基于UAV的道路裂縫檢測

孫乙丁 崔露航

摘要：21世紀以來，我國經濟發展迅速，公路建設進入大規模建設，但是公路面積的大幅的增長也帶來了嚴重的路面養護問題，而路面破損最多的就是路面裂縫，在路面早期進行處理養護的話，就會節省很多人力物力。近年來，無人機（Unmanned Aerial Vehicle）技術發展迅速，無人機在軍用偵查、搶險救災、地質勘探、交通運輸等領域具有重要實際應用意義。本文主要研究的是基于UAV的道路裂縫檢測。首先，通過無人機對原始路面進行拍攝，獲取路面圖像，然后對采集到的原始圖像進行預處理，主要包括直方圖中值化、中值濾波去噪、對比度增強等；最后對路面圖像進行分割，提取路面裂縫特征、對裂縫進行識別。本文利用Matlab仿真工具進行仿真實驗。

關鍵詞：路面裂縫圖像；UAV圖像預處理圖像分割裂縫識別

一、道路圖像的獲取

采用無人機獲取道路原始圖像，使用無人機作為搭載平臺，搭載高倍攝像頭，給飛控系統按照規定路線編程，獲取道路裂縫圖像。

二、道路圖像的預處理

通過無人機獲取的道路原始圖像中，路面裂縫與一般的線性目標相比具有目標寬度相對較小，圖像對比度較低，具有分叉和雜點，具有自然間斷等特點。傳統的裂縫自動檢測算法往往假設路面裂縫圖像有較好的連續性和較高的對比度，但這中情況在實際的路面圖像中往往不成立。由于受拍攝天氣、路面損耗、裂縫退化等因素的影響，有一定比例的路面裂縫圖像的裂縫相對于路面背景具有較低的對比性。因此，需要對路面裂縫圖像進行必要的預處理。

基本的圖像預處理包括：圖像灰度化、圖像濾波以及圖像增強。

（一）圖像灰度化

我們采集到的路面裂縫圖像一般是彩色信息圖像。圖像灰度化就是把獲取的路面原始彩色圖像轉換成灰度圖像。通常彩色圖像中的每個像素的顏色能通過紅（R）、綠（G）、藍（B）三色光按不同的比例和強度進行混合而成。灰度圖像只有亮度信息沒有色彩信息。針對路面裂縫圖像檢測的要求，去除不必要的色彩信息，將采集到的RGB圖像轉化為灰度圖像。每個像素用Unit8（0～256）的強度值來表示，當R=G=B時，我們稱之為灰度值。當灰度值為255時為純白色，當灰度值為0時為純黑色。本文采用加權平均值法對路面裂縫圖像進行灰度化。

（二）圖像濾波

圖像濾波也稱圖像去噪。在采集或傳輸過程中，路面裂縫圖像會受到人機平臺或攝像頭等因素的影響，圖像可能會出現模糊和雜點，影響裂縫圖像的檢測識別和干擾結果。因此，有必要對裂紋圖像進行濾波。本文從均值濾波和中值濾波兩方面對圖像進行去噪。

均值濾波也稱鄰域平均濾波。此方法是把相鄰的小區域計算灰度值的平均值，且假設相鄰區域與噪聲比較有相關性，鄰域選取相鄰的8鄰域。通過這種方法，可以通過計算一個像素的平均灰度值和其指定鄰域內的所有像素值，并對應新圖像中相應的像素值來實現濾波去噪。但是均值濾波也存在一些不足，均值濾波在平滑噪聲圖像時，會一定程度的模糊圖像細節。所以用中值濾波代替均值濾波。

均值濾波的基本原理時把圖像中的一點數值用該點的某個鄰域所有的中值來代替。它的優點是運算簡單且速度快，在濾除噪聲尤其是濾除脈沖噪聲的同時，能更好的保護信息的細節信息，例如邊緣和銳角等。[1]一般使用二維中值濾波。由于受到噪聲影響，裂縫圖像質量會退化。很多情況下用線性濾波處理，但多數線性濾波具有低通性，去噪同時也會使圖像邊緣模糊。而中值濾波是一種非線性處理，能較好的處理平滑噪聲，保留更多細節。

（三）圖像增強

由于路面裂縫圖像獲取過程中受到光照、機械振動等，圖像存在整體偏亮或偏暗的情況，會給后續處理帶來誤差，因此需要給裂縫圖像進行增強處理，增強對比度。直方圖可以較直觀的反映圖像對比度。直方圖均衡化是把在較小范圍內的灰度區間擴大為更大區間，從而達到增強對比度的目的。圖像中裂縫區域通常較暗，平整路面較亮，但是如果光線較暗，會使裂縫區域和平整路面不易區分，而經過直方圖均衡化處理可以增強對比度，突出裂縫區域。

三、圖像分割

圖像分割是從圖像處理到圖像分析很關鍵的一步。圖像分割的目的就是把圖像中的裂縫提取出來。圖像分割算法有以下幾種方法：邊緣檢測、閾值分割、區域生長。[2]本文討論邊緣檢測。

邊緣檢測梯度算法包括濾波、增強、檢測、定位。Robert算子、Sobel算子等是一階導數算子。一般選用拉普拉斯算子，拉普拉斯算子是二階導數算子，會丟失邊緣信息，雙倍增強裂縫噪聲影響，不論是梯度算子還是拉普拉斯算子都很容易圖像中的噪聲，所以濾除噪聲后再進行邊緣檢測，比如LoG算子，將高斯濾波和拉普拉斯邊緣檢測結合在一起。

四、裂縫識別和提取

圖像處理方面最為廣泛應用的方法是數學形態學方法，數學形態學方法有膨脹，腐蝕，開運算，閉運算。[3]先對圖像進行腐蝕操作，消除物體邊界縮小目標，消除小于結構元素的噪聲點；再進行膨脹操作，增大目標，合并與物體接觸的背景點；再進行開運算，即先腐蝕后膨脹，消除細小噪聲平滑物體邊界；在進行閉運算，即先膨脹后腐蝕，填充細小空洞平滑細小邊界。

進行裂縫識別時，對象時二值圖像，首先確定最小長短軸之比和最小面積，然后利用函數進行區域標記并計算區域屬性信息，然后再進行長短軸之比濾波和面積濾波。進行裂縫形狀識別時，對象也是二值圖像，確定裂縫區域信息，再利用BoundingBox函數獲取四個參數，然后進行高度與寬度對比，從而得出是橫向裂紋還是縱向裂紋。

五、路面圖像裂縫檢測仿真

六、總結和展望

近年來公路發展迅速，道路病害裂縫圖像檢測也是近年來發展的潮流。同時圖像檢測可以節省很多人力物力。本文的主要工作如下：把收集到的裂縫圖像進行圖像預處理，包括圖像灰度化、圖像濾波、圖像增強，進行圖像分割，裂縫圖像的識別和提取，進行仿真測試。

在無人機獲取圖像時，需要獲得高質量裂縫圖像，而且無人機獲取的圖像有多余的信息，如何去除多余信息這是需要改進的地方，由于光線問題也會使檢測產生較大誤差。本文再進行裂縫識別時，如果裂縫信息與圖像整體相比較小，也會在濾波的時候去除，造成檢測誤差，這里的算法需要改進。

總而言之，路面裂縫檢測還有待進一步提升，更好地運用于生活。

參考文獻：

[1][2]王文峰，阮俊虎，CV-MATH，等.MATLAB計算機視覺與機器認知[M].北京：北京：航空航天大學出版社，2017.8

[3]宰柯楠.道路裂縫圖像識別的算法研究[D].鄭州：鄭州大學2017.5