基于数字图像处理的铁路桥梁裂缝检测技术

姜会增

（中国铁道科学研究院标准计量研究所，北京　100081）

基于数字图像处理的铁路桥梁裂缝检测技术

姜会增

（中国铁道科学研究院标准计量研究所，北京100081）

摘要通过铁路桥梁表面裂缝检测能够有效评估混凝土桥梁结构的安全性。为了从复杂场景的混凝土表面图像中提取出裂缝，本文提出了一种稳定的裂缝自动检测方法。首先，将灰度图像与其高斯低通滤波后的图像作差，提取图像中的高频成分。然后，提取图像中各点的方向，利用其方向上的像素动态选取二值化阈值进行图像分割。最后，对二值化的图像利用启发式规则来滤除非裂缝成分，用裂缝片段间的空间关系进一步筛选裂缝成分。试验结果表明该方法能有效、准确地检测出裂缝。以此为基础开发了裂缝检测系统，可对裂缝进行自动化检测。

关键词铁路桥梁；裂缝检测；数字图像处理；方向二值化

在铁路混凝土桥梁的养护中，裂缝检测是混凝土结构重要的检查和诊断方法。通常混凝土表面裂缝可以用来评估混凝土结构的承载能力、水密性和使用年限［1］。在铁路桥梁静载弯曲试验中，梁底裂缝的检测由人工来完成。人工视觉检测依赖于操作者的经验、技能水平，耗时长、安全性低，检测效果很难客观地评价。混凝土表面图像裂缝自动检测在无损检测中非常有效。梁体裂缝的定期检测还可以用来评估混凝土桥梁结构的安全性和可靠性，防止发生事故［2-3］。随着图像采集及识别技术的发展，采用高清相机对桥梁的待检测区域进行拍照，并用图像处理算法对图像进行处理从而提取裂缝，成为铁路桥梁静载弯曲试验中梁底裂缝自动识别的新方法。

在近几年的裂缝图像识别算法中，文献［4］利用原图与中值滤波的差值图像来移除图像中的阴影，然后利用黑森矩阵构造多尺度线性滤波器剔除斑块、污点，通过概率松弛法滤除噪声，最后使用自适应阈值分割裂缝。文献［5］利用图像增强、图像分割和启发式规则从复杂环境中提取裂缝。文献［6］利用渗滤图像处理算法来进行大尺寸图像的快速裂缝识别。文献［7］通过各种启发式规则来筛选裂缝，并通过裂缝成分的最小外包矩形的相互关系来剔除非裂缝成分。在分析已有图像处理算法的基础上，本文提出采用自适应阈值的基于裂缝方向分布的局部二值化算法进行裂缝识别。

1　裂缝图像分析

人工观察裂缝凭借的是裂缝与周围环境的颜色差异和经验。通过数字相机采集的图像识别裂缝，依据的是每一像素点的像素值，其值在0～255。

图1（a）为铁路桥梁的裂缝图像，通过裂缝观测仪测量其宽度为0. 03～0. 04 mm。其中①～③处的裂缝依次对应于图1（b）左上、左下和右图的细节放大图像。图1（c）给出了裂缝片段①和②周围像素值的分布。可知：2条曲线的变化趋势是一致的，中心像素值最小；由裂缝中心到两侧无裂缝区域，像素值逐渐增大，直至趋于动态平衡。不同的是，裂缝片段①，②的最小像素值分别为44，29；裂缝片段①，②周围像素值均值分别为63，60。因此，裂缝检测需要观测某点像素值与周围像素值的差异，而不能通过单一阈值直接进行阈值分割。

裂缝在图像中可能由多个线段组合而成。如图1（b）中裂缝片段③所示，1条裂缝往往会分成几段。除此之外，铁路桥梁表面的裂缝还存在表皮脱落，表面不平整、污斑、划痕等（如图2所示）。这给裂缝检测增加了难度。

2　裂缝检测算法

从采集到的桥梁底部图像中检测到裂缝成分，需要将图像进行二值化处理，这属于图像分割的范畴。图像二值化的关键是确定阈值。如果能确定一个合适的阈值就可准确地将目标分割开来。由于裂缝所处的复杂背景，全局阈值的二值化处理很难将目标全部提取出来。通过对多幅裂缝图像的分析，同时考虑到裂缝的纹理分布特性，排除杂散点、团块的干扰，本文提出一种基于裂缝方向分布的局部二值化的裂缝检测算法。算法流程见图3。

图1　裂缝图像分析过程

图2　混凝土桥梁表面示例

图3　裂缝检测算法流程

2. 1预处理及高频成分提取

将采集到的图像进行灰度化预处理得到单通道图像。为了排除混凝土桥梁表面污渍、渐变的凸起、坑洼造成的干扰，在图像二值化操作前先提取图像的高频成分。提取过程如下：①通过高斯低通滤波得到1个基准图像。高斯低通滤波是利用某像素点邻域像素的加权平均所得，是一种考虑邻域像素影响的低通滤波方法。考虑到裂缝的尺寸，高斯核的尺寸不应过小，以免裂缝成分无法提取。②将原图与基准图像作差，每点的像素值取差值的绝对值。图4中从上到下依次为原图、基准图、高频成分图像（为使显示清晰，对高频成分图像稍作了处理）。

图4　原图、基准图与高频成分图像

2. 2方向信息提取

为了得到图像中各点的方向信息，首先需要得到x，y方向的梯度值。梯度值∂x（u，v）和∂y（u，v）的获取采用了Sobel算子。为了使每个像素点的方向信息尽可能准确，采用了局部区域像素作为参考来进行计算。在一像素点I（i，j）内，以该点为中心选取高度h、宽度w的矩形区域，计算该点x，y方向梯度值的平均值Vx（i，j），Vy（i，j）。计算式为

式中：（i，j）为矩形块的中心点；u，v分别为沿x，y方向的自变量。

每个点的相位θ（i，j）的计算式为

θ（i，j）的空间方向正交于所选h×w窗口内傅里叶频谱的主方向［8］。

由于噪声、桥梁表面杂质等可能造成计算的方向出现偏差，采用高斯低通滤波来减少这种影响，即用某像素点邻域内的方向的加权平均来替代该点的方向。这样即使裂缝出现分段的情况，对断点处的像素仍可计算其方向。

2. 3结合方向的局部二值化

动态阈值的局部二值化方法以Niblack方法为基础，对其进行了改进。将Niblack二值化方法与图像中各点的相位相结合的算法为

式中：tanθ为直线斜率；j - itanθ为直线方程的截距。

对点（i，j）首先根据其相位和坐标求出通过该点的直线方程。根据直线方程可得图像上通过该直线的若干点，如图5所示。

图5　图像中经过某点的直线

取该直线的上半平面、下半平面各N个点，计算该直线上2N + 1个点的均值m（x，y）与方差s（x，y）。计算式为

传统的Niblack方法是以目标点为中心，选取一矩形区域，通过矩形区域内的均值与标准差来判定该点的像素值。在改进的二值化算法中，在目标点上取该点相位直线上的像素作为参考，以该直线作为模板，得到的阈值T（x，y）为

式中，k为修正系数，通常据工程需要取值。

得到目标像素的判定阈值后，便可对该点的像素值I（x，y）进行判定，计算式为

经过以上计算后，便得到裂缝图像（图6（a））的方向二值化图像（图6（b））。

图6　某裂缝的原图像与二值化图像

2. 4裂缝成分筛选

为了弥合狭窄的缺口，首先采用数学形态学闭运算平滑二值化图像。但是图像存在很多杂散的点、线、团块。为了滤除这些成分，首先采用启发式规则进行限制，如目标外包矩形纵横比限制、长度限制、面积限制等，对杂点（线、团块）加以过滤，筛选出狭长的成分，见图7（a）。然后通过裂缝间的邻接关系，剔除孤立的非裂缝成分。求出检测到各线段的最小外包矩形，并将其扩展。按照相邻矩形框的角度关系、邻接关系和包含关系来判断某一片段是否为裂缝上的成分，从而筛选出所需的裂缝成分（图7（a）中矩形框包围的部分）。最后在原图中标注出裂缝成分以便观察，见图7（b）。

图7　裂缝检测处理过程

3　裂缝检测系统

裂缝检测系统采用高清面阵相机在特定的机械装置上往复运动，对梁体下表面关键区域进行扫描，采集图像，运用图像处理算法检测裂缝。系统主要由图像采集单元、走行机构单元和图像处理单元组成，见图8。

图8　裂缝检测系统的组成

在静载弯曲试验过程中，第1加载循环的1. 00级持荷阶段和第2加载循环的1. 20级持荷阶段，需要对梁体下缘底面和下缘侧面进行裂缝检测［9］。走行机构单元搭载图像采集单元，通过脉冲计数发送图像采集触发信号，对梁体关键区域进行扫描，将扫描图像及图像的空间坐标传输至图像处理单元，检测裂缝并提取该幅图像的空间坐标。图像处理单元将检测到的裂缝坐标传输到走行机构单元进行自动定位，由人工对该处裂缝进行复核。在裂缝检测过程中，为保证检测结果的实时性、准确性，裂缝检测算法成为整个流程中的核心单元。

4　试验结果与分析

试验数据为石济客专桥梁的图像。采集到的图像场景较为复杂，存在各种干扰（参见图2）。裂缝观测仪测得裂缝的宽度大部分集中于0. 03～0. 07 mm。这要求采集单元具有很好的稳定性。整条裂缝通常呈现多段分布且每段所处的背景不固定。

为了验证算法的有效性和正确性，共选取4组图像进行试验，每组有1 000幅图像。各组分别有30，35，37，42幅裂缝图像。裂缝检测统计结果见表1。

表1　裂缝检测统计结果

由表1可知，试验的准确率达96. 8％，召回率为88. 2％，证明算法是有效性的，剔除杂散成分的能力很强。误报的图像多是由于模板接缝处、水渍的边缘、脱皮等边缘梯度较为明显的情况所造成的。试验的召回率偏低主要与系统的裂缝分辨能力有关，有的裂缝宽度＜0. 03 mm，其高频特性在图像中极不明显。图9给出了一些检测到的裂缝图像。

图9　检测到的裂缝图像

5　结论

通过裂缝检测系统对铁路桥梁表面裂缝进行识别，对裂缝检测算法进行了验证。检测系统采用自给光源，避免了室外复杂的光照环境的干扰。检测算法通过原图与高斯低通滤波图像的差值图像来提取图像的高频成分，有效抑制了黑斑、脏点造成的干扰。通过提取图像的方向信息，并利用方向对传统的Niblack算法加以改进，使用动态阈值对图像进行二值化处理。用启发式规则对裂缝成分进行筛选，并利用相邻裂缝的空间关系进一步滤除非裂缝成分。试验结果表明该裂缝检测系统是稳定的，裂缝检测算法准确、有效。

宽度更小裂缝的检测以及干扰成分的进一步筛除是一个技术难点。在今后的研究中需要进一步提高算法的检测能力，使其具有更好的适应性。

参考文献

［1］NISHIKAWA T，YOSHIDA J，SUGIYAMA T，et al. Concrete Crack Detection by Multiple Sequential Image Filtering［J］. Computer-aided Civil and Infrastructure Engineering，2012，27 （1）：29-47.

［2］PRASANNA P，DANA K J，GUCUNSKI N，et al. Automated Crack Detection on Concrete Bridges［J］. IEEE Transactions on Automati，2014，13（2）：591-599.

［3］CHEN Z Q，HUTCHINSON T C. Image-based Framework for ConcreteSurfaceCrackMonitoringandQuantification ［J/OL］/ /Advances in Civil Engineering，2010［2015-12-26］. http：/ /www. oalib. com/paper/26490#. V0QXXYKA5Q4.

［4］FUJITA Y，HAMAMOTO Y. A Robust Automatic Crack Detec-tion Method from Noisy Concrete Surfaces［J］. Machine Vision and Applications，2011，22（2）：245-254.

［5］TONG X，GUO J，LING Y，et al. A New Image-based Method for Concrete Bridge Bottom Crack Detection［C］/ /Image Analysis and Signal Processing（IASP），2011 International Conference. NY，USA：IEEE，2011：568-571.

［6］YAMAGUCHI T，HASHIMOTO S. Fast Crack Detection Method for Large-size Concrete Surface Images Using Percolation-based Image Processing［J］. Machine Vision and Applications，2010，21（5）：797-809.

［7］LIU F，XU G，YANG Y，et al. Novel Approach to Pavement Cracking Automatic Detection Based on Segment Extending ［C］/ /Knowledge Acquisition and Modeling. NY，USA：IEEE，2008：610-614.

［8］HONG L，WAN Y，JAIN A. Fingerprint Image Enhancement：Algorithm and Performance Evaluation［J］. Pattern Analysis and Machine Intelligence，1998，20（8）：777-789.

［9］中华人民共和国铁道部. TB/T 2092—2003预应力混凝土铁路桥梁简支梁静载弯曲试验方法及评定标准［S］.北京：中国铁道出版社，2003.

（责任审编李付军）

Railway Bridge Crack Detection Technology Based on Digital Image Processing

JIANG Huizeng
（Standards & Metrology Research Institute，China Academy of Railway Sciences，Beijing 100081，China）

AbstractT he surface crack detection of railway bridge is a vital task for assessing the structural health and reliability of concrete bridges. In order to detect cracks from concrete surface images with complicated background，a robust automatic crack-detection method was proposed. T he first step was a high-frequency component extraction process using the difference between Gaussian low-pass filtered image and grayscale image. Second，the orientation of image was obtained and binary threshold was obtained by dynamic pixels in this direction. Finally，the heuristic rules were used to filter out non-crack components，and spatial relations among the crack fragments were used for further screening of cracks. Experimental results showed that the proposed algorithm could effectively and accurately detect cracks，and the detection was automatic.

Key wordsRailway bridge；Crack detection；Digital image processing；Orientation binarization

中图分类号U446. 2

文献标识码A

DOI：10. 3969 /j. issn. 1003-1995. 2016. 05. 18

文章编号：1003-1995（2016）05-0082-05

收稿日期：2016-01-27；修回日期：2016-03-11

基金项目：中国铁路总公司科技研究开发计划（2015D001-A）

作者简介：姜会增（1971—），男，副研究员，工程硕士。