基于图像处理的隧道裂缝安全预警

陈立潮，张媛媛，秦宇强，曹建芳,2+，张 锦

(1.太原科技大学 计算机科学与技术学院，山西 太原 030024；2.忻州师范学院 计算机系，山西 忻州 034000；3.山西交通职业技术学院 工程机械系，山西 太原 030031；4.太原科技大学 机械工程学院，山西 太原 030024)

0 引 言

隧道裂缝区域的检测能够分割裂缝区域，裂缝的宽度计算描述了裂缝危害等级，是决定了后期工作是否抢修的关键之处[1]。针对隧道裂缝区域的检测的问题，文献[2]结合中值滤波、灰度拉伸与canny边缘检测处理裂缝；文献[3]选用梯度决算的平滑滤波结合动态OTSU算法对图像进行分割；文献[4]利用HOG算法改进了分水岭算法应用于路面裂缝的特征识别；文献[5]提出一种全局局部相结合，OTSU分割后多级滤波的分割方法；文献[6]对裂缝检测选用Sobel算子结合相机标定法实现裂缝匹配。为解决上述方法在检测识别裂缝区域时，存在检测准确度低、检测错误、检测效率低的问题，提出一种基于阈值分割的裂缝检测方法。针对隧道裂缝图像中裂缝宽度计算的问题，文献[2]计算裂缝左边缘点处抛物线切线与其垂线的交点到右边缘点的距离；文献[3]计算隧道裂缝内部随机点4个扩展方向上像素点个数最小的距离；文献[7]中定义裂缝两个边缘像素点的距离作为裂缝宽度值。这些方法计算误差较大且未对裂缝的危害实现等级划分。在之前提出的检测方法基础上，设计了一种基于图像分块与斜率划分的裂缝宽度计算方法，对所检测裂缝实现安全预警。

1 基于阈值分割的裂缝检测与安全预警

系统整体框架如图1所示，分为裂缝分割检测和宽度计算两部分。

图1 系统框架

隧道混凝土墙体表面凹凸不平，光照不均，背景噪声复杂，环境阴暗，裂缝与背景难以区分。提出一种能够降噪、增强对比度的阈值分割检测方法。CMOS相机在隧道墙体获取裂缝图像后，通过获取同一图像中两个不同k值的PCA降维图像作为分割方法的初始输入，数据降维的方式将背景噪声抑制，使图像计算量减小。对获取的两幅PCA图中k值大的次模糊图像进行大津分割与Wiener去噪，去除离散点状噪声点。最后将分割到的裂缝区域通过泊松融合算法无缝融合至k值较小的模糊图像中，以增加裂缝与背景的对比度。阈值法分割融合后的图像，以此检测出裂缝区域。在检测的基础上，为了更智能与准确地勘测裂缝性质与危害程度，方便后期隧道工程施工抢修与维护，对分割到的裂缝区域宽度计算，确定危害程度等级。首先对图像进行分块，再对含有裂缝部分的区域块进行斜率评定，根据斜率判断裂缝的走向，判断裂缝为竖直型或水平型裂缝。计算块内左侧或上侧边缘点与其投影点间距离，计算所有裂缝区域块的平均宽度值，取整体裂缝的平均宽度值。根据裂缝宽度划分裂缝等级，对应不同的等级实现不同的安全警报。

1.1 基于阈值分割的裂缝检测

1.1.1 算法原理

裂缝分割检测的算法流程如图2所示。

图2 裂缝检测流程

(1)

(2)

去噪后的分割图像仅保留了大部分裂缝信息，噪声信息可忽略不计。为了增强裂缝与背景的对比度，利用泊松融合法[11]将分割到的裂缝部分无缝融合入小k值的模糊图像中，设v是分割图像的梯度场，∂Ω是分割图像在模糊图像中覆盖区域Ω的边界。f表示Ω边界内的像素值，f*表示Ω边界外像素取值。首先对分割图像的内部梯度值最大程度上弱化。同时最大程度保留分割图像的原本纹理确保融合效果，需使分割图像的梯度场v与合并后的Ω区域的梯度场最大程度的接近，图像满足

(3)

(4)

边界梯度场相同使得边界处梯度融合的流畅自然，主观上实现无缝连接。

1.1.2 算法步骤

(1)利用PCA初步降维与去噪。输入图像的矩阵设为X，分别取k值为1与k值为5时构成的包含k个行向量的n×k的基矩阵N，令Y=XN，X矩阵从n维映射到K维的新空间Y中，形成k值为1的模糊图像与k值为5的次模糊图像，两幅图像降维后不同程度上弱化了背景噪声。将获取到的k值为5的次模糊图像进行灰度值计算，评测裂缝前景与背景的最大类间方差的灰度值，以此作为阈值进行大津分割。

(2)Wiener复原与二次去噪。在计算复原图像前需先计算原始图像和噪声的二阶统计特性，根据近似估计法简化Pn(u,v)与Pf(u,v)的占比取值，将公式化减为

(5)

(6)

利用文献[12]提出的k值自动估计算法估计k的取值，通过图像信噪比估计最优k值取得最终滤波后的复原图像。

(3)泊松融合算法将分割的裂缝图像融合至k值为1的模糊图像的裂缝区域中。保证边界散度一致，由式(3)带入欧拉-拉格朗日方程，则

(7)

1.2 裂缝宽度计算与安全预警

1.2.1 算法原理

裂缝宽度计算与危害程度评级及安全预警算法流程如图3所示。

图3 裂缝危害评级流程

由于裂缝弯曲，纹路多变，各段裂缝宽度不一，很难利用一个定量的值去衡量整段裂缝的宽度值[14,15]。分析裂缝的走向，可以对裂缝的形状进行线性解读。经过上述分割及边缘描绘，裂缝的边缘得以清晰地描绘。以图4纵向裂缝为例，裂缝线性走向图将裂缝的形状走向大体线性定义为3段，每条线段均有特定的斜率值K，分别定义为K1、K2、K3。线性划分后，大致表示裂缝的形状走向，但粗略的划分误差极大。

图4 斜率粗略划分

本文算法对图像进行分块，将图像划分为许多小的区域块，可以更清晰地描述每一部分裂缝走向，最大程度上利用线性表示裂缝。标记出落在区域块内的左侧边缘点及右侧边缘点的两个分界点，连接两个分界点，形成区域块段状裂缝的线性表示。之后对落在每个区域块的裂缝边缘进行斜率判定。定义一个以分块图像下边界中心像素点为原点，水平方向为x方向的坐标轴，延长连接点判断斜率值。斜率在[45°,135°]区间内的块内段状裂缝定义为竖直型裂缝，斜率在[0°,45°)，(135°,180°]区间内的块内段状裂缝定义为水平型裂缝。其中，斜率为90°不存在，不计入最终结果。以水平型裂缝为例，此时，若斜率在(90°,135°]区间内应标记出左侧边缘最高点对应垂直方向的下边缘处投影点，标记出右侧最低点对应垂直方向的上边缘处投影点，计算两段边缘点与投影点间的欧氏距离。若斜率在[45°,90°)区间内应标记出左侧边缘最低点对应垂直方向的上边缘处投影点，标记出右侧最高点对应垂直方向的上边缘处投影点，计算两段欧氏距离。取两段距离平均值，作为区域块的裂缝宽度，取所有区域块的裂缝宽度值的平均值，计算整条裂缝的宽度值。根据裂缝宽度值整合裂缝评级标准，将裂缝划分为毛裂纹、小裂纹、中裂缝、大裂缝4个等级，并对每个等级的裂缝提出相对应的安全预警，为后续隧道裂缝的施工维护提供借鉴。

1.2.2 算法步骤

(1)如图5所示，图像分块将图像划分为9×6的小型区域块。

图5 分块与裂缝斜率划分

(2)检测54个区域块内含有裂缝边缘的区域块为10个。计算每个区域块内裂缝走向的斜率值，通过测算，其中两个区域块的斜率K值为90°，不存在斜率不计入结果。剩下的8个块斜率分别表示为K1、K2、K3、K4、K5、K6、K7、K8。通过估算，8段段状裂缝斜率值均在[45°,135°]区间内，判断8段段状裂缝全部为竖直型裂缝。

(3)图6以图5中斜率为K7的区域块段状裂缝为例，点M为区域块中裂缝左边缘的最高像素点，点N为区域块中裂缝右边缘的最低像素点，连接MN线段构成了斜率为K7的区域块段状裂缝的线性表示。此段的斜率K7在[45°,135°]区间内，此块裂缝定义为竖直型裂缝，标记M点对应水平方向上落在右边缘处的投影点M′，标记N点对应水平方向上落在左边缘处的投影点N′点，连接MM′、NN′，计算两段的欧氏距离。设坐标为M(xm,ym)M′(xm′,ym),N(xn,yn),N′(xn′,yn)，则两点距离进行如下公式计算

图6 MM′NN′欧式距离

(8)

(5)由步骤(4)中可估算出整幅图像的裂缝宽度值，根据我国《铁路工务技术手册-隧道》、《公路隧道养护技术规范》，本文整合以下裂缝抢修的评级标准(表1)作为隧道裂缝的安全性能评估[16]。判断宽度值所属评级标准中的级别范围，判断图像的裂缝是否需要抢修及所产生的安全影响。

表1 裂缝危害评级标准

2 裂缝检测及安全预警实验分析

本文全部实验结果皆利用R2017a版本的Matlab平台进行实验仿真与测试。利用高速工业线阵CMOS相机配合激光光源对隧道墙体进行扫描拍摄获取裂缝图片。本文选用了600张裂缝图片，分别对横向裂缝、纵向裂缝、交叉性裂缝进行了多次实验。

2.1 裂缝检测实验结果分析

本文利用结构相似性(SSIM)[17]指标评估PCA初步降维去噪时k值的取值，通过与原始图像结构、对比度等程度比对分析(表2、表3)发现针对隧道裂缝图像，在低维k值中(表2)选取映射空间的维数为1维的模糊图像与高维k值选取中(表3)5维的次模糊图像进行最终分割效果最佳，图像特征的贡献率分别为0.460 713与0.891 259，在一定的抑噪过程中能极大保留裂缝信息，隧道裂缝压缩效果如图7所示，图像压缩为图7(b)模糊图像与图7(c)次模糊图像。

表2 低维k值SSIM值

表3 高维k值SSIM值

图7 PCA降维

后续的分割实验本文与文献[4]中分水岭算法、文献[5]中涉及的灰度腐蚀与大津法、文献[6]3×3平滑滤波模板去噪结合Sobel算子方法、文献[2]中值滤波及灰度拉伸法进行对比实验。在图8中，对于实验选取的背景纹理信息十分丰富的横向裂缝图，分水岭算法分割效果最差，背景纹理信息丰富引入大量误差。文献[5]灰度腐蚀与大津法虽然清晰地分割出裂缝，但引入离散噪声点。文献[6]与文献[2]涉及方法提取的裂缝边缘仍十分模糊，大量噪声点影响了效果。本文的算法对于裂缝的边界分割明显并极大程度上抑制了噪声点的存在。对于实验选取的光照不均的纵向裂缝图，分水岭算法分割效果引入了光照强度大的背景部分，分割出现误差。文献[5]灰度腐蚀与大津法引入部分离散噪声点，但分割的裂缝边缘断裂，裂缝信息离散缺失。文献[6]与文献[2]涉及方法提取的裂缝边缘模糊，噪声干扰明显。本文的算法减少了裂缝的信息缺失与断裂问题，噪声点也得到极大程度的抑制。而对于裂缝细小且光照昏暗的交叉裂缝，分水岭的算法发生错误分割。文献[5]灰度腐蚀与大津法、文献[6]与文献[2]涉及方法均出现噪声复杂、分割断裂缺失的问题。本文算法能准确分割裂缝区域，抑制噪声干扰，减少断裂状况。选取背景纹理丰富、光照不均、图像昏暗3类常见的隧道裂缝的背景环境进行实验，本文算法对横向、纵向、交叉裂缝均能准确分割出裂缝，并能减少裂缝信息断裂缺失，减少背景噪声干扰。

图8 分割实验

2.2 裂缝宽度计算与安全评级实验结果分析

在裂缝的宽度计算中，本文宽度计算方法在一定程度上引入误差，由于勾股定理的性质、隧道裂缝的范围集中在20 mm内，宽度值较小，可以极大程度上容忍误差，使得该方法的计算值十分接近真实值。实验结果以图8纵向裂缝为例，表4为纵向裂缝宽度计算数据，求得各区域块的裂缝宽度值后，求取整张图像的平均值，通过计算，估测出整张图像的裂缝宽度值为3.91 mm，裂缝实际的宽度值约为4.13 mm，误差的范围大概在5%以内，可以估算出裂缝的真实宽度值。根据表1裂缝危害评级标准，该裂缝处于2 mm-20 mm的等级范围，本文算法判定该裂缝已经属于3级裂缝，发展速度较快，已经妨害了交通安全和隧道结构安全，应该引起有关部门的重视。

表4 裂缝宽度检测数据

3 结束语

隧道裂缝的安全隐患是各界关注的重点，有关裂缝的安全评级仍在探索的阶段，裂缝图像检测技术研究至今还不完善。本文提出了一套完整的隧道裂缝安全评级方法，包括裂缝的分割检测、裂缝宽度计算的安全预警两个阶段。检测阶段，噪声得到弱化，裂缝与背景的对比度增强，使得分割效果较其它方法明显提升。预警阶段，本文的裂缝宽度计算针对于横向、纵向的线状裂缝估算准确率高，能够对横向、纵向的线状裂缝进行宽度计算与安全预警。但本文提出的裂缝宽度计算方法对于过于复杂的交叉裂缝宽度估算准确率不高。下一步的工作将继续改进算法使其简化，深入研究隧道裂缝宽度计算方法，提高准确率，完善隧道裂缝的安全评级。