基于視覺的隧道裂縫檢測技術研究

龍學軍，張杰，譚志國

（成都通甲優博科技有限責任公司，成都 610299）

0 引言

近年來，我國公路交通建設進入高速發展期，隨著國家交通強國戰略的提出及地區均衡發展考慮，交通投資逐漸向山區發展。受限于地形和地質條件，山區交通設施的橋隧比很高，部分高速公路，如雅康高速甚至達到80%以上。由于隧道結構和建設的特殊性，長期投用后會出現諸如裂縫、滲水、掉塊和沉降等病害，尤其是裂縫的出現和發展，如果不進行有效的檢測和干預，可能引發隧道安全事故，后果不堪設想。長期以來，人們對于隧道的運行維護一直以人工為主，隨著城市市政公路建設和高速公路建設的深入，對隧道安全的管理壓力也會越來越大。

如果能夠對隧道的運行狀況尤其是與隧道結構安全風險密切相關的隧道壁表觀病害區域進行無人值守的、自動化的長期監測，從而對隧道的健康狀況給出評估，并制定針對性的運行維護計劃，就能防微杜漸。這就需要構建起一套能夠對隧道表觀病害進行日常監測的隧道壁自動巡檢系統。國內外針對隧道和道路的病害檢測和處理研究成果較多［1-10］，但能夠同時檢測和高精度測量隧道裂縫尺寸的成果很少見諸報道。因此，本文所研究的基于視覺的隧道裂縫檢測技術，不僅在學術研究上還是實際應用中都是非常必要的。

1 隧道裂縫檢測算法流程

本文通過可見光攝像機和深度攝像機在隧道中大量采集隧道圖片，通過YOLOV3構建的檢測器，對采集到的圖片進行篩選，將沒有裂縫的圖片直接丟棄，直到篩選出有裂縫的隧道圖片。

對于縫隙圖像需要識別與提取縫隙的位置，本文先使用Hessian特征值圖像提取得到特征值圖像，隨后使用迭代自適應分割獲得初始掩碼圖像，之后對初始掩碼圖像進行導向框限制二值分割獲得受限掩碼圖，最后進行區域生長以及去噪，獲得最終掩碼圖像得到裂縫融合圖和輪廓圖。

最后進行裂縫測量，利用圖像細化提取到縫隙的骨架線，之后利用迪杰斯卡爾最長路徑求取縫隙長度，最后提取出縫隙的最大寬度線。

2 基于視覺的隧道裂縫檢測算法

2.1 裂縫檢測

本文的算法在檢測裂縫時，使用YOLOV3構建的檢測模型，本文采用Label Me標注軟件對隧道圖像進行分段標注，濾除更多的背景信息。

如圖2所示，本文在檢測裂縫時，使用可見光相機采集圖像，使用YOLOV3檢測采集的整個圖像，如果沒有檢測到裂縫就檢測下一幀圖像，直到檢測到裂縫圖像。

圖2 裂縫檢測流程

圖3 是本文使用通過YOLOV3構建檢測模型對幾張裂縫圖像進行缺陷區域檢測的結果示意圖，可以明顯看出檢測器對于裂縫的檢測結果是非常正確的，而且極大的排除了背景信息，為接下來的裂縫識別與提取提供了便利。

圖3 YOLOV3檢測結果

2.2 裂縫識別與提取

通過裂縫檢測之后可以得到裂縫圖像，隨后需要對圖像中裂縫的位置等相關信息進行識別提取，整個裂縫識別提取算法的流程如圖4所示。

圖4 裂縫識別與提取流程

裂縫識別提取中主要涉及的內容是：Hessian特征值圖像提取、迭代自適應閾值分割、區域生長、小塊顆粒噪聲去除技術。

2.2.1 Hessian特征值圖像提取

本文使用Hessian矩陣來提取特征圖像，在通過Hessian矩陣進行邊緣檢測時，可以將邊緣圖像分布特征與Hessian矩陣的分布結合起來，使用對應點的Hessian矩陣求取的特征向量以及對應的特征值。對于SIFT算法中的邊緣響應的消除可以根據Hessian矩陣進行判定，求取圖像中每一點Hes?sian矩陣的特征值。

本文通過把裂縫圖像通過求取Hessian矩陣轉換為Hessian特征值圖像如圖5所示。

圖5 Hessian特征值圖像

從圖5中可以看到將圖像轉換為特征值空間之后，裂縫區域呈現比較亮的亮度、背景處的亮度較暗，為了進一步的消除掉非裂縫區域，采用迭代自適應閾值分割，針對特征圖的值進行二值分割。

2.2.2 迭代自適應閾值分割

本文采用最大類間方差法（OTSU）按圖像的灰度值，將裂縫圖像分成背景和目標兩部分。對于大小為M×N的圖像I(x,y)，找到目標和背景的分割閾值T，使得類間方差g達到最大，使圖像分為目標部分N1和背景部分N2。其中，前景像素點數占整幅圖像的比例為w1，平均灰度值為u1；背景像素點數占整幅圖像的比例為w2，平均灰度為u2。

式中，u為圖像的總平均灰度，目標部分N1為圖像中像素的灰度值小于閾值T的像素個數，背景部分N2為像素灰度值大于閾值T的像素個數。

迭代自適應閾值分割，會在求取到閾值K之后，將大于閾值的圖像進行二次自適應閾值分割，如圖6所示。

圖6 迭代自適應閾值分割生成的掩碼

如圖6中（a）是采用ostu自動閾值分割并去除小噪聲得到的掩碼圖；圖（b）是在圖（a）白色掩碼處計算特征值的ostu分割值，然后再次進行閾值分割的結果；圖（c）是在圖（a）白色掩碼處計算特征值的ostu分割值以及最小特征值之后計算它們的線性融合值（ostu分割值×0.8+0.2×最小特指值）作為閾值的再分割結果；圖（d）是（c）作為導向圖，對（b）圖像進行區域生長的結果。

2.2.3 區域生長以及去噪

本文采用區域生長算法主要是把自適應分割后的圖像會把裂縫的末端給分割刪除，因此采用區域生長把與縫隙灰度相似的像素合并成區域，以擴充裂縫末端，為了去除小塊圖像噪聲，本文采用加權中值濾波對掩碼圖像進行處理。

在隧道裂縫檢測時，檢測出了裂縫位置框，有利于進一步去除背景噪聲對于裂縫像素的干擾。

如圖7所示，圖（a）是針對檢測框內掩碼像素計算平均灰度值，保留灰度值低的部分便可以得到分割圖。圖（b）是通過圖（a）進行區域生長以及小塊噪聲去除得到最終的掩碼圖。

圖7 區域生長前后對比

獲取裂縫掩碼之后可以得到裂縫融合圖和裂縫輪廓圖，如圖8。

圖8 提取裂縫輪廓

2.3 裂縫測量

為了進行裂縫測量，需要深度相機提供距離信息，利用深度相機與可見光相機獲取同時拍攝到的圖像，將會將深度相機映射到可見光相機坐標系下進行深度相機圖像與可見光相機圖像的配準，使得可見光獲取的隧道圖像的每一個像素點都有相應的深度值。

求取裂縫長度以及全自動推導裂縫的寬度的流程如圖9所示。

圖9 獲取裂縫長度和寬度流程

在進行算法推導待測線時，需要針對隧道圖像進行裂縫掩碼提取，然后在線段上依據一定的準則將線段分割成多段，并查找最大的一段作為裂縫線寬。

該程序運行的界面效果如圖10所示。

圖1 算法流程

圖10 裂縫測量示意圖

識別出的輪廓圖（b）用紅色進行填充，（c）是本文測量出的最大長度圖，而（d）是測量出的最大寬度圖。本文使用不同顏色進行區分，使得輪廓信息、長度信息、寬度信息更加直觀。

3 結語

本文以YOLOV3為檢測模塊結合裂縫識別、提取、測量等相關工作，構建了基于視覺的隧道裂縫檢測技術研究系統，并在實際應用中得到了驗證，從結果來看可以得到以下結論：

（1）通過YOLOV3作為檢測模塊，并分段進行標記，能極大的利用裂縫的正樣本，使得YO?LOV3的檢測結果相對于傳統標定結果更為準確。

（2）本文系統再實際項目中得到應用，并實際的解決了人工進行隧道檢測不能長期監視的一些相關問題，具有極大的實用意義。