基于機器視覺的混凝土裂縫圖像分割算法研究

漆 綺，王 睿，雷 悅，譚吉淞

(四川師范大學 工學院，四川 成都 610068)

0 前 言

混凝土是常用的建筑材料，限于其本身的特性、施工過程的不確定性和使用環境的復雜性等，多數混凝土結構在服役過程中為帶裂紋工作。混凝土裂縫檢測多以人工檢測和輔助儀器檢測為主，其成本高、精度低、危險性大等缺點日漸明顯。為準確快速地分析，基于機器視覺的檢測系統得到了應用，其關鍵在于從復雜的圖像中準確提取有效病害信息，即對背景和裂縫進行分割，實現高效率、高精度的病害檢測。

圖像分割是在考慮灰度及其分布情況、幾何形狀的基礎上將圖像分為不同區域,使同區域表現出相似性，不同區域間的特征差異明顯。現已存在多種圖像分割算法，不同算法的適應性不同。因此，本文總結了具有代表性的傳統分割算法及其優缺點，收集了基于傳統改進的新方法及其針對性。最后提出思考問題，希望對未來研究提供思路。

1 閾值化分割

閾值化分割的原理是將圖像按照不同像素灰度劃分為不同的區域，具有算法簡單、計算便捷和結果穩定等優點，因而成為傳統分割方法中應用最廣泛的技術。

1)最大類間方差法(OTSU)：基于最小二乘法原理，使得分割后的目標區域與背景區域方差最大。該方法簡單易懂，能較好地處理與背景顏色相近的細微裂縫[1]，但其分割效果會明顯受制于像素灰度值的分布情況。

2)迭代法：選擇一個估計閾值作為初始值，根據迭代規則不斷更換，直到找出最優閾值。該方法能較好地處理背景灰度分布不均的圖像[1]，關鍵在于迭代規則能否快速收斂以及每次產生的效果圖較上次是否改進。

3)最小誤差法：通過最小誤差準則函數選取最佳閾值，對圖像進行二值化處理[2]。前提是假設圖像灰度分布服從混合正態分布，適用于灰度直方圖接近正態分布概率密度曲線的圖像。

4)最大熵閾值分割法：計算不同分割情況的圖像總熵，選擇最大熵對應的分割效果。熵表示像素分布的均勻程度，分布越均勻熵值越大。該方法易受噪點的干擾，對模糊圖像處理表現出很強的不適用性，失真現象嚴重[1]。

5)直方圖閾值分割法：對圖像灰度分布進行直方圖統計，并獲取閾值，當存在多個峰值時，選擇的閾值個數也相應增加。該方法簡單易操作，閾值范圍明確，峰值相差較近時分割效果較好，相差較大或者存在較大噪聲致使閾值獲取錯誤，效果就會變差。

由上述可知，算法都有一定的局限性，隨著信息化技術的發展，學者們基于傳統算法進行了綜合改進和運用[4-5]：①平滑直方圖加權Otsu法：在小目標圖像的處理中具有更好的分割效果；②梯度加權Otsu法：在背景單一并且噪音較少的圖像中能實現較好分割；③二維交叉熵閾值分割法：圖像和背景的方差相差較大時適用；④二維直線型交叉熵閾值分割法：相較一維對含噪聲的分割效果更好；⑤加權模糊能量閾值法：相較于模糊能量的閾值法能增強其分割效果；⑥最小平方粗糙熵閾值分割法：目標函數的意義更為明確。

2 邊緣檢測

邊緣檢測的原理是對圖像像素的突變點進行選擇和標識，得到目標區域輪廓。如果圖像中能準確定位邊界點，那么對應的實際對象就能被檢測。大量算子被運用于邊緣檢測技術中，如表1所示。

3 其他方法

3.1 基于卷積神經網絡的分割方法

周建行[7]對基于深度學習圖像分割領域的三個代表性模型做出了詳細闡述：①FCN全卷積網絡模型：該模型可以類別信息，給出具體的位置信息，改進的FCN-8s網絡分割效果最好，但未考慮像素之間的空間關聯關系，分割結果不夠精細；②空洞卷積的DeepLab網絡模型：有效解決了保持感受野和保護圖像尺寸間相互矛盾的問題，其中DeepLabv1和DeepLabv2的網絡模型使用條件隨機場來增強對圖像細節的分割處理，DeepLabv3通過改進空間金字塔池化層改進結果，DeepLabv3+使模型整體在圖像語義分割邊緣部分取得了良好的結果；③U-Net網絡模型：僅需要少量的訓練樣本就能取得很好的分割效果，被廣泛應用于語義分割的各個方向。

此外，Islam等[8]提出了基于機器視覺的深度卷積神經網絡(DCNN)自主裂紋檢測方法，在查準率、查全率、精準率、召回率等方面得到較大提高。Pang等[9]針對混凝土大壩表面圖像亮度不平衡嚴重、噪聲大的問題，提出了一種基于快速R-CNN和K-均值的兩階段裂紋分割方法，用更快的R-CNN對裂紋區域進行定位，然后采用K均值聚類算法對裂紋區域中的裂紋像素進行識別，有效避免了噪聲干擾，提高裂紋定位精度。

3.2 基于語義分割網絡的分割方法

Weng等[10]在改進CS技術(壓縮感知)的基礎上，提出了一種壓縮裂紋圖像自動分割的恢復框架。通過訓練一個語義分割模型來從解壓縮圖像中提取裂縫信息，該模型可能無法重建原始圖像的背景，但仍然可以成功恢復裂縫的整體形狀和厚度，比成熟的CS方法具有更高的壓縮率和對信號噪聲更高的魯棒性。

表1 邊緣檢測算法的各種檢測[3,6]

ZHANG等[11]提出了一種CNN-to-FCN無損語義分割方法來解決以往方法在高分辨率圖像中會產生較大比例的分布混亂的假裂紋預測這一問題。充分利用了背景斑塊和大規模背景識別，極大避免了高分辨率圖像中虛假裂紋預測的較高比例及其雜亂分布；在放大相機幀時能保證較高清晰度，這對空間較大、裂縫寬度較小、不易發現的壩體混凝土裂縫是有利的；同時可以在圖像中裂紋斑塊比例較低的情況下減少預測時間，更適合工程應用。

DONG等[12]提出了一種基于補丁的弱監督語義分割網絡用于裂紋檢測，解決了現有的語義分割方法耗時較長這一問題。充分考慮了裂紋圖像中復雜的拓撲結構和局部相似的特征，可以靈活地應用于不同尺寸的圖像；彌補了注釋不完整造成的不準確性，降低了標注成本和數據處理的難度；在不丟失裂縫空間位置信息的前提下，顯著降低了圖像的復雜度，平衡了注釋工作負載和性能之間的關系。

3.3 其他改進分割方法

Henrique等[13]提出了一種新的裂紋分割算法，是將直方圖閾值分割算法與迭代法相結合，很大程度上保證裂縫的完整性。改進之處在于能夠跟蹤包含多條細裂紋或呈長線性擴展的復雜裂紋，即使裂紋斷裂，也能較為準確地進行識別和標記，最終為每個已識別的裂紋指定一個類型分類。

HAO等[14]提出了一種改進的兩階段神經元分割模型用于裂紋分割。彌補了傳統函數存在的局部結構不連續性問題；解決了存在次優點集時會導致分割精度下降的問題；實現了無需人工干預的自動定向區域增長，通過迭代輪廓演化實現了有效、完整的裂紋分割。

KADDAH等[15]重點對MPS算法進行改進，提出了基于優化最小路徑選擇OMPS(Optimized Minimal Path Selection)的二維路面裂縫自動無監督分割方法。可以保證在不降低整體分割的基礎上，大大減少最短路徑的計算量，在降低誤報率和不損失性能的基礎上最大限度地減少計算時間。

4 總結反思

隨著計算機科學的不斷發展，圖像分割技術也經歷著從量到質的轉變。本文從閾值分割、邊緣檢測和其他方法三大板塊進行了綜述，遺漏之處敬請補充。算法繁多，如何高效利用并解決實際問題，引發我們的思考：①傳統方法簡單易行但分割效果不佳，改進算法效果提高但冗雜；②改進能否取兩種或兩種以上方法的優點進行結合，形成階段性分析模型；③未來能否實現對算法進行分類，以便根據不同裂縫的情況和設想的分割效果進行選擇；④多數新算法只進行了部分改進，但我們會發現改進某一問題女可能會對其他方面造成不利影響，如何平衡各個評價指標之間的精準度，使整個分析系統達到最優化，仍待解決；⑤隨著科技的飛躍發展以及人工智能的迅速普及，能否將前沿高新科技與實際工程問題更好地結合，實現一對一精準分析，并做出決策，仍需要深入的研究和探討。

[ID:013561]