為中心，選取一矩形區域，通過矩形區域內的均值與標準差來判定該點的像素值。在改進的二值化算法中，在目標點上取該點相位直線上的像素作為參考，以該直線作為模板，得到的閾值T（x，y）為

式中，k為修正系數，通常據工程需要取值。

得到目標像素的判定閾值后，便可對該點的像素值I（x，y）進行判定，計算式為

經過以上計算后，便得到裂縫圖像（圖6（a））的方向二值化圖像（圖6（b））。

圖6　某裂縫的原圖像與二值化圖像

2. 4裂縫成分篩選

為了彌合狹窄的缺口，首先采用數學形態學閉運算平滑二值化圖像。但是圖像存在很多雜散的點、線、團塊。為了濾除這些成分，首先采用啟發式規則進行限制，如目標外包矩形縱橫比限制、長度限制、面積限制等，對雜點（線、團塊）加以過濾，篩選出狹長的成分，見圖7（a）。然后通過裂縫間的鄰接關系，剔除孤立的非裂縫成分。求出檢測到各線段的最小外包矩形，并將其擴展。按照相鄰矩形框的角度關系、鄰接關系和包含關系來判斷某一片段是否為裂縫上的成分，從而篩選出所需的裂縫成分（圖7（a）中矩形框包圍的部分）。最后在原圖中標注出裂縫成分以便觀察，見圖7（b）。

圖7　裂縫檢測處理過程

3　裂縫檢測系統

裂縫檢測系統采用高清面陣相機在特定的機械裝置上往復運動，對梁體下表面關鍵區域進行掃描，采集圖像，運用圖像處理算法檢測裂縫。系統主要由圖像采集單元、走行機構單元和圖像處理單元組成，見圖8。

圖8　裂縫檢測系統的組成

在靜載彎曲試驗過程中，第1加載循環的1. 00級持荷階段和第2加載循環的1. 20級持荷階段，需要對梁體下緣底面和下緣側面進行裂縫檢測［9］。走行機構單元搭載圖像采集單元，通過脈沖計數發送圖像采集觸發信號，對梁體關鍵區域進行掃描，將掃描圖像及圖像的空間坐標傳輸至圖像處理單元，檢測裂縫并提取該幅圖像的空間坐標。圖像處理單元將檢測到的裂縫坐標傳輸到走行機構單元進行自動定位，由人工對該處裂縫進行復核。在裂縫檢測過程中，為保證檢測結果的實時性、準確性，裂縫檢測算法成為整個流程中的核心單元。

4　試驗結果與分析

試驗數據為石濟客專橋梁的圖像。采集到的圖像場景較為復雜，存在各種干擾（參見圖2）。裂縫觀測儀測得裂縫的寬度大部分集中于0. 03～0. 07 mm。這要求采集單元具有很好的穩定性。整條裂縫通常呈現多段分布且每段所處的背景不固定。

為了驗證算法的有效性和正確性，共選取4組圖像進行試驗，每組有1 000幅圖像。各組分別有30，35，37，42幅裂縫圖像。裂縫檢測統計結果見表1。

表1　裂縫檢測統計結果

由表1可知，試驗的準確率達96. 8％，召回率為88. 2％，證明算法是有效性的，剔除雜散成分的能力很強。誤報的圖像多是由于模板接縫處、水漬的邊緣、脫皮等邊緣梯度較為明顯的情況所造成的。試驗的召回率偏低主要與系統的裂縫分辨能力有關，有的裂縫寬度＜0. 03 mm，其高頻特性在圖像中極不明顯。圖9給出了一些檢測到的裂縫圖像。

圖9　檢測到的裂縫圖像

5　結論

通過裂縫檢測系統對鐵路橋梁表面裂縫進行識別，對裂縫檢測算法進行了驗證。檢測系統采用自給光源，避免了室外復雜的光照環境的干擾。檢測算法通過原圖與高斯低通濾波圖像的差值圖像來提取圖像的高頻成分，有效抑制了黑斑、臟點造成的干擾。通過提取圖像的方向信息，并利用方向對傳統的Niblack算法加以改進，使用動態閾值對圖像進行二值化處理。用啟發式規則對裂縫成分進行篩選，并利用相鄰裂縫的空間關系進一步濾除非裂縫成分。試驗結果表明該裂縫檢測系統是穩定的，裂縫檢測算法準確、有效。

寬度更小裂縫的檢測以及干擾成分的進一步篩除是一個技術難點。在今后的研究中需要進一步提高算法的檢測能力，使其具有更好的適應性。

參考文獻

［1］NISHIKAWA T，YOSHIDA J，SUGIYAMA T，et al. Concrete Crack Detection by Multiple Sequential Image Filtering［J］. Computer-aided Civil and Infrastructure Engineering，2012，27 （1）：29-47.

［2］PRASANNA P，DANA K J，GUCUNSKI N，et al. Automated Crack Detection on Concrete Bridges［J］. IEEE Transactions on Automati，2014，13（2）：591-599.

［3］CHEN Z Q，HUTCHINSON T C. Image-based Framework for ConcreteSurfaceCrackMonitoringandQuantification ［J/OL］/ /Advances in Civil Engineering，2010［2015-12-26］. http：/ /www. oalib. com/paper/26490#. V0QXXYKA5Q4.

［4］FUJITA Y，HAMAMOTO Y. A Robust Automatic Crack Detec-tion Method from Noisy Concrete Surfaces［J］. Machine Vision and Applications，2011，22（2）：245-254.

［5］TONG X，GUO J，LING Y，et al. A New Image-based Method for Concrete Bridge Bottom Crack Detection［C］/ /Image Analysis and Signal Processing（IASP），2011 International Conference. NY，USA：IEEE，2011：568-571.

［6］YAMAGUCHI T，HASHIMOTO S. Fast Crack Detection Method for Large-size Concrete Surface Images Using Percolation-based Image Processing［J］. Machine Vision and Applications，2010，21（5）：797-809.

［7］LIU F，XU G，YANG Y，et al. Novel Approach to Pavement Cracking Automatic Detection Based on Segment Extending ［C］/ /Knowledge Acquisition and Modeling. NY，USA：IEEE，2008：610-614.

［8］HONG L，WAN Y，JAIN A. Fingerprint Image Enhancement：Algorithm and Performance Evaluation［J］. Pattern Analysis and Machine Intelligence，1998，20（8）：777-789.

［9］中華人民共和國鐵道部. TB/T 2092—2003預應力混凝土鐵路橋梁簡支梁靜載彎曲試驗方法及評定標準［S］.北京：中國鐵道出版社，2003.

（責任審編李付軍）

Railway Bridge Crack Detection Technology Based on Digital Image Processing

JIANG Huizeng
（Standards & Metrology Research Institute，China Academy of Railway Sciences，Beijing 100081，China）

AbstractT he surface crack detection of railway bridge is a vital task for assessing the structural health and reliability of concrete bridges. In order to detect cracks from concrete surface images with complicated background，a robust automatic crack-detection method was proposed. T he first step was a high-frequency component extraction process using the difference between Gaussian low-pass filtered image and grayscale image. Second，the orientation of image was obtained and binary threshold was obtained by dynamic pixels in this direction. Finally，the heuristic rules were used to filter out non-crack components，and spatial relations among the crack fragments were used for further screening of cracks. Experimental results showed that the proposed algorithm could effectively and accurately detect cracks，and the detection was automatic.

Key wordsRailway bridge；Crack detection；Digital image processing；Orientation binarization

中圖分類號U446. 2

文獻標識碼A

DOI：10. 3969 /j. issn. 1003-1995. 2016. 05. 18

文章編號：1003-1995（2016）05-0082-05

收稿日期：2016-01-27；修回日期：2016-03-11

基金項目：中國鐵路總公司科技研究開發計劃（2015D001-A）

作者簡介：姜會增（1971—），男，副研究員，工程碩士。