序列影像三維信息模型技術在隧道巡檢中的應用

呂穎釗

(杭州市公路管理局，浙江 杭州 310004)

調查研究[1-2]表明：相當比例的隧道結構存在裂損、掉塊及滲漏水等病害現象，病害的存在會影響交通安全質量，威脅到隧道內行車的安全，縮短隧道的維護周期和使用壽命。目前，隧道巡檢仍以人工記錄和拍照取樣為手段，難以實現隧道巡檢信息關聯、跟蹤及共享，難以及時評估和掌握隧道的技術狀態。依托BIM技術，建立了各類隧道養護管理系統，并具備信息三維管理查詢的功能[3]。然而，損壞的關聯依然依托于設定好的索引。序列影像三維模型技術可以為復雜結構設施建立真實三維空間，通過影像拼貼完成具體病害圖片的定位，該技術在建筑測繪和規劃等領域得到了一定的證實[4-8]。因此，作者擬依托三維數據平臺，建立以數據分析為目的的巡檢系統。利用數據分析工具，對序列時空數據進行對比并用于后續分析和輔助決策，以期為隧道巡檢提供技術依托。

1 數據采集及處理

本研究通過人工搬站的方式，采集隧道的原始影像數據。具體數據采集流程包括圖像拍攝、上傳及存儲3個環節，如圖1所示。

圖1 數據采集流程示意Fig.1 The flow of data collection

云端全景云臺采集影像的處理流程為：① 影像預處理，包括：影像畸變差校正和圖像增強等工序。經過預處理的影像對比度增強，更加清晰，為后續的三維空間點云加密工作提供高質量數據。② 相對定向。將預處理后的影像導入到空間三維處理軟件中進行同名點匹配，通過平差后得到相對定向結果。③ 絕對定向。以相對定向結果為基礎，通過在影像上添加控制點并進行聯合解算，得到絕對定向后的結果。④ 生成密集點云。以絕對定向后的結果為基礎進行點云加密處理，得到高密度、高精度的密集點云數據。經過處理后的每張影像將會被賦予真實的三維空間位置和姿態信息，每個匹配點均擁有真實的三維坐標信息，每張照片上的每個像素都對應有真實的地理坐標位置。⑤ 輸出成果數據。將處理后的影像、絕對定向后的密集點云根據實際應用需求輸出或轉換為指定格式存檔。

2 建立隧道模型的試驗

2.1 隧道模型的建立

鑒于隧道影像的紋理較弱，隧道內亮度較低，傳統的基于影像的匹配算法并不適應于隧道場景的影像拼接，因此，本研究提出一種基于嚴格數學推導曲面投影拼圖的方法。采用隧道的網格化和紋理信息，通過曲面投影、坐標轉換及紋理重采樣等過程，生成一個無縫拼接的隧道拼圖。具體步驟為：① 根據所提供的網格數據擬合并建立投影面，用一個與隧道軸向共線的圓柱作為投影面。② 根據計算的投影面，將網格投影到所計算的投影面上，得到投影面網格。對投影面上的數據進行旋轉處理，使每一段隧道的軸向都與z軸重合，嚴格保證此數學關系對于實現影像的無縫拼接有很重要的影響，得到豎直后的網格。③ 定義像平面坐標系，實現數值后投影面和像平面坐標的網格轉換，得到平面網格。④ 影像數據重采樣，計算平面網格中的每個三角面片在二維平面坐標和紋理影像上3個頂點對應的紋理坐標所組成的三角形的仿射變換矩陣T(T為一個2行3列矩陣)。根據平面網格上每一個三角面片的最小外包矩形，確定搜索區域，在這個區域對每一個像素進行重采樣。

本次試驗對象為岳山北隧道進口K27+110～K27+205段，長約95 m。采用全景云臺進行數據采集，共布置攝站30個，采集影像240張，建立的三維模型效果分別如圖2～5所示。

圖2 點云數據Fig.2 Point cloud data

圖3 線框圖Fig.3 Wire frame

圖4 線框圖及影像拍攝位置(灰色球體)Fig.4 Wireframe & image location

圖5 隧道模型和單張影像Fig.5 The model of the tunnel and one local image

2.2 基于三維模型空間的巡檢結果

2.2.1 病害嚴重程度判別及量化方法

隧道內病害裂縫包括線性裂縫和塊狀裂縫2大類，可以用外接矩形長短邊來量化2類裂縫各自的損壞量。鑒于裂縫形態特征，并不存在一個絕對的裂縫寬度，只存在最大寬度和平均寬度。因此，將裂縫的統計長度定義為當量裂縫長度CL。通過統計目標像素數量，獲得裂縫損壞的計算面積Cs，定義裂縫當量寬度Cw，Cw=KCs/CL(其中：K為折減系數，用于去除實際計算中的目標噪聲)。設初步設定線裂折減系數為1，網裂折減系數為2，參考示范圖像進行計算。

線性裂縫損壞實際長度同當量長度，網狀裂縫計算損壞面積為實際損壞像素所占面積，實際損壞面積則為損壞外接多邊形的面積，損壞當量長度為實際多邊形中裂縫骨架所占像素，損壞嚴重程度用當量寬度表征。針對網裂損壞嚴重程度的識別則有待進一步研究，確定合適的量化指標。

各指標計算流程如圖6所示，圖像增強分割效果分別如圖7，8所示。

2.2.2 病害計算結果

選取相對數據較為完整的岳山北隧道拍攝所得部分高清圖像為例，進行批量處理，獲得裂縫病害的全部信息，包括：4處網裂損壞，共計50.4 m2，裂縫當量寬度分別為0.63，0.69，0.70和0.99 mm；共識別出24處線裂病害，共計121.12 m，平均寬度0.15 mm。局部裂縫損壞識別情況標注如圖9所示。

2.3 病害人工檢查結果

實驗段隧道襯砌裂縫共計26條，裂縫長度累計153.20 m；網裂4處，總面積計49 m2。局部調查結果如圖10所示。

圖6 計算流程Fig.6 Calculation flow

圖7 病害圖片Fig.7 Damage images

圖8 圖像分割結果Fig.8 Image segmentation result

圖9 襯砌混凝土豎向、縱向裂縫Fig.9 Transverse and longitudinal cracks of the lining concrete

圖10 人工巡檢病害圖片Fig.10 Damage image by a manual survey

2.4 檢查結果對比分析

自動化損壞結果與人工調查結果的對比見表1。

從表1中可以看出，線性裂縫識別率達到92.3%，塊狀裂縫識別率100%。表明：本檢測系統具備檢測0.1 mm寬度裂縫的能力，實際應用中取決于巡檢設備拍攝的圖像質量和分辨率。微裂縫損壞識別要求拍攝相機分辨率在2個方向上均達到0.1 mm/像素。在拍攝環境良好的情況下，可適當降低一個方向上的分辨率，采用亞像素技術達到同等精度要求。裂縫深度方面，圖像識別不具備深度識別的能力，但可以通過寬度及嚴重程度進行預估，這需要依賴于更多的數據進行學習判斷。

表1 隧道襯砌裂縫損壞檢測結果對比表Table 1 Comparison of crack detection results for tunnel lining

注：橫向裂縫簡稱橫裂，縱向裂縫簡稱縱裂，網狀裂縫簡稱網裂。

損壞位置匹配方面，岳山北隧道的大部分數據在虛擬三維空間中匹配效果良好。分析未識別出的線性裂縫損壞，當2條裂縫距離較近或相連的情況時，識別算法往往只能識別出其中一條，或裂縫長度產生較大出入。為此，全景云臺攝站間距設置為3 m較為合理，每個拍攝站采集8張照片可以滿足三維模型建立的需求。但是，針對具體損壞密度較高的位置，需增加圖像數據的采集，以提高分析精度。

初步確定了預處理、圖像增強、圖像形態學分割及裂縫識別與細化等處理算法的可行性。通過對圖像數據目標像素進行定義，確定了裂縫損壞量和發展程度的方法可以用于損壞計算。其中，折減系數是一個與算法數據采集方法相關的系數，其取值需通過更多不同程度的裂縫損壞數據進一步確定。

3 結論

基于序列影像三維建模技術應用于隧道巡檢的研究，得到的結論為：

1)三維空間模型建立應采用隧道的網格和紋理信息，通過曲面投影、坐標轉換及紋理重采樣等過程生成一個無縫拼接的隧道拼圖。

2)針對具體病害，得到定位和識別。當拍攝隧道混凝土表面存在的細微病害(如：裂縫)時，應采用由遠及近的拍攝方法，遠距離拍攝一張影像用于定向，近距離拍攝病害的細節。

3)通過示范項目試驗分析，采集數據滿足解析和模型要求，其病害巡檢精度可滿足設施巡檢要求，即檢測出0.1 mm的裂縫。