基于圖像結構信息的隧道襯砌裂縫實時快速識別

王平讓， 黃宏偉， 薛亞東

(1.鄭州航空工業管理學院土木建筑學院， 鄭州 450046； 2. 同濟大學地下建筑與工程系， 上海 200092)

裂縫是隧道襯砌的常見病害，隧道出現裂縫后會破壞襯砌的穩定性，影響隧道的正常使用。基于圖像處理的裂縫檢測技術克服了人工測量方法存在的效率低等缺點，能夠自動識別并獲取裂縫特征參數，目前在病害檢測中已得到了成功應用。

唐錢龍等[1]針對隧道滲水、污漬、剝落等區域對隧道裂縫識別的影響，研究了基于圖像自適應分塊下結合閾值和邊緣信息的裂縫分割算法，取得了較好的效果；石鈺鋒等[2]從圖像預處理、邊緣檢測、裂縫特征區域干擾點去除、裂縫連接及特征統計方面進行算法分析，研究了隧道襯砌裂縫的精細化識別及評價；李梓豪等[3]在裂縫識別中融入優化的Cascade區域卷積神經網絡(region-convolutional neural networks，Cascade R-CNN)算法，在有監督情況下訓練裂縫樣本，實現了隧道裂縫病害的智能識別和高效提取；張振海等[4]對圖像進行增強處理后，采用高斯-快速中值濾波去除噪聲，最后采用二次改進的Otsu方法對圖像進行分割得到裂縫二值圖像；曹繼飛等[5]針對碳酸鹽巖裂縫，基于主成分分析法，得出裂縫表征綜合量化值，實現了對裂縫的定量化識別；段明義等[6]提出了K-means與高斯混合模型相結合的橋梁裂縫圖像分割方法，得到了比使用傳統K-means算法和普通高斯混合模型(Gaussian mixture model，GMM)分割方法精度更高、穩定性更好的識別結果；譚衛雄等[7]利用改進的人工蜂群算法優化反向傳播(back propagation，BP)神經網絡的權值與閾值，建立了路面裂縫識別算法；譚小剛等[8]提出了基于小尺度分形維數的裂縫圖像分割方法，能夠對裂縫的不規則特征進行分割；韓錕等[9]基于多特征濾波方法及支持向量機(support vector machine，SVM)分類法完成裂縫識別后，采用基于像素灰度與梯度特征的種子生長方法提取裂縫特征，提出了路面裂縫檢測方法；盧印舉等[10]提出了一個利用全局K-means和高斯混合模型對公路路面裂縫圖像進行分割的方法，其識別精度和穩定性均優于傳統的圖像分割方法。

深度學習在結構病害識別和檢測領域也得到了較多研究和應用，取得了一定的研究成果。Kim等[11]采用深度學習層次卷積神經網絡對混凝土裂縫進行自動識別，提高了裂縫的識別效率和檢測精度；Teng等[12]研究了基于YOLO_v2神經網絡結構的混凝土裂縫圖像自動識別方法，該方法對長大裂縫的識別效果較好，但對細微裂縫的識別準確率較低；Protopapadakis等[13]提出了融合深度卷積神經網絡和啟發式圖像后處理技術的隧道裂縫自動識別方法，取得了較好的裂縫檢測效果；Kim等[14]將淺層卷積神經網絡應用于隧道襯砌裂縫的自動識別，對圖像是否包含裂縫進行二值分類，但對細微裂縫則不易識別；Huang等[15]研究了基于深度學習中全卷積網絡的地鐵盾構隧道管片裂縫識別方法，識別效果優于傳統的裂縫識別方法；Kim等[16]采用二維卷積人工神經網絡對裂縫進行分類，實現了混凝土結構裂縫的自動識別。

國內學者在裂縫的深度學習識別方面也做了較多研究，如雷斯達等[17]提出了基于深度學習的多場景條件下混凝土裂縫識別方法；楊杰文等[18]建立了一種結合U-Net和Haar-like算法的復雜背景下橋梁裂縫深度學習識別方法；高慶飛等[19]研究了基于卷積神經網絡的混凝土橋梁裂縫識別與定位技術；柴雪松等[20]提出了基于深度卷積神經網絡深度學習的隧道襯砌裂縫識別方法；劉新根等[21]研究了基于特征提取、區域分類與區域分割三級聯神經網絡的隧道襯砌裂縫識別方法，裂縫識別精度均優于全卷積網絡(full convolution network，FCN)和U-Net網絡；孫朝云等[22]建立了基于深度卷積神經網絡融合模型的路面裂縫識別方法；侯越等[23]提出了基于卷積自編碼的瀝青路面目標與裂縫智能識別方法；陳健昌等[24]將原始路面圖像切割為小樣本圖像并進行分類后，構建圖像數據集，采用深度學習神經網絡對路面裂縫進行智能化識別和特征提取，取得了良好的裂縫識別精度和效率；許穎等[25]針對鋼筋混凝土結構銹蝕裂縫，利用TensorFlow學習框架和Python構建神經網絡模型，提出了基于深度學習卷積神經網絡的裂縫識別方法，取得了較高的準確率；劉奇等[26]提出了一套基于轉置卷積神經網絡層間特征融合的三階段路面裂縫提取算法，提高了裂縫識別效率。深度學習識別方法運算速度快、效率高，但需要龐大的樣本集才能取得良好的效果，樣本集的大小對識別準確率有較大影響。

隨著隧道病害車載自動檢測系統的研制和應用，為提高檢測效率，在檢測系統采集圖像過程中實時進行裂縫的識別就顯得尤為重要。由于圖像的采集和存儲時間非常短，要在圖像的采集和存儲過程中實時完成裂縫的識別，對識別方法的運算速度要求非常高。目前傳統的裂縫圖像識別方法主要集中在裂縫的特征提取方面，進行裂縫特征提取時算法的計算量較大，計算機運行時間較長，因此存在運行速度慢、效率低等缺點，還不能完全適用于裂縫的實時快速識別，難以在圖像采集過程中實時對圖像是否包含裂縫進行判斷。因此，現將圖像結構信息用圖像的亮度信息、對比度信息和結構元素掩碼來表示，提出基于圖像結構信息的隧道襯砌裂縫實時快速識別方法，在圖像采集過程中實時快速識別裂縫，自動判斷圖像是否包含裂縫，提高隧道病害的檢測效率，特別適用于隧道病害車載自動檢測系統。

1 裂縫統計和圖像特征

對浙江省金麗溫、諸永等高速公路的29座運營隧道的襯砌裂縫病害進行了現場調查，具體統計結果如表1所示。

隧道襯砌裂縫按走向可分為縱向、斜向和環向裂縫，按分布位置可分為拱頂、拱腰和邊墻裂縫。表1主要按照裂縫位置、裂縫走向、裂縫寬度和裂縫長度進行分類統計。由表1可知，拱腰裂縫占比最大，達46.6%；裂縫走向主要為縱向裂縫，占比為55.4%；裂縫寬度主要分布在0.3～2 mm，占比為84.9%；長度小于10 m的裂縫占比為92.8%。調查的部分裂縫形態如圖1所示，每幅圖像數據大小為4 096 Pixel×4 096 Pixel，對應的實際隧道襯砌區域大小為1 m×1 m，圖像分辨率為0.24 mm/Pixel。

圖1 隧道襯砌裂縫形態

表1 隧道襯砌裂縫統計結果

繪制沿裂縫寬度方向的圖像像素灰度值剖面，可得到裂縫圖像的像素灰度分布特征，如圖2所示。可以看出裂縫的典型圖像特征：沿裂縫寬度方向的像素灰度分布呈波谷狀；裂縫區域的像素灰度值連續且低于非裂縫區域的像素灰度值；沿裂縫寬度方向的像素數目遠小于沿裂縫長度方向的像素數目。

圖2 沿裂縫寬度方向的圖像灰度分布

2 實時快速識別方法

2.1 實現方法

假設x和y分別表示采集的當前圖像和樣本圖像的像素灰度值集合，分別用公式表示為：x={xi|i=1,2,…,N}和y={yi|i=1,2,…,N}，其中N表示一幅圖像的像素。由于圖像信號是高度結構化的，采集的當前圖像x和樣本圖像y之間的亮度信息L(x,y)和對比度信息C(x,y)[27]分別用公式表示為

(1)

(2)

式中：μx和μy分別為當前圖像x和樣本圖像y的像素灰度均值；σx和σy分別為當前圖像x和樣本圖像y的像素灰度標準差，用公式表示為

(3)

(4)

亮度信息L表示采集的當前圖像和樣本圖像之間的亮度相似程度，其值位于0～1，當且僅當μx=μy時，L=1。對比度信息C表示采集的當前圖像和樣本圖像之間的對比度相似程度，其值也位于0～1，當且僅當σx=σy時，C=1。如果亮度信息L和對比度信息C均接近于1，則表示當前圖像與樣本圖像之間有最大的相似程度。

結構信息S采用水平、垂直和傾斜方向的結構元素掩碼分別表示縱向、環向和斜向裂縫結構信息，每個結構元素掩碼大小為5 Pixel×5 Pixel，將采集的當前圖像與結構元素掩碼進行卷積運算后，可得到濾波后的圖像，具體用公式表示為

(5)

式(5)中：R(m,n)為進行卷積濾波后的圖像；I(m-i,n-j)為當前圖像，m和n為像素坐標；S(i,j)為不同方向的結構元素掩碼[28]，分別表示為

(6)

(7)

(8)

(9)

式(6)和式(7)分別表示垂直和水平方向的結構元素掩碼，代表環向裂縫和縱向裂縫的結構信息；式(8)和式(9)分別表示傾斜方向的結構元素掩碼，代表斜向裂縫的結構信息。對于M幅樣本圖像，綜合考慮亮度信息L、對比度信息C和結構信息S的圖像結構信息因子Q可用公式表示為

(10)

在進行裂縫實時快速識別時，選擇有代表性的M幅襯砌圖像作為樣本圖像，通過計算采集的當前襯砌圖像與樣本圖像之間的結構信息因子Q，判斷采集的當前圖像是否與樣本圖像接近，從而實時識別出當前圖像是否包含裂縫。由式(10)可知，圖像結構信息因子Q位于0～1，Q越大，采集的當前圖像接近于樣本圖像的可能性就越大；反之采集的當前圖像接近于樣本圖像的可能性就越小。如果圖像結構信息因子Q大于預先設定的識別閾值T，則認為當前圖像與樣本圖像接近。

圖3是針對快速識別方法所選取的部分隧道襯砌樣本圖像，每幅圖像數據大小為4 096 Pixel×4 096 Pixel，對應的實際隧道襯砌區域大小為1 m×1 m，圖像分辨率為0.24 mm/Pixel。樣本圖像庫包含了縱向、環向、斜向及龜裂、網狀等各種不同的裂縫形態，裂縫寬度分布在0.2～3 mm。圖4是提出的隧道襯砌裂縫實時快速識別方法流程圖。

圖3 實時快速識別方法樣本圖像

圖4 實時快速識別方法流程

由圖4可以看出，在進行裂縫的實時快速識別時，首先根據式(5)對采集的當前圖像進行卷積濾波運算，隨后根據式(3)和式(4)計算當前圖像與樣本圖像之間的灰度均值和標準差，并根據式(1)和式(2)計算當前圖像與樣本圖像之間的亮度信息和對比度信息，最后根據式(10)計算當前圖像與樣本圖像之間的結構信息因子Q。如果圖像結構信息因子Q大于最佳識別閾值T，則認為當前圖像包含裂縫，并實時保存；否則，認為當前圖像不包含裂縫，并剔除，從而完成當前圖像的實時快速識別，并開始下一幅圖像的采集和識別。

2.2 最佳參數估計

識別閾值直接影響裂縫的識別效果，最佳識別閾值應同時具有較高的靈敏度和特異度。接受者操作特征(receiver operating characteristics，ROC)曲線[29]可以反映靈敏度和特異度連續變量之間的相互關系，通過將連續變量設定為多個不同的閾值，計算出一系列的靈敏度和特異度，并繪制成曲線。

由于隧道襯砌圖像存在噪聲，識別時會出現將非裂縫圖像識別為裂縫圖像(假陽性)或將裂縫圖像識別為非裂縫圖像(假陰性)的情況，ROC曲線可以反映隨識別閾值的改變而動態變化的靈敏度與特異度之間的關系曲線。

表2是ROC曲線的混淆矩陣，表中N表示識別的總圖像數量。將ROC曲線應用到實時快速識別方法，其真陽性(TP)、假陽性(FP)、假陰性(FN)、真陰性(TN)分別表示該方法將“裂縫圖像”識別為“裂縫圖像”“非裂縫圖像”識別為“裂縫圖像”“裂縫圖像”識別為“非裂縫圖像”“非裂縫圖像”識別為“非裂縫圖像”的圖像數量。

表2 ROC曲線的混淆矩陣

真陽性率(TPR)即靈敏度(sensitivity,Sen)和真陰性率(TNR)即特異度(specificity,Spe)分別表示為

(11)

(12)

假陰性率(FNR)和假陽性率(FPR)分別表示為

(13)

(14)

總的準確率(AR)用公式表示為

(15)

真陽性率和假陽性率與識別閾值密切相關，不同的閾值會得到不同的靈敏度和(1-特異度)。選取了浙江省金麗溫、諸永等高速公路部分運營隧道的1 200幅襯砌圖像進行分析，其中600幅圖像包含裂縫，另外600幅圖像不包含裂縫，裂縫形態包括縱向、環向、斜向及龜裂等各種不同形式，裂縫寬度分布在0.2～3 mm，每幅圖像數據大小為4 096 Pixel×4 096 Pixel，對應的實際隧道襯砌區域大小為1 m×1 m，圖像分辨率為0.24 mm/Pixel，樣本庫圖像數目取M=128。進行識別分析后，可繪制出識別閾值與靈敏度、識別閾值與(1-特異度)之間的ROC曲線，如圖5和圖6所示。

由圖5和圖6可以看出，隨著識別閾值的不斷增大，靈敏度和(1-特異度)指標均同時減小，即真陽性率和假陽性率同時減小。最佳閾值應使靈敏度取得較大值，同時使(1-特異度)取得較小值。根據圖5和圖6可選擇位于0.90～0.92的數值作為識別算法的最佳閾值，此時相應的靈敏度和(1-特異度)指標變化范圍分別為0.836～0.802和0.036～0.022，識別效果良好。

圖5 閾值與靈敏度之間的ROC曲線

圖6 閾值與(1-特異度)之間的ROC曲線

3 現場實驗及分析

3.1 現場實驗過程

為了驗證實時快速識別方法的有效性，采用自主研制的隧道襯砌病害車載檢測系統對某隧道進行了現場實驗，如圖7所示，該檢測系統主要由圖像采集與實時快速識別、光源照明、定位控制和圖像處理等模塊組成，裂縫實時快速識別在圖像采集與實時快速識別模塊進行，裂縫特征提取則在圖像處理模塊進行。

圖7 自主研制的隧道襯砌病害自動檢測系統

圖8是自主開發的圖像采集與實時快速識別軟件界面。檢測過程中，啟動該軟件可實現圖像的實時采集，采集過程中可實時快速識別當前圖像是否包含裂縫，并實時保存，同時剔除非裂縫圖像，以減少后期的裂縫特征提取工作量，提高隧道病害的檢測效率。

圖8 圖像采集與實時快速識別軟件界面

3.2 實驗結果

現場實驗時采用的計算機CPU為Dual Core 2.6 GHz，內存為2.0 GB，在圖像采集過程中對每幅圖像是否包含裂縫進行實時快速識別，算法的運行時間均小于0.01 s，遠小于圖像的采集和存儲時間，可滿足裂縫的實時快速識別要求，可以把實時識別后的裂縫圖像實時保存至圖像存儲設備。本次現場實驗共采集了1 020幅隧道襯砌圖像，包含縱向裂縫、環向裂縫、斜向裂縫、龜裂及同時存在滲漏水的裂縫、寬度小于0.2 mm的細微裂縫等。部分現場實驗結果如表3所示。

表3 實時快速識別實驗結果

現場實驗的1 020幅圖像中，有26幅包含裂縫的圖像識別結果為不包含裂縫，即假陰性(FN)；有32幅不包含裂縫的圖像識別結果為包含裂縫，即假陽性(FP)；有424幅包含裂縫的圖像識別結果仍然為包含裂縫，即真陽性(TP)；有538幅不包含裂縫的圖像識別結果仍然為不包含裂縫，即真陰性(TN)。現場實驗結果的總準確率可以根據式(15)進行計算，總準確率為94.3%，識別效果良好，可以滿足隧道檢測要求。

圖9是包含細微裂縫和滲漏水的隧道襯砌圖像，圖中每幅圖像數據大小為4 096 Pixel×4 096 Pixel，對應的實際隧道襯砌區域大小為1 m×1 m，圖像分辨率為0.24 mm/Pixel，對此類圖像進行識別時會出現假陰性(FN)或假陽性(FP)情況。

圖9 包含細微裂縫和滲漏水的襯砌圖像

分析部分識別結果出現假陰性(FN)的原因在于部分襯砌裂縫非常細微，裂縫寬度很小(小于0.2 mm)或與周圍背景之間的對比度很低，導致圖像中的裂縫像素數目相對較少，從而誤將裂縫圖像識別為非裂縫圖像，如圖9(a)所示；部分識別結果出現假陽性(FP)是由于隧道襯砌存在滲漏水或污漬，導致圖像中滲漏水或污漬位置像素誤被識別為裂縫像素，從而誤將非裂縫圖像識別為裂縫圖像，如圖9(b)所示。

4 結論

針對傳統的裂縫圖像識別方法存在運行速度慢、效率低等缺點，提出基于圖像結構信息的隧道襯砌裂縫實時快速識別方法，得出如下結論。

(1) 圖像結構信息用圖像的亮度信息、對比度信息和結構元素掩碼來表示，通過計算圖像結構信息因子識別裂縫，算法運行時間小于0.01 s，完全適用于隧道襯砌裂縫的實時快速檢測。

(2) 識別算法的閾值直接影響實時快速識別效果，當最佳閾值位于0.90～0.92時，算法的靈敏度和(1-特異度)指標的變化范圍分別為0.802～0.836和0.022～0.036，算法的實時快速識別效果最佳。

(3) 采用自主研制的車載自動檢測系統進行了算法的實時快速識別現場實驗，總的識別準確率達94.3%，完全滿足隧道襯砌裂縫的實時快速檢測要求。

(4) 對包含細微裂縫和滲漏水或污漬的襯砌圖像，噪聲會對裂縫識別產生干擾，導致將裂縫圖像誤識別為非裂縫圖像或將非裂縫圖像誤識別為裂縫圖像，對此仍需做進一步的深入研究。