基于支持向量機的堤壩表觀病害快速識別方法

于彥飛 徐磊 郭偉 康文強 高原

（1.山東大學控制科學與工程學院 山東省濟南市 250061 2.長江勘測規劃設計研究有限責任公司 湖北省武漢市 430010）

1 引言

隨著經濟、科技的快速發展，各類水利工程建設也越發迅猛，其安全穩定運行也成為了一個重大挑戰。目前國內已累計建成近50 萬公里的堤防，近10 萬座水庫大壩。隨著運行時間的延長，許多堤壩會存在各種病害隱患。特別是在汛期，受到洪水的影響，平常易于忽視的細小隱患極有可能引發重大危險甚至造成難以估計的后果，因此堤壩的安全運行對水利工程的發展至關重要。據水利工程結構安全的最新研究成果以及運行維護的日常工作總結，對壩體病害進行快速無損檢測并進行及時修復，可以確保水利工程的安全穩定運行。

對壩體病害進行快速安全檢測對堤壩工程的穩定運行具有重大意義，因此，本文對堤壩表觀病害快速識別方法進行了研究，首先基于支持向量機對采集的可見光圖像進行分類，進而設計了基于改進Frangi 濾波的表觀病害識別方法，并通過實驗室模擬實驗進行了驗證，實現了對堤壩表觀病害的有效識別。

2 堤壩表觀病害圖像特征提取方法以及識別算法設計

本文提出了適用于堤壩表觀病害快速高精度識別方法，對實驗所得的可見光圖像進行處理，實現表觀病害的準確識別。在對堤壩進行檢測之前，需要使用相機對堤壩的表面狀態進行采集，對一段距離的堤壩進行采集就可以得到大量的圖像數據，然而包含病害的圖像數據僅占一小部分，如果將所有的圖像數據全部輸入到識別系統中進行識別，對于沒有病害的圖像并沒有任何意義，還會浪費大量的資源以及時間，大大降低算法的識別效率。因此，本文首先對采集的大量圖像進行分類，然后根據分類結果再對包含病害的圖像進行識別，本文方法主要包括破損病害分類與識別兩部分。

2.1 圖像特征提取方法與分類

SURF 特征具有很高的魯棒性與準確率，但是在提取特征點的時候速度較慢。為了對分類器進行更好的調試并對其分類效果進行優化，在特征提取部分選用FAST-SURF 算法來設計分類器，即使用FAST 算法來代替SURF 算法的特征點提取部分，該特征提取算法與SURF 算法相比，運行時間大大降低，并且能夠快速的獲取大量特征點。FAST-SURF 算法首先利用FAST 算法快速來提取堤壩圖像特征點，然后利用SURF 的描述子生成64 位的描述向量進行準確的特征描述。但此時每幅圖像所生成的特征點個數并不統一，不能直接送入分類器進行訓練。因此本文借助詞袋法思想，通過K-means++算法實現對FAST-SURF 特征的聚類，生成的k 維特征向量表示為：

FFAST-SURF=[F1,F2,…FK]

本文采用基于支持向量機（SVM）的二分類模型對從圖像中提取的特征向量進行分類。分類器的訓練流程主要包括三部分。首先是前期處理部分，該部分主要是篩選、整理、標注圖像數據，并對圖像數據集進行分組處理。然后是訓練部分，在對圖像數據進行訓練之前需要進行圖像數據的預處理，包括尺寸裁剪、濾波操作，進行將從圖像中提取的特征向量輸入到SVM 訓練機中進行訓練。最后是預測部分，將待測試的圖像數據集輸入到第二部分訓練好的模型中進行測試，實現對圖像數據集的分類。本文采用了MATLAB軟件中的SVM 線性核函數來表示SVM 分類器。

表1：不同特征提取方法的分類器指標對比

表2：不同算法的運行時間

表3：裂縫參數計算結果

圖1：不同算法結果對比

圖2：裂縫檢測結果

本文采用了450 張混凝土圖像數據集對分類算法進行訓練以及測試，訓練集的數目為300 張，測試集為150 張。訓練集和測試集中正常圖像和病害圖像的數量之比為2:1，為了對分類器進行定量的評價，本文采用召回率、準確率和一張圖像識別時間等評價指標對分類器進行評判，并與僅使用SURF 算法進行特征提取的分類器進行了比較，對比結果如表1 所示。通過表可以得知，本文提出的FAST-SURF 算法具有良好的特征提取能力，能夠產生較優的效果，并降低了識別時間，能夠符合實際檢測需求。

2.2 識別算法

Frangi 濾波器是基于Hessian 矩陣特征值構造出來的邊緣檢測算法，能夠對光照不均勻下收集的圖像中的細小結構進行增強。在可見光圖像中，較大面積的裂縫會與周圍環境產生較大的對比度，因而在灰度圖像中灰度值比較高并容易被區分。而較小面積的裂縫與周圍環境相似，因而在灰度圖像中灰度值比較低并難以區分，受到噪聲干擾會比較大，因此Frangi 濾波不能較好的提取細小裂縫。引導濾波是根據圖像中的所有像素的不同的線性關系來尋找與原始圖像梯度一致的圖像層，從而將圖像分離成不同的層，能夠很好地保留圖像的邊緣。因此本文將引導濾波器和Frangi 濾波器相結合，實現圖像中裂縫信息的提取。

Hessian 矩陣是一個二階偏導矩陣，其特征值對噪聲特別敏感，并且可以促進濾波產生較好的去噪效果，但是無法去除全部噪聲，能夠基本描述裂縫信息，所以改進Hessian 矩陣特征值的方法被用來進一步抑制噪聲，增強圖像細節。Hessian 矩陣在二維圖像中有兩個特征值：λ1、λ2（λ1＜λ2），表示像素點在二維圖像中各個方向的梯度變化程度，特征值越大就會在對應方向產生更大的梯度。由于Hessian 矩陣的特征值在圖像中不同位置會產生不同的效果，構造了Hessian 矩陣特征值的判別方法：

從Hessian 矩陣特征值的判別方法的公式中可以看出，對于細小裂縫檢測，Frangi 濾波算法難于產生理想的效果。因此本文通過串聯引導濾波器對該算法進行了改進，改進后的特征判別方法可表示為：

式中，exp(-a*|λ1|)可以提高細小病害的提取效果，a 越大表示提高能力越顯著，可以抑制圖像中的噪聲，b 越大表示抑制噪聲的效果越明顯。

本文將改進的Frangi 濾波與自動化閾值的方法相結合來實現堤壩裂縫識別結果的直觀顯示，并且能夠以較高的精度提取堤壩裂縫區域。為了使識別結果更加精細，還可以采用形態學修飾來過濾掉一些非病害區域。裂縫骨架的提取采用Zhao-Suen 快速細化算法來顯示裂縫長度。

為了對本文所提出的濾波算法進行驗證，隨機選擇了2 張病害圖像數據進行測試，并將該算法與普通的Frangi 濾波算法進行了比較分析，對比結果如圖1 所示，從圖中可以看出，普通Frangi 濾波算法檢測的結果出現許多噪聲，而改進的Frangi 濾波算法具有良好的細節信息以及病害輪廓，不受噪聲的干擾。表2 還列出了兩種算法對裂縫的預測時間，對于不同的圖像，本文的預測時間都是最優的，并且還具有較高的效率，因此本文提出的算法可以適應實際檢測的需求。

3 實驗結果及分析

在實際的檢測中，大部分裂縫的形狀都是不規則的，并且無法確定其位置，難于評價本文算法的可行性。因此本文設計了一個模擬實驗，裂縫采用512×5mm 的標準條狀規則炭纖維棒進行模擬。本次實驗是基于64 位Windows 10 系統采用MATLAB R2018b 軟件進行運行的。無人機系統選用了搭載分辨率為1920×1080 的禪思Z30 云臺相機的大疆經緯M210 V2。

本次實驗設置了3 種不同形式的裂縫，包括橫向、縱向和斜向。將無人機以與混凝土平行的10m 的高度對貼在混凝土上的不同形式的裂縫進行拍照采集。然后采用本文所研究的算法對收集的圖像進行處理，即可提取裂縫并進行參數的分析計算，裂縫檢測結果如圖2 所示，從圖中可以看出，本文所提出的算法產生了良好的識別結果，能夠較好地提取出裂縫病害的輪廓并勾畫出裂縫的形狀。

為了對裂縫病害進行定量的分析，需要確定相機的分辨率以及變焦倍數來對相機采集的照片進行標定，由于項目要求能夠識別出寬度大于1mm 的堤壩裂縫，然而在圖像中，裂縫顯示需要1 個像素點，所以本文選擇使用A2 紙作為參考，以1mm 為單位畫出兩條400mm 的線段，然后采用相機以相同采集高度對參照物進行拍照，并不斷調節相機的參數以使相機能夠觀測到參照物上的刻度，最后確定圖像像素的大小。在圖像中像素大小確定之后，即可對提取的裂縫病害進行量化分析。本文采用相對誤差對提取出的裂縫參數進行分析，將提取的裂縫參數與實際裂縫尺寸進行對比，圖像中標定的每個像素的邊長和面積分別為0.622mm 和38.588mm2。結果如表3 所示，同一種炭纖維棒模擬的不同位置放置的裂縫的識別結果有些差別，這可能夠是由于堤壩裂縫識別算法將圖像中炭纖維棒的陰影錯誤判斷為裂縫，產生了相對較大的誤差，真實檢測中不會出現陰影，但是識別效果可能會受到光照的影響，導致圖像中裂縫邊緣位置識別出現偏差。

本次實驗能夠將裂縫區域進行有效提取，并對裂縫的尺寸進行分析，其相對誤差能夠滿足檢測要求，因此本文所提出的算法具有可行性。

4 總結

本文研究了堤壩表觀病害快速識別方法，采用了先分類后識別的思路實現表觀病害的準確檢測，分類部分設計了一種基于FASTSURF 特征提取算法的分類器，識別準確率大于90%，而且還具有較高的識別效率，能夠滿足快速巡檢的要求，病害識別部分設計了一種基于改進的Frangi 濾波的堤壩裂縫識別算法，圖像增強和噪聲抑制函數被用來對普通Frangi 濾波算法進行優化，使病害識別算法能夠提取更加細節的信息，避免受到噪聲干擾。并通過實驗室模擬實驗進行了驗證，識別出的裂縫面積的相對誤差不高于7%，因此本文所提出的方法能夠準確識別表觀病害輪廓。