隧道裂缝自动识别性能影响因素研究*

段中兴， 周 建， 陈 胜， 裴 可

(西安建筑科技大学 信息与控制工程学院，陕西 西安 710055)



隧道裂缝自动识别性能影响因素研究*

段中兴， 周 建， 陈 胜， 裴 可

(西安建筑科技大学 信息与控制工程学院，陕西 西安 710055)

在室内环境下，利用混泥土试验模块，设计一种基于互补金属氧化物半导体(CMOS)传感器件的装置来进行隧道裂缝自动识别试验。将裂缝图像灰度值分布作为衡量自动识别的重要指标，分析有效像素、检测距离、光照强度等因素对自动检测性能的影响。模拟试验结果表明：有效像素和检测距离对图像分布的特征影响不大；有效像素增大，检测距离减小，相应的检测性能增加；光照强度不仅对裂缝图像灰度分布特征影响大，对自动检测性能也有显著的影响，光照强度过高或过低都会影响检测性能。

隧道裂缝； 互补金属氧化物半导体传感器； 自动识别； 检测性能

0 引 言

隧道裂缝检测和识别一直都是我国隧道裂缝治理和维护的一个难题。目前检测裂缝的方法主要有超声波检测法、冲击弹性波检测法、光纤传感检测法以及图像处理检测方法[1，2]。

目前对裂缝装置检测性能的具体实验研究还较为缺乏。针对这一不足之处，本文设计一种基于互补金属氧化物半导体(CMOS)传感器件的裂缝识别检测装置[3]。本文在室内的环境中，选取一块含有裂缝的混凝土模型，模拟不同情况下的隧道检测，分析光照强度、检测的距离、有效像素等因素对隧道裂缝检测的影响规律。该实验分析结果可为我国研究高效的自动检测隧道裂缝车提供参考和理论的依据[4～6]。

1 裂缝检测试验系统设计

1.1 试验设备

要完成通过计算机来进行裂缝的处理和判断，必须对图像采集，LED光源灯可以给足够的光源，利用CMOS传感器件进行图像的采集，而自身的A/D转换功能可以将图像的信息转变成数字信号。再通过处理器将这些信号通过运算来提取隧道裂缝的位置、走向、长度、宽度等特征参数。通过对这些特征值得分析和处理，就可以得到影响裂缝自动检测的因子了，裂缝自动检测的系统图如图1所示。

图1中CMOS传感器件可以以一定的角度旋转。移动支架可以以6 km/h的速度移动，LED光源具有很强的光照强度，且分布均匀。

图1 裂缝自动检测系统图Fig 1 Crack automatic detecting system

1.2 试验模型和工况

在本试验中截取长、宽、高分别为30,20,10 cm的含有裂缝的试验样块，图2区域表示采集的裂缝图像信息，选取长、宽分别为8,8 cm的区域进行裂缝的自动识别的影响因素分析。

图2 试验图像分析区域Fig 2 Test image analysis area

选取了光照强度、检测的距离、检测的速度、有效的像素3种影响因子，总共进行52组试验，每一组试验中有3个试验，选取了其中具有代表性的9组试验数据来分析，具体的试验情况如表1所示。

表1 检测试验工况

1.3 试验步骤

在室内环境下，图3显示了裂缝自动检测的示意图，通过移动支架的移动使得CMOS传感器件移动来采集裂缝的图像信息，利用处理器来提取裂缝的特征值。

图3 试验步骤示意图Fig 3 Test procedure diagram

具体的步骤如下：

1)利用光照度表测量，选取4,6,8 klux三种不同的光照强度，分析不同的光照强度对裂缝检测试验的影响效果。

2)将模块和移动支架之间的距离分别调整为1.0,1.5,2.0 m，并在不同的距离下对裂缝的特征值进行采集，分析不同的距离对裂缝灰度值的影响。

3)将CMOS传感器件的像素分别调到1 024,2 048,4 096 pixel时，并在不同像素的时候对裂缝特征值进行提取。此时模拟在不同像素的情况下的裂缝试验。

2 裂缝特征分析与检测性能评价

2.1 隧道裂缝特征分析[7～11]

1)非负性：裂缝图像具有一个很大的特征——非负特征，图像的灰度值比背景的灰度值低

(1)

k={1,2,…,m×n}

(2)

2)对比度：裂缝图像与非裂缝图像有着很强的对比度C为

(3)

式中 Vb为连续的裂缝区域灰度平均值；Va则表示非裂缝区域的均值，Vmax则表示为最大值，Vmin为最小值；N为邻域非裂缝区域像素个数。

3)灰度共生矩阵:裂缝图像在一定区域内是连续的而且相近，可以将裂缝的这种特征描述相似性分布的共生矩阵特征

(4)

式中 i，j为像素坐标；p(i,j)为一定区域的灰度共生矩阵，若p(i,j)中小的元素接近矩阵主对角线，则表明该窗口中的近邻元素有较大的反差，也就是说存在裂缝。

图像的灰度特征是评价隧道自动检测性能的一个重要指标，灰度的分布对裂缝的提取和检测都有着直接的影响。因而可以利用灰度特征来描述在不同的情况下，影响裂缝自动检测性能的不同影响规律。

2.2 检测性能分析

2.2.1 光照强度

为了检测光照强度对自动检测性能的影响，利用光照度表测量。图4是在1.5m,2048pixel匀速的情况下采集的裂缝图像。

图4 不同光照强度下的裂缝图像Fig 4 Cracks image under different light intensities

由图5可以看出在三种不同的光照强度下波形灰度的最大值分别为127，121，116。而波形灰度的最小值分别为34，23，18。可以得出结论，随着光照强度增强，图像的灰度值也增大，不同的光照强度对像素灰度的特征分布有着很大的影响。

图5 不同光照强度下的像素灰度分布Fig 5 Pixel gray distribution under different light intensities

2.2.2检测距离

检测距离影响CMOS器件的光学分辨率，为了总结模型和移动设备之间距离对自动检测性能的影响，将模块和移动支架之间的距离分别调整为1.0,1.5,2.0 m，并采集此时的裂缝图像信息，图6是在4 klux,2 048 pixel,匀速的情况下采集的裂缝图像。

图6 不同检测距离下的裂缝图像Fig 6 Crack image under different detection distance

由图7可以看出在三种不同的检测距离下波形灰度的最大值分别为122，121，119。而波形灰度的最小值分别为22，21，20。可以得出结论，随着检测距离的增大，图像的灰度值变化不大，几乎没有变化，不同的检测距离对对像素灰度的特征分布的影响作用不大。

图7 不同检测距离下的像素灰度分布Fig 7 Pixel gray distribution under different detection distance

2.2.3 有效像素

有效像素是CMOS传感器件的一个重要参数，它表示光学仪器在光敏区域的参与成像的像素，它对光学仪器的分辨率有着巨大的影响，因此对有效像素的试验分析是非常必要的。图8是在4 klux,1.7 m/s,1.5 m情况下采集的裂缝图像。

图8 不同有效像素下的裂缝图像Fig 8 Cracks image under different effective pixels

由图9可以看出:在3种不同的有效像素下波形灰度的最大值分别为121，120，119。而波形灰度的最小值分别为20，19，18，不同的检测速度对对像素灰度的特征分布影响不大。

图9 不同有效像素下的像素灰度分布Fig 9 Pixel gray distribution under different effective pixels

3 结 论

本文利用在室内进行了隧道裂缝自动识别的实验研究，将裂缝灰度值和测量的相对误差作为评价裂缝自动识别的定量标准。分析了有效像素、检测距离、光照强度等因素对裂缝隧道自动识别的影响规律并得出结论：

1)在裂缝图像沿裂缝宽度方向上的灰度值曲线表明，波谷的显现出来的特征能表明裂缝区域与背景区域的差别，波谷区域特征越是显著，则其余背景的区别越大，对裂缝的自动识别更加有利。

2)光照强度的增加对裂缝像素的分布有着很大的影响，光照强度越大，图像的灰度值也会相应的增大；有效像素，检测距离对裂缝像素的灰度分布影响不大。但是这两个因子也影响裂缝的检测性能，随着有效像素的增大，检测距离的缩短，灰度的分布增大，检测性能相对的增加。本次实验的研究成果可以为我国隧道裂缝自动检测车的研制提供参考依据。

[1] 杨 帆.数字图像处理与分析[M].北京:北京航空航天大学出版社，2007：207-242.[2] Cheng H D,Chen J R.Novel approach to pavement cracking detection based on ruzzy set theory[J].Journal of Computing in Civil Engineering,ASCE,1999,13(4):270-280.

[3] Blankfin系列DSP原理与设计 [M]. 2版. 北京:电子工业出版社，2010.

[4] 章秀华，洪汉玉，侯 佳，等.路面破损图像实时检测方法研究[J].电子设计工程，2009,17(6):36-37.

[5] 张 娟，沙爱民，孙朝云.路面裂缝自动识别的图像增强技术[J].中外公路，2009,29(4):304-305.

[6] Kopparapu S K. Lighting design for machine vision applica-tion[J].Image and Vision Computing，2006,24(7):720-726.

[7] 宋蓓蓓，韦 娜.FCM分割和形态学的沥青路面图像裂缝提取[J].计算机工程与应用,2013,49(4):31-34.

[8] 于泳波，李万恒，张劲泉，等.基于图像连通域的桥梁裂缝提取方法[J].公路交通科技，2011，28(7):90-93.

[9] 储江伟，初秀民，王荣本，等.沥青路面破损图像特征提取方法研究[J].中国图象图形学报，2003,16(3):11-14.

[10] 王平让，黄宏伟，薛亚东.基于图像局部网格特征的隧道衬砌裂缝自动识别[J].岩石力学与工程学报，2012,31(5):991-999.

[11] 耿 飞，钱春香.图像分析技术在混凝土塑性收缩裂缝定量测试与评价中的应用研究[J].东南大学学报:自然科学版，2003,33(6):773-776.

设计与制造

Study of factors affecting automatic identification performance of cracks in tunnel*

DUAN Zhong-xing, ZHOU Jian, CHEN Sheng, PEI Ke

(School of Information and Control Engineering,Xi’an University of Architecture and Technology，Xi’an 710055,China)

In indoor environment,using concrete test module,design a device based on CMOS sensor to automatically identify cracks in tunnel test.Crack image gray value distribution is regarded as an important indicator for automatic recognition.Analyze effective pixels,testing effect of distance,light intensity and other factors on automatic detection performance.Simulation results show that the effective pixel and detection distance have little effect on features of image distribution. Effective pixels is increased,detecting distance is reduced,corresponding detecting performance is increased;light intensity not only has great impact on fracture image gray distribution feature,but also has a significant impact on automatic detection performance,too high or too low light intensity will affect detecting performance.

cracks in tunnel;complementary metal-oxide-semiconductor(CMOS) sensor; automatic identificating; detection performance

2016—01—04

国家自然科学基金资助项目(50575168);陕西省教育厅自然科学专项基金资助项目(07JK281)

10.13873/J.1000—9787(2016)10—0060—03

U 451

A

1000—9787(2016)10—0060—03

段中兴(1969-)，男,湖南茶陵人,教授,博士生导师，从事智能信息处理与智能控制，建筑环境控制与节能优化等研究工作。