基于圖像處理的混凝土表面蜂窩麻面檢測

欒星

摘 要：蜂窩麻面是橋梁病害的重要表現形式之一，目前關于蜂窩麻面的自動識別檢測技術比較有限。本文采用圖像處理的方法對其進行分析。首先可能需要對圖像大小進行調整，然后根據預先設定的尺寸將圖像劃分成多個小圖像塊，將每個圖像塊轉換為灰度圖像，從中選取一些圖像塊作為樣本進行訓練學習，采用灰度共生矩陣的方法提取每個小圖像塊的紋理結構特征，計算有缺陷樣本與無缺陷樣本間的平均歐氏距離，然后根據歐氏距離閾值對小圖像塊是否有蜂窩麻面等缺陷做出判斷，并計算缺陷面積。結果表明，該方法對缺陷的位置識別及面積計算都比較準確。

關鍵詞：圖像劃分;灰度化;灰度共生矩陣;紋理結構特征;歐氏距離;位置識別

Flaw Detection of Concrete Surface Based on Image Processing

LUAN Xing

（China Telecom Co.， Ltd. Hubei Branch， Wuhan， Hubei? Province ，430000 China）

Abstract：Flaw is one of the important manifestations of bridge disease. At present， the automatic detection technology of flaw is limited and it is analyzed by image processing method. First， it may be necessary to adjust the image size and then divide it into a plurality of small image blocks according to a preset size.Each image block is transformed into a grayscale image and some image blocks are selected as training samples. The texture structure of each small image block is extracted by gray level co-occurrence matrix method.Calculating the average Euclidean distance between the defective samples and the defect-free samples and judging whether the? image block has flaw according to it and then calculating the flaw area.The results show that the method is accurate to identify the location and area of the flaw.

Key words：Image division; Grayscale; Gray level co-occurrence matrix; Texture structure; Euclidean distance; Identify location

隨著經濟的發展，觀念的更新，標準的提高，人們對混凝土工程外觀質量要求愈來愈高，很多工程質量評定的重要指標中都包含了混凝土外觀質量。對混凝土外觀質量評價方法的要求在不斷更新和提高，而目前國內主要采用人工檢測的方法對混凝土外觀質量進行測評，因此研究一種新的測評方法，使混凝土外觀質量測評變得更加便捷、可靠非常有必要。

本文主要對混凝土表面蜂窩麻面進行研究[1]，采用模式識別和圖像處理技術對表觀缺陷進行識別檢測[2]，重點在于混凝土外觀缺陷圖像劃分和每個小圖像塊的紋理特征提取[3]，從而對有缺陷圖像塊進行識別檢測。表面蜂窩、麻面、孔洞的識別是在灰度圖像的條件下進行劃分，然后分別提取每個小圖像塊0度、90度、45度、135度等4個方向灰度共生矩陣的反差、能量、熵、相關性等4個特征值，每個方向可以獲得4個特征值，4個方向一共16個特征值，構成特征向量，從劃分后的小圖像塊中挑選具有代表性、一定數量的缺陷圖像和無缺陷圖像，分別計算有缺陷圖像與無缺陷圖像特征向量間的平均歐氏距離[4]，分別計算其他圖像塊與這些無缺陷圖像塊之間的平均歐氏距離，如果，則認為該圖像塊中有缺陷，否則無缺陷。本文算法對缺陷位置識別和面積計算精準度都較高。

1 混凝土表面蜂窩麻面的圖像識別處理

對混凝土表面蜂窩麻面圖像的分析處理主要包括以下幾個步驟：調整圖像尺寸大小、圖像劃分、灰度化、提取特征向量、獲取平均歐氏距離、缺陷識別檢測、缺陷面積計算。

1.1調整圖像尺寸大小

為了將圖像劃分成多個同樣大小的圖像塊，有時需要對圖像大小進行調整。比如實驗中圖像大小為600x317（像素），如圖1所示，為了方便圖像劃分，將圖像大小調整為512x256（像素），如圖2所示。

1.2 圖像劃分

按照預先設定的尺寸大小以行掃描的方式將圖像劃分[5]成多個相同大小的小圖像塊。劃分圖像的尺寸大小可以根據圖像進行相應地調整。劃分圖像尺寸越小，劃分的圖像塊越多，運算時間越長;劃分尺寸太大，對缺陷的位置檢測精度越低。如果調整大小后圖像尺寸比較大，圖像劃分尺寸也可以相應地大一些;如果調整大小后圖像尺寸較小，圖像劃分尺寸也可以相應地小一點。實驗中劃分圖像的大小為16x16（像素）。

劃分后每個小圖像塊左上角頂點坐標為（），其中，，和根據式（1）和式（2）計算可得。

（1）

（2）

其中，、分別表示調整大小后圖像矩陣的行、列;、分別表示劃分圖像的行、列數。

1.3 圖像灰度化

灰度共生矩陣的對象是灰度圖，因此需要對劃分后的每個小圖像塊進行灰度轉換，部分灰度化圖像塊如圖3所示。

1.4 提取特征向量

1.4.1 灰度共生矩陣原理

灰度共生矩陣（Gray Level Co-Occurrence Matrix，GLCM）主要對圖像的二階組合條件概率密度函數進行估計，通過對紋理基元或局部模式隨機和空間統計特征的描述來表示區域的一致性、相對性。灰度共生矩陣指的是圖像中兩個距離為、方向為的像素點在圖像中出現的概率。改變的值可以組合出許多不同的灰度共生矩陣對圖像灰度級別的空間分布進行分析。

1.4.2 灰度共生矩陣特征量

Haralick 等人在灰度共生矩陣的基礎上根據紋理的特點提出了4種紋理特征量。

1）能量（Energy，E）：

（3）

其中表示灰度級數，Energy體現了圖像灰度分布的均勻程度和紋理的粗細度。能量越大表明圖像紋理變化規則且比較穩定。

2）熵（Entropy）：

（4）

的隨機性最大時，熵最大。因此，熵表明了圖像灰度分布的復雜程度，熵隨著圖像的復雜程度呈現出一致的變化。

3）對比度（Contrast，CON）：

（5）

Inertia Moment，IM），對比度能夠有效監測圖像反差，提取物體邊緣信息，增強線性構造等信息。

4）相關（Correlation）：

]? （6）

其中，

]? （7）

]? （8）

] （9）

]（10）

相關對灰度共生矩陣中行、列元素之間的相似程度進行描述，反映了某個灰度值沿某個方向的延伸長度，相關值隨著延伸長度的增加越大。因此相關是對灰度線性關系的一種衡量。

紋理特征量還有差商、和熵、方差和、差的方差、均差和等。所有的這些紋理特征量都可以劃分為以下4種類型。

表達可視紋理特征：局部平穩性、對比度、非相似性。

基于信息理論的特征：熵。

基于統計的特征：均值（Mean）、變化量。能量。

基于相關度的特征：相關。

當且分別取0度、90度、45度、135度時，計算圖像4個不同方向的灰度共生矩陣及能量、熵、對比度、相關等4個紋理特征量，構成16維向量，即特征向量。

1.5 獲取平均歐氏距離

從劃分后的圖像塊中分別選取具有代表性且數量足夠的無缺陷圖像塊、有缺陷圖像塊作為無缺陷樣本、有缺陷樣本。根據式（11）計算有缺陷樣本中各圖像塊分別與無缺陷樣本中所有圖像塊特征向量間的平均歐氏距離，即

（11）

其中，表示缺陷樣本中第個缺陷圖像塊的第個特征分量;表示無缺陷樣本中第個無缺陷圖像塊的第個特征分量;表示特征向量的元素下標;;;和P分別表示缺陷樣本的樣本個數、無缺陷樣本的樣本個數;表示缺陷樣本中第個缺陷圖像塊與無缺陷樣本的平均歐氏距離。

再根據式（12）計算缺陷樣本中所有缺陷圖像塊與無缺陷樣本中所有圖像塊特征向量間的平均歐氏距離，即

（12）

1.6 缺陷識別檢測

在余下的圖像塊中任意選取一些無缺陷圖像塊、缺陷圖像塊，計算這些圖像塊與無缺陷樣本中所有無缺陷圖像塊特征向量間的平均歐氏距離。根據數據統計，可以得出一個規律：無缺陷圖像塊與無缺陷樣本中所有圖像塊特征向量間的平均歐氏距離與相差很大，缺陷圖像塊與無缺陷樣本中所有圖像塊特征向量間的平均歐氏距離與很接近。根據這一規律可以對劃分后的每一個圖像塊進行識別[6]檢測，判斷是否有缺陷。具體做法如下：在劃分后的圖像塊中任意選一個圖像塊，其特征向量為，根據式（11）計算其與無缺陷樣本中所有圖像塊特征向量間的平均歐氏距離，如果與的比值介于閾值和之間（的值通過對樣本的訓練學習[7]過程獲得），就認為該圖像塊中有缺陷，否則，認為該圖像塊中沒有缺陷，如式（13）所示：

（13）

實驗中檢測的缺陷圖像塊如圖4所示，然后根據識別的小圖像塊坐標信息（）在進行尺寸調整的圖像中標記出缺陷，如圖5所示。

1.7 缺陷面積計算

為了利用數字圖像對缺陷面積進行測量，需要知道（像素）所代表的實際面積大小，即像素面積標定值[8]。其單位為mm2/pix2。常用的標定方法是在被拍攝缺陷附近貼一已知面積的矩形黑色紙條。對圖像進行一些預處理[9]就可以得到該黑色紙條的像素面積大小，紙條的實際面積與像素面積的比值就是像素面積的標定值。如紙條的實際面積為900mm2，統計的像素面積大小為100000pix2，則mm2/pix2

在識別出缺陷圖像塊后，還可以計算圖像中缺陷的面積大小，每一個圖像塊的面積（以像素為單位）大小根據式（14）計算可得

（14）

缺陷總面積為

（15）

其中，表示檢測出的缺陷圖像塊個數。缺陷的實際測量面積。

2 結論

為了檢測混凝土表面蜂窩麻面等缺陷，本文主要進行圖像大小調整、圖像劃分、灰度化等處理，用灰度共生矩陣提取混凝土表面缺陷的紋理結構特征，然后根據歐氏距離法對圖像塊進行分類，本文創新點及主要工作如下。

1）在進行相應的圖像處理操作前，對圖像的大小進行調整，方便后面對圖像的劃分。

2）在對圖像劃分時，選取合適的圖像塊尺寸大小非常關鍵。圖像塊尺寸越小，識別缺陷位置越準確，計算缺陷面積誤差越小，但效率會下降;圖像塊尺寸越大，效率越高，但缺陷的位置以及缺陷面積的計算結果準確度都會有所下降。因此，需要根據劃分前圖像的大小以及對缺陷識別檢測結果準確度的要求選擇合適的劃分圖像尺寸。

3）本文以劃分后的圖像塊作為樣本進行訓練學習，解決了樣本問題。

4）實際工程中有時只需要對缺陷的位置及大小進行估計，對精度要求不是太高，本文算法可以滿足工程上的要求。

參考文獻

楚少義，宋偉建，劉凱，譚春.快速無損綜合法在混凝土襯砌質量檢測中的應用[J].山西建筑，2019，45（1）：206-208.

[2] 李畫，李明晶，李凱，趙雪竹.Mask RCNN模型在路面缺陷檢測中的應用[J].科學技術創新，2020（29）：131-132.

[3] 劉光宇，黃懿，曹禹，曾志勇，趙恩銘.基于灰度共生矩陣的圖像紋理特征提取研究[J].科技風，2021（12）：61-64.

[4] 李克文，林亞林，楊耀忠.一種改進的基于歐氏距離的SDRSMOTE算法[J].計算機工程與科學， 2019， 41（11）：2063-2070.

[5] 楊柳.破損圖像子區域自適應劃分標注方法仿真[J].計算機仿真， 2019， 36（4）： 461 -464.

劉森森.基于遷移學習的橋梁裂縫智能檢測與識別[J].信息技術與信息化， 2021 （7）：233-235.

[7] 陳旭丹，姜男，董麗娜，田衛群，吳向菊，曾鵬飛，楊帆.基于深度學習YOLO模型的高原山區瀝青路面病害自動識別[J].公路交通科技（應用技術版），2019，15（11）：75-78.

[8] 阮小麗，王波，荊國強，季德鈞，王永亮.橋梁混凝土結構表面裂縫自動識別技術研究[J].世界橋梁，2017，45（6）：55-59.

[9] 黃鶴，梁祺策，羅德安.車道線檢測中自適應圖像預處理算法研究[J].測繪科學，2021， 46（9）：76-82.