一種基于種子點擴散的隧道裂縫半自動提取方法

張 碩 張尤賽 許智勛 孫露霞 周 旭

(江蘇科技大學電子信息學院 鎮江 212003)

一種基于種子點擴散的隧道裂縫半自動提取方法

張 碩 張尤賽 許智勛 孫露霞 周 旭

(江蘇科技大學電子信息學院 鎮江 212003)

及時準確地對隧道裂縫進行檢測對隧道安全至關重要。隧道環境復雜,隧道圖像含有大量噪聲和干擾信息,即使經過復雜的機器訓練學習也難以準確的自動識別出裂縫,在一定程度上降低了識別準確率。文章提出了一種基于種子點擴散的半自動提取隧道裂縫的方法,通過用戶在裂縫上選取起始種子點,實現裂縫的自動追蹤。同時允許在種子點擬合擴散的過程中人工干預來處理擬合偏差及擬合失敗的情況,提高了實用性。實驗結果表明,該方法通過人機交互,降低了對算法的要求,裂縫識別更有針對性,能夠快捷準確地提取出隧道裂縫。

裂縫提取; 機器學習; 種子點; 人機交互

Class Number TP391

1 引言

隨著我國城市地鐵及高速鐵路工程的快速發展,隧道以其線路平順性好、環境影響小的優點,數量逐年快速增加,其安全性成為隧道交通中不容忽視的關鍵問題。因此定期對隧道進行檢測,動態獲取、快速反饋、及時處理病害要素信息尤為重要。其中,裂縫是影響隧道安全的重要病害要素之一[1]。傳統的人工檢測方法檢測效率低,而且檢測結果的精度完全取決于工作人員的專業水平、經驗素質等個人因素,檢測結果的主觀性強。目前常用的隧道檢測技術有雷達、超聲波、光纖傳感和圖像處理檢測等[2]。圖像處理技術以其高效便捷的優勢被廣泛應用,成為隧道裂縫檢測領域中一種直觀高效的檢測方法[3～4]。因為隧道光照不均,隧道中的水痕、刮痕、電線等偽裂縫信息和圖像噪聲,直接導致裂縫的漏檢和誤檢,嚴重干擾了圖像處理技術中計算機自動提取裂縫的準確性,因此難以滿足實際工程的需要。本文在計算機對隧道圖像進行處理識別的基礎上,引入人機交互,提出了一種基于種子點擴散的隧道裂縫半自動提取方法[5～6],不僅提高了識別的準確率,而且彌補了自動提取算法效率低的缺點。

2 基于SVM裂縫自動識別算法

機器學習是人工智能領域里一項重要的研究內容[7]。其中基于神經網絡的學習理論逐漸趨于成熟,但在實際應用問題中,傳統的神經網絡學習算法因為小樣本問題、維度災難問題和局部極值問題得到的識別效果并不理想[8]。

隨著統計學習理論的研究,支持向量機(Support Vector Machine,SVM)作為一種新的學習算法得到發展,能夠一定程度上避免上述問題。它通過VC維和結構風險最小化,考慮到訓練誤差與測試誤差,將經驗風險和期望風險最小化[9]。

2.1 SVM分類原理

支持向量機是通過構建一個最優分類超平面,使得正反例之間距離最大化,從而對樣本進行最優分類。最優分類超平面是指不僅能夠將兩類樣本正確分開(零訓練錯誤率),而且使分類間隔最大[10]。如圖1所示,可說明其基本思想。

圖1 最優分類超平面

(1)

(αi≥0)

(2)

(3)

(4)

所以支持向量機是以VC維和風險誤差最小化為原則而設計的分類器。它首先把函數集分解成一個個有序的函數子集,然后按照VC維的大小排列各個子集,在各個子集中找到最小訓練誤差,最后在每個子集中同時考慮訓練誤差與測試誤差,最終得到最小的分類誤差。

2.2 訓練SVM及裂縫識別

對含有裂縫及偽裂縫的隧道圖像,首先根據連通域的計算選擇出這些圖像構建樣本庫,然后提取特征構造特征向量,用訓練好的SVM模型進行分類,最后將偽裂縫濾除。基于SVM的裂縫識別算法整體流程如圖2所示。

圖2 基于SVM的裂縫識別算法流程圖

根據裂縫與偽裂縫的不同特征,選取最大連通區域矩形度、目標像素點比率、最大連通域的寬高比、最大連通域的偏心率、Hu不變矩1和Hu不變矩2來構造6維特征向量[12],然后將其歸一化作為輸入訓練SVM。

設核函數K為(xi,yj),則最優分類函數為

(5)

其中SV是支持向量機的集合。

在分類過程中選擇RBF核函數K(x,y)=exp(-γ‖x-y‖2)。然后利用LibSVM工具箱的基于交叉驗證和網絡搜索的方法選擇核函數的參數和懲罰參數C[13]。

上文可看出,裂縫識別的過程就是對子圖像Fk(x,y)進行分類的過程。偽裂縫的提取公式為

iG(x,y)={Fk(x,y)|predict(Fk(x,y))=0}

(6)

其中iG(x,y)是偽裂縫信息,將iG(x,y)所有像素設為1,從而濾除偽裂縫信息。

理論上,基于SVM對裂縫進行自動識別算法能夠一定程度上可以將裂縫從偽裂縫干擾中識別出來,但是該算法仍存在不足,雖然設計了裂縫識別過程來濾除偽裂縫,但因為樣本數量和場景有限,不能代表所有情況,加上圖像紋理復雜,所以在對裂縫進行識別的同時,存在部分誤判情況,文獻[12]在對北京地鐵2號線隧道表面圖像進行裂縫識別實驗時,準確率僅達81%。

3 種子點擴散算法

從圖3的隧道圖像可以看出,獲得的圖像含有大量的噪聲和干擾信息,即使經過復雜的訓練學習,計算機也難以準確地從大量偽裂縫信息中區分出裂縫。但是專業技術人員可以通過觀察整幅圖像判斷出其中的裂縫。人的這種判斷能力來自長期的訓練學習和智能的神經系統,復雜環境下計算機難以模擬此過程,所以結合人工智能,引入種子點擴散算法實現隧道裂縫的半自動提取[14]。

圖3 隧道圖像

3.1 種子點概念

每一條裂縫僅有一個起始端點和一個終止端點。實驗過程中,采用起始種子點結合引導種子點的方法對裂縫進行擬合[15]。

起始種子點是人工選擇的第一個種子點,指示擴散的開始位置；引導種子點是每次擬合過程中用于引導起始種子點向其擴散的種子點。其中起始種子點和引導種子點不是分支的端點,而在分支中間位置。

3.2 基于種子點擴散的裂縫半自動提取

首先人工給出起始種子點和引導種子點,從而確定了起始種子點和擴展方向,然后選擇擴展方向上灰度值最大的點(因為裂縫在整幅圖像中呈現較高的灰度值)作為下一個擴展點,當周圍多個點的灰度值相同的情況下,則優先沿主方向進行擴展,副方向一,副方向二的優先級依次降低。以圖4為例,在第三擴散區域內,方向5為主方向,方向6為副方向一,方向4為副方向二。

圖4 擴展區域劃分圖

這里以起始種子點為中心,人為將整個圖像分為八個區域,繼而確定了擴展的八個方向。在不同區域,起始種子點向特定的不同方向擴展,使得人工選點和自動擬合效果更好。

種子點的擴散過程如圖5所示,P1和P2分別為起始種子點和引導種子點,通過人工方式進行選取。P1到P2屬于第三區域,應該以P1為中心向左下、下、左方向鄰域內找灰度值最大的點作為下一個擴展點,然后繼續以此方法進行擴展,直到到達P2點。

圖5 種子點擴散過程圖

因為P1和P2點由人工選擇,P2點僅僅用于確定擬合擴散的區域,每次擬合過程并未考慮P2點具體位置,P1沿擴展方向擬合基本脫離了引導種子點的束縛,僅僅取決于擴展方向上灰度值分布,會造成P1點的擬合偏離P2點。為解決此問題,利用P2點對擬合終點進行修正,采用距離閾值法。當終點與P2距離小于閾值,用直線將兩點相連；否則提示誤差較大,重新選擇引導種子點,再次擬合。

4 實驗結果與分析

根據算法描述,種子點擴散法程序流程圖如圖6示。首先從P1出發向P2擬合,下一次擬合過程中,P2作為新的起始種子點,選取新的點作為擬合終點,繼續進行擬合擴散,直到完成。

人機交互界面設計包括文件、取消、重新開始、保存、放大和縮小六項,其中前四個操作與人機交互法相關,后兩個屬于視圖方面,為方便較大較復雜圖像的交互處理。

圖6 種子點擴散法程序流程圖

交互提取過程中,當引導種子點與擬合終點之間的偏差超過閾值,則系統將提醒重選引導種子點。如果擬合擴散過程中出現偏差,應及時“取消”操作,撤銷上一步的擴散,選擇新的引導種子點。種子擴展算法實驗效果圖如下。

圖7 種子點擴散算法實驗圖

實驗證明,采用人機交互方法提取隧道圖像中的裂縫方便快捷,而且識別準確率不再僅依靠算法的復雜程度,因為人工的加入使得裂縫的識別更有針對性。同時采用區域劃分的方式,提高了擬合擴散的準確度。

5 結語

本文分析了自動提取隧道裂縫的主要方法,在此基礎上結合隧道裂縫自身特點,引入種子點擴散算法,提出了一種人機交互半自動提取隧道裂縫的方法。通過實驗說明了此方法的可行性,而且在提高實用性的同時有效降低了對算法的要求,裂縫識別更有針對性,其準確率有一定提高。

[1] 李新.隧道襯砌裂縫產生原因分析[J].鐵道建筑技術,2005,S1:103-106. LI Xin. Cause analysis of tunnel lining crack[J]. Railway Construction Technology,2005,S1:103-106.

[2] 王睿,漆泰岳,王華夏.隧道襯砌裂縫檢測方法綜述[J].四川建筑,2013,03:135-136. WANG Rui, QI Taiyue, WANG Huaxia. Review of tunnel lining crack detection method[J]. Sichuan architecture,2013,03:135-136.

[3] Valenca J, Dias-da-Costa D, Julio E, et al. Automatic crack monitring using photogrammetry and image processing[J]. Measurement,2013,46(1):433-441.

[4] 胡皙.基于圖像處理的地鐵隧道裂縫檢測技術研究[D].北京:北京交通大學,2014. HU Xi. Research on crack detection technology of Metro Tunnel Based on image processing[D]. Beijing: Beijing Jiaotong University,2014.

[5] 張帥毅,李永樹,聶喜柯.自動道路種子點提取與模板生成[J].光電工程,2013,03:81-86. ZHANG Shuaiyi, LI Yongshu, NIE Xike. Automatic road seed point extraction and template generation[J]. opto electronic engineering, 2013,03:81-86.

[6] 李鵬格,戴本祁.基于改進的種子點擴展自適應立體匹配算法[J].計算機應用與軟件,2016,03:217-221. LI Pengge, DAI Benqi. Adaptive stereo matching algorithm based on improved seed point expansion[J]. computer application and software, 2016,03:217-221.

[7] 郭亞寧,馮莎莎.機器學習理論研究[J].中國科技信息,2010,14:208-209,214. GUO Yaning, FENG Shasha. Machine learning theory research[J]. China Science and technology information, 2010,14:208-209,214.

[8] WOO Y W, SONG D H, KIM K B.FCM-based RBF Network in Identifying Concrete Slab Surface Cracks[C]//Proceedings of IEEE 8th International Conference on Intelligent System Design and Applications (ISDA 08). New York: IEEE Press,2008:664-669

[9] Ce Zhang, Tiejun Wang, Peter M.Atkinson, Xin Pan, Huapeng Li. A novel multi-parameter support vector machine for image classification[J]. International Journal of Remote Sensing,2015,367.

[10] Zhang Hannv, Jiang Qigang, Xu Jiang. Coastline Extraction Using Support Vector Machine from Remote Sensing Image[J]. Journal of Multimedia,2013,82.

[11] Jian Hua, Zhang. The Study of Remote Sensing Image Classification Based on Support Vector Machine[J]. Sensors&Transducers,2013,15911.

[12] 朱力強,白彪,王耀東,等.基于特征分析的地鐵隧道裂縫識別算法[J].鐵道學報,2015,05:64-70. ZHU Liqiang, BAI Biao, WANG Yaodong, et al. Metro tunnel crack identification algorithm based on feature analysis [J]. Journal of China Railway, 2015,05:64-70.

[13] 紀昌明,周婷,向騰飛,等.基于網格搜索和交叉驗證的支持向量機在梯級水電系統隱隨機調度中的應用[J].電力自動化設備,2014,03:125-131. JI Changming, ZHOU Ting, XIANG Tengfei, et al. Application of support vector machine based on grid search and cross validation in the hidden stochastic scheduling of cascade hydropower system[J]. electric power automation equipment, 2014,03:125-131.

[14] Li Q, Zou Q, Zhang D, et al. FoSA: F* Seed-growing Approach for crack-line detection from pavement images[J]. Image and Vision Computing,2011, 29(12):861-872

[15] Jianpng Fan, Guihua Zeng, Mathurin Body, Mohand-Said Hacid. Seeded region growing:an extensive and comparative study [J]. Pattern Recognition Letters,2005,26(8):1139-1156.

A Semi-automatic Extraction Method for Tunnel Cracks Based on Seed Point Diffusion

ZHANG Shuo ZHANG Yousai XU Zhixun SUN Luxia ZHOU Xu

(School of Electronics and Information, Jiangsu University of Science and Technology, Zhenjiang 212003)

The timely and accurate detection of cracks in tunnels has very important impact on the safety of tunnels. Due to the complex environment, tunnel image contains a lot of noise and interference information. So it is difficult to accurately identify the cracks automatically, even after the complex machine learning.To a certain extent, the recognition accuracy of the crack is reduced. In this paper, a semi-automatic extraction method for tunnel image cracks based on seed point diffusion is proposed. The initial seed points and final seed points are selected by the user to realize the semi-automatic tracking of the cracks. At the same time, the user can intervene to solve the problem when the fitting deviation and the fitting error occurred in the fitting process. The experimental results show that the method can reduce the requirement of the algorithm, and crack identification is more specific and can extract the tunnel crack quickly and accurately.

crack extraction, machine learning, seed point, human-computer interaction

2016年8月3日,

2016年9月24日

張碩，女，碩士，研究方向:圖像處理與機器視覺。張尤賽，男，教授，研究方向:圖像處理與機器視覺。許智勛，男，碩士，研究方向:信息安全。孫露霞，女，碩士，研究方向:圖像處理。周旭，男，碩士，研究方向:圖像處理。

TP391

10.3969/j.issn.1672-9722.2017.02.035