基于圖像處理的隧道裂縫安全預警

陳立潮，張媛媛，秦宇強，曹建芳,2+，張 錦

(1.太原科技大學 計算機科學與技術學院，山西 太原 030024；2.忻州師范學院 計算機系，山西 忻州 034000；3.山西交通職業技術學院 工程機械系，山西 太原 030031；4.太原科技大學 機械工程學院，山西 太原 030024)

0 引 言

隧道裂縫區域的檢測能夠分割裂縫區域，裂縫的寬度計算描述了裂縫危害等級，是決定了后期工作是否搶修的關鍵之處[1]。針對隧道裂縫區域的檢測的問題，文獻[2]結合中值濾波、灰度拉伸與canny邊緣檢測處理裂縫；文獻[3]選用梯度決算的平滑濾波結合動態OTSU算法對圖像進行分割；文獻[4]利用HOG算法改進了分水嶺算法應用于路面裂縫的特征識別；文獻[5]提出一種全局局部相結合，OTSU分割后多級濾波的分割方法；文獻[6]對裂縫檢測選用Sobel算子結合相機標定法實現裂縫匹配。為解決上述方法在檢測識別裂縫區域時，存在檢測準確度低、檢測錯誤、檢測效率低的問題，提出一種基于閾值分割的裂縫檢測方法。針對隧道裂縫圖像中裂縫寬度計算的問題，文獻[2]計算裂縫左邊緣點處拋物線切線與其垂線的交點到右邊緣點的距離；文獻[3]計算隧道裂縫內部隨機點4個擴展方向上像素點個數最小的距離；文獻[7]中定義裂縫兩個邊緣像素點的距離作為裂縫寬度值。這些方法計算誤差較大且未對裂縫的危害實現等級劃分。在之前提出的檢測方法基礎上，設計了一種基于圖像分塊與斜率劃分的裂縫寬度計算方法，對所檢測裂縫實現安全預警。

1 基于閾值分割的裂縫檢測與安全預警

系統整體框架如圖1所示，分為裂縫分割檢測和寬度計算兩部分。

圖1 系統框架

隧道混凝土墻體表面凹凸不平，光照不均，背景噪聲復雜，環境陰暗，裂縫與背景難以區分。提出一種能夠降噪、增強對比度的閾值分割檢測方法。CMOS相機在隧道墻體獲取裂縫圖像后，通過獲取同一圖像中兩個不同k值的PCA降維圖像作為分割方法的初始輸入，數據降維的方式將背景噪聲抑制，使圖像計算量減小。對獲取的兩幅PCA圖中k值大的次模糊圖像進行大津分割與Wiener去噪，去除離散點狀噪聲點。最后將分割到的裂縫區域通過泊松融合算法無縫融合至k值較小的模糊圖像中，以增加裂縫與背景的對比度。閾值法分割融合后的圖像，以此檢測出裂縫區域。在檢測的基礎上，為了更智能與準確地勘測裂縫性質與危害程度，方便后期隧道工程施工搶修與維護，對分割到的裂縫區域寬度計算，確定危害程度等級。首先對圖像進行分塊，再對含有裂縫部分的區域塊進行斜率評定，根據斜率判斷裂縫的走向，判斷裂縫為豎直型或水平型裂縫。計算塊內左側或上側邊緣點與其投影點間距離，計算所有裂縫區域塊的平均寬度值，取整體裂縫的平均寬度值。根據裂縫寬度劃分裂縫等級，對應不同的等級實現不同的安全警報。

1.1 基于閾值分割的裂縫檢測

1.1.1 算法原理

裂縫分割檢測的算法流程如圖2所示。

圖2 裂縫檢測流程

(1)

(2)

去噪后的分割圖像僅保留了大部分裂縫信息，噪聲信息可忽略不計。為了增強裂縫與背景的對比度，利用泊松融合法[11]將分割到的裂縫部分無縫融合入小k值的模糊圖像中，設v是分割圖像的梯度場，?Ω是分割圖像在模糊圖像中覆蓋區域Ω的邊界。f表示Ω邊界內的像素值，f*表示Ω邊界外像素取值。首先對分割圖像的內部梯度值最大程度上弱化。同時最大程度保留分割圖像的原本紋理確保融合效果，需使分割圖像的梯度場v與合并后的Ω區域的梯度場最大程度的接近，圖像滿足

(3)

(4)

邊界梯度場相同使得邊界處梯度融合的流暢自然，主觀上實現無縫連接。

1.1.2 算法步驟

(1)利用PCA初步降維與去噪。輸入圖像的矩陣設為X，分別取k值為1與k值為5時構成的包含k個行向量的n×k的基矩陣N，令Y=XN，X矩陣從n維映射到K維的新空間Y中，形成k值為1的模糊圖像與k值為5的次模糊圖像，兩幅圖像降維后不同程度上弱化了背景噪聲。將獲取到的k值為5的次模糊圖像進行灰度值計算，評測裂縫前景與背景的最大類間方差的灰度值，以此作為閾值進行大津分割。

(2)Wiener復原與二次去噪。在計算復原圖像前需先計算原始圖像和噪聲的二階統計特性，根據近似估計法簡化Pn(u,v)與Pf(u,v)的占比取值，將公式化減為

(5)

(6)

利用文獻[12]提出的k值自動估計算法估計k的取值，通過圖像信噪比估計最優k值取得最終濾波后的復原圖像。

(3)泊松融合算法將分割的裂縫圖像融合至k值為1的模糊圖像的裂縫區域中。保證邊界散度一致，由式(3)帶入歐拉-拉格朗日方程，則

(7)

1.2 裂縫寬度計算與安全預警

1.2.1 算法原理

裂縫寬度計算與危害程度評級及安全預警算法流程如圖3所示。

圖3 裂縫危害評級流程

由于裂縫彎曲，紋路多變，各段裂縫寬度不一，很難利用一個定量的值去衡量整段裂縫的寬度值[14,15]。分析裂縫的走向，可以對裂縫的形狀進行線性解讀。經過上述分割及邊緣描繪，裂縫的邊緣得以清晰地描繪。以圖4縱向裂縫為例，裂縫線性走向圖將裂縫的形狀走向大體線性定義為3段，每條線段均有特定的斜率值K，分別定義為K1、K2、K3。線性劃分后，大致表示裂縫的形狀走向，但粗略的劃分誤差極大。

圖4 斜率粗略劃分

本文算法對圖像進行分塊，將圖像劃分為許多小的區域塊，可以更清晰地描述每一部分裂縫走向，最大程度上利用線性表示裂縫。標記出落在區域塊內的左側邊緣點及右側邊緣點的兩個分界點，連接兩個分界點，形成區域塊段狀裂縫的線性表示。之后對落在每個區域塊的裂縫邊緣進行斜率判定。定義一個以分塊圖像下邊界中心像素點為原點，水平方向為x方向的坐標軸，延長連接點判斷斜率值。斜率在[45°,135°]區間內的塊內段狀裂縫定義為豎直型裂縫，斜率在[0°,45°)，(135°,180°]區間內的塊內段狀裂縫定義為水平型裂縫。其中，斜率為90°不存在，不計入最終結果。以水平型裂縫為例，此時，若斜率在(90°,135°]區間內應標記出左側邊緣最高點對應垂直方向的下邊緣處投影點，標記出右側最低點對應垂直方向的上邊緣處投影點，計算兩段邊緣點與投影點間的歐氏距離。若斜率在[45°,90°)區間內應標記出左側邊緣最低點對應垂直方向的上邊緣處投影點，標記出右側最高點對應垂直方向的上邊緣處投影點，計算兩段歐氏距離。取兩段距離平均值，作為區域塊的裂縫寬度，取所有區域塊的裂縫寬度值的平均值，計算整條裂縫的寬度值。根據裂縫寬度值整合裂縫評級標準，將裂縫劃分為毛裂紋、小裂紋、中裂縫、大裂縫4個等級，并對每個等級的裂縫提出相對應的安全預警，為后續隧道裂縫的施工維護提供借鑒。

1.2.2 算法步驟

(1)如圖5所示，圖像分塊將圖像劃分為9×6的小型區域塊。

圖5 分塊與裂縫斜率劃分

(2)檢測54個區域塊內含有裂縫邊緣的區域塊為10個。計算每個區域塊內裂縫走向的斜率值，通過測算，其中兩個區域塊的斜率K值為90°，不存在斜率不計入結果。剩下的8個塊斜率分別表示為K1、K2、K3、K4、K5、K6、K7、K8。通過估算，8段段狀裂縫斜率值均在[45°,135°]區間內，判斷8段段狀裂縫全部為豎直型裂縫。

(3)圖6以圖5中斜率為K7的區域塊段狀裂縫為例，點M為區域塊中裂縫左邊緣的最高像素點，點N為區域塊中裂縫右邊緣的最低像素點，連接MN線段構成了斜率為K7的區域塊段狀裂縫的線性表示。此段的斜率K7在[45°,135°]區間內，此塊裂縫定義為豎直型裂縫，標記M點對應水平方向上落在右邊緣處的投影點M′，標記N點對應水平方向上落在左邊緣處的投影點N′點，連接MM′、NN′，計算兩段的歐氏距離。設坐標為M(xm,ym)M′(xm′,ym),N(xn,yn),N′(xn′,yn)，則兩點距離進行如下公式計算

圖6 MM′NN′歐式距離

(8)

(5)由步驟(4)中可估算出整幅圖像的裂縫寬度值，根據我國《鐵路工務技術手冊-隧道》、《公路隧道養護技術規范》，本文整合以下裂縫搶修的評級標準(表1)作為隧道裂縫的安全性能評估[16]。判斷寬度值所屬評級標準中的級別范圍，判斷圖像的裂縫是否需要搶修及所產生的安全影響。

表1 裂縫危害評級標準

2 裂縫檢測及安全預警實驗分析

本文全部實驗結果皆利用R2017a版本的Matlab平臺進行實驗仿真與測試。利用高速工業線陣CMOS相機配合激光光源對隧道墻體進行掃描拍攝獲取裂縫圖片。本文選用了600張裂縫圖片，分別對橫向裂縫、縱向裂縫、交叉性裂縫進行了多次實驗。

2.1 裂縫檢測實驗結果分析

本文利用結構相似性(SSIM)[17]指標評估PCA初步降維去噪時k值的取值，通過與原始圖像結構、對比度等程度比對分析(表2、表3)發現針對隧道裂縫圖像，在低維k值中(表2)選取映射空間的維數為1維的模糊圖像與高維k值選取中(表3)5維的次模糊圖像進行最終分割效果最佳，圖像特征的貢獻率分別為0.460 713與0.891 259，在一定的抑噪過程中能極大保留裂縫信息，隧道裂縫壓縮效果如圖7所示，圖像壓縮為圖7(b)模糊圖像與圖7(c)次模糊圖像。

表2 低維k值SSIM值

表3 高維k值SSIM值

圖7 PCA降維

后續的分割實驗本文與文獻[4]中分水嶺算法、文獻[5]中涉及的灰度腐蝕與大津法、文獻[6]3×3平滑濾波模板去噪結合Sobel算子方法、文獻[2]中值濾波及灰度拉伸法進行對比實驗。在圖8中，對于實驗選取的背景紋理信息十分豐富的橫向裂縫圖，分水嶺算法分割效果最差，背景紋理信息豐富引入大量誤差。文獻[5]灰度腐蝕與大津法雖然清晰地分割出裂縫，但引入離散噪聲點。文獻[6]與文獻[2]涉及方法提取的裂縫邊緣仍十分模糊，大量噪聲點影響了效果。本文的算法對于裂縫的邊界分割明顯并極大程度上抑制了噪聲點的存在。對于實驗選取的光照不均的縱向裂縫圖，分水嶺算法分割效果引入了光照強度大的背景部分，分割出現誤差。文獻[5]灰度腐蝕與大津法引入部分離散噪聲點，但分割的裂縫邊緣斷裂，裂縫信息離散缺失。文獻[6]與文獻[2]涉及方法提取的裂縫邊緣模糊，噪聲干擾明顯。本文的算法減少了裂縫的信息缺失與斷裂問題，噪聲點也得到極大程度的抑制。而對于裂縫細小且光照昏暗的交叉裂縫，分水嶺的算法發生錯誤分割。文獻[5]灰度腐蝕與大津法、文獻[6]與文獻[2]涉及方法均出現噪聲復雜、分割斷裂缺失的問題。本文算法能準確分割裂縫區域，抑制噪聲干擾，減少斷裂狀況。選取背景紋理豐富、光照不均、圖像昏暗3類常見的隧道裂縫的背景環境進行實驗，本文算法對橫向、縱向、交叉裂縫均能準確分割出裂縫，并能減少裂縫信息斷裂缺失，減少背景噪聲干擾。

圖8 分割實驗

2.2 裂縫寬度計算與安全評級實驗結果分析

在裂縫的寬度計算中，本文寬度計算方法在一定程度上引入誤差，由于勾股定理的性質、隧道裂縫的范圍集中在20 mm內，寬度值較小，可以極大程度上容忍誤差，使得該方法的計算值十分接近真實值。實驗結果以圖8縱向裂縫為例，表4為縱向裂縫寬度計算數據，求得各區域塊的裂縫寬度值后，求取整張圖像的平均值，通過計算，估測出整張圖像的裂縫寬度值為3.91 mm，裂縫實際的寬度值約為4.13 mm，誤差的范圍大概在5%以內，可以估算出裂縫的真實寬度值。根據表1裂縫危害評級標準，該裂縫處于2 mm-20 mm的等級范圍，本文算法判定該裂縫已經屬于3級裂縫，發展速度較快，已經妨害了交通安全和隧道結構安全，應該引起有關部門的重視。

表4 裂縫寬度檢測數據

3 結束語

隧道裂縫的安全隱患是各界關注的重點，有關裂縫的安全評級仍在探索的階段，裂縫圖像檢測技術研究至今還不完善。本文提出了一套完整的隧道裂縫安全評級方法，包括裂縫的分割檢測、裂縫寬度計算的安全預警兩個階段。檢測階段，噪聲得到弱化，裂縫與背景的對比度增強，使得分割效果較其它方法明顯提升。預警階段，本文的裂縫寬度計算針對于橫向、縱向的線狀裂縫估算準確率高，能夠對橫向、縱向的線狀裂縫進行寬度計算與安全預警。但本文提出的裂縫寬度計算方法對于過于復雜的交叉裂縫寬度估算準確率不高。下一步的工作將繼續改進算法使其簡化，深入研究隧道裂縫寬度計算方法，提高準確率，完善隧道裂縫的安全評級。