基于图像处理的混凝土表面蜂窝麻面检测

栾星

摘 要：蜂窝麻面是桥梁病害的重要表现形式之一，目前关于蜂窝麻面的自动识别检测技术比较有限。本文采用图像处理的方法对其进行分析。首先可能需要对图像大小进行调整，然后根据预先设定的尺寸将图像划分成多个小图像块，将每个图像块转换为灰度图像，从中选取一些图像块作为样本进行训练学习，采用灰度共生矩阵的方法提取每个小图像块的纹理结构特征，计算有缺陷样本与无缺陷样本间的平均欧氏距离，然后根据欧氏距离阈值对小图像块是否有蜂窝麻面等缺陷做出判断，并计算缺陷面积。结果表明，该方法对缺陷的位置识别及面积计算都比较准确。

关键词：图像划分;灰度化;灰度共生矩阵;纹理結构特征;欧氏距离;位置识别

Flaw Detection of Concrete Surface Based on Image Processing

LUAN Xing

（China Telecom Co.， Ltd. Hubei Branch， Wuhan， Hubei  Province ，430000 China）

Abstract：Flaw is one of the important manifestations of bridge disease. At present， the automatic detection technology of flaw is limited and it is analyzed by image processing method. First， it may be necessary to adjust the image size and then divide it into a plurality of small image blocks according to a preset size.Each image block is transformed into a grayscale image and some image blocks are selected as training samples. The texture structure of each small image block is extracted by gray level co-occurrence matrix method.Calculating the average Euclidean distance between the defective samples and the defect-free samples and judging whether the  image block has flaw according to it and then calculating the flaw area.The results show that the method is accurate to identify the location and area of the flaw.

Key words：Image division; Grayscale; Gray level co-occurrence matrix; Texture structure; Euclidean distance; Identify location

随着经济的发展，观念的更新，标准的提高，人们对混凝土工程外观质量要求愈来愈高，很多工程质量评定的重要指标中都包含了混凝土外观质量。对混凝土外观质量评价方法的要求在不断更新和提高，而目前国内主要采用人工检测的方法对混凝土外观质量进行测评，因此研究一种新的测评方法，使混凝土外观质量测评变得更加便捷、可靠非常有必要。

本文主要对混凝土表面蜂窝麻面进行研究[1]，采用模式识别和图像处理技术对表观缺陷进行识别检测[2]，重点在于混凝土外观缺陷图像划分和每个小图像块的纹理特征提取[3]，从而对有缺陷图像块进行识别检测。表面蜂窝、麻面、孔洞的识别是在灰度图像的条件下进行划分，然后分别提取每个小图像块0度、90度、45度、135度等4个方向灰度共生矩阵的反差、能量、熵、相关性等4个特征值，每个方向可以获得4个特征值，4个方向一共16个特征值，构成特征向量，从划分后的小图像块中挑选具有代表性、一定数量的缺陷图像和无缺陷图像，分别计算有缺陷图像与无缺陷图像特征向量间的平均欧氏距离[4]，分别计算其他图像块与这些无缺陷图像块之间的平均欧氏距离，如果，则认为该图像块中有缺陷，否则无缺陷。本文算法对缺陷位置识别和面积计算精准度都较高。

1 混凝土表面蜂窝麻面的图像识别处理

对混凝土表面蜂窝麻面图像的分析处理主要包括以下几个步骤：调整图像尺寸大小、图像划分、灰度化、提取特征向量、获取平均欧氏距离、缺陷识别检测、缺陷面积计算。

1.1调整图像尺寸大小

为了将图像划分成多个同样大小的图像块，有时需要对图像大小进行调整。比如实验中图像大小为600x317（像素），如图1所示，为了方便图像划分，将图像大小调整为512x256（像素），如图2所示。

1.2 图像划分

按照预先设定的尺寸大小以行扫描的方式将图像划分[5]成多个相同大小的小图像块。划分图像的尺寸大小可以根据图像进行相应地调整。划分图像尺寸越小，划分的图像块越多，运算时间越长;划分尺寸太大，对缺陷的位置检测精度越低。如果调整大小后图像尺寸比较大，图像划分尺寸也可以相应地大一些;如果调整大小后图像尺寸较小，图像划分尺寸也可以相应地小一点。实验中划分图像的大小为16x16（像素）。

划分后每个小图像块左上角顶点坐标为（），其中，，和根据式（1）和式（2）计算可得。

（1）

（2）

其中，、分别表示调整大小后图像矩阵的行、列;、分别表示划分图像的行、列数。

1.3 图像灰度化

灰度共生矩阵的对象是灰度图，因此需要对划分后的每个小图像块进行灰度转换，部分灰度化图像块如图3所示。

1.4 提取特征向量

1.4.1 灰度共生矩阵原理

灰度共生矩阵（Gray Level Co-Occurrence Matrix，GLCM）主要对图像的二阶组合条件概率密度函数进行估计，通过对纹理基元或局部模式随机和空间统计特征的描述来表示区域的一致性、相对性。灰度共生矩阵指的是图像中两个距离为、方向为的像素点在图像中出现的概率。改变的值可以组合出许多不同的灰度共生矩阵对图像灰度级别的空间分布进行分析。

1.4.2 灰度共生矩阵特征量

Haralick 等人在灰度共生矩阵的基础上根据纹理的特点提出了4种纹理特征量。

1）能量（Energy，E）：

（3）

其中表示灰度级数，Energy体现了图像灰度分布的均匀程度和纹理的粗细度。能量越大表明图像纹理变化规则且比较稳定。

2）熵（Entropy）：

（4）

的随机性最大时，熵最大。因此，熵表明了图像灰度分布的复杂程度，熵随着图像的复杂程度呈现出一致的变化。

3）对比度（Contrast，CON）：

（5）

Inertia Moment，IM），对比度能够有效监测图像反差，提取物体边缘信息，增强线性构造等信息。

4）相关（Correlation）：

]  （6）

其中，

]  （7）

]  （8）

] （9）

]（10）

相关对灰度共生矩阵中行、列元素之间的相似程度进行描述，反映了某个灰度值沿某个方向的延伸长度，相关值随着延伸长度的增加越大。因此相关是对灰度线性关系的一种衡量。

纹理特征量还有差商、和熵、方差和、差的方差、均差和等。所有的这些纹理特征量都可以划分为以下4种类型。

表达可视纹理特征：局部平稳性、对比度、非相似性。

基于信息理论的特征：熵。

基于统计的特征：均值（Mean）、变化量。能量。

基于相关度的特征：相关。

当且分别取0度、90度、45度、135度时，计算图像4个不同方向的灰度共生矩阵及能量、熵、对比度、相关等4个纹理特征量，构成16维向量，即特征向量。

1.5 获取平均欧氏距离

从划分后的图像块中分别选取具有代表性且数量足够的无缺陷图像块、有缺陷图像块作为无缺陷样本、有缺陷样本。根据式（11）计算有缺陷样本中各图像块分别与无缺陷样本中所有图像块特征向量间的平均欧氏距离，即

（11）

其中，表示缺陷样本中第个缺陷图像块的第个特征分量;表示无缺陷样本中第个无缺陷图像块的第个特征分量;表示特征向量的元素下标;;;和P分别表示缺陷样本的样本个数、无缺陷样本的样本个数;表示缺陷样本中第个缺陷图像块与无缺陷样本的平均欧氏距离。

再根据式（12）计算缺陷样本中所有缺陷图像块与无缺陷样本中所有图像块特征向量间的平均欧氏距离，即

（12）

1.6 缺陷识别检测

在余下的图像块中任意选取一些无缺陷图像块、缺陷图像块，计算这些图像块与无缺陷样本中所有无缺陷图像块特征向量间的平均欧氏距离。根据数据统计，可以得出一个規律：无缺陷图像块与无缺陷样本中所有图像块特征向量间的平均欧氏距离与相差很大，缺陷图像块与无缺陷样本中所有图像块特征向量间的平均欧氏距离与很接近。根据这一规律可以对划分后的每一个图像块进行识别[6]检测，判断是否有缺陷。具体做法如下：在划分后的图像块中任意选一个图像块，其特征向量为，根据式（11）计算其与无缺陷样本中所有图像块特征向量间的平均欧氏距离，如果与的比值介于阈值和之间（的值通过对样本的训练学习[7]过程获得），就认为该图像块中有缺陷，否则，认为该图像块中没有缺陷，如式（13）所示：

（13）

实验中检测的缺陷图像块如图4所示，然后根据识别的小图像块坐标信息（）在进行尺寸调整的图像中标记出缺陷，如图5所示。

1.7 缺陷面积计算

为了利用数字图像对缺陷面积进行测量，需要知道（像素）所代表的实际面积大小，即像素面积标定值[8]。其单位为mm2/pix2。常用的标定方法是在被拍摄缺陷附近贴一已知面积的矩形黑色纸条。对图像进行一些预处理[9]就可以得到该黑色纸条的像素面积大小，纸条的实际面积与像素面积的比值就是像素面积的标定值。如纸条的实际面积为900mm2，统计的像素面积大小为100000pix2，则mm2/pix2

在识别出缺陷图像块后，还可以计算图像中缺陷的面积大小，每一个图像块的面积（以像素为单位）大小根据式（14）计算可得

（14）

缺陷总面积为

（15）

其中，表示检测出的缺陷图像块个数。缺陷的实际测量面积。

2 结论

为了检测混凝土表面蜂窝麻面等缺陷，本文主要进行图像大小调整、图像划分、灰度化等处理，用灰度共生矩阵提取混凝土表面缺陷的纹理结构特征，然后根据欧氏距离法对图像块进行分类，本文创新点及主要工作如下。

1）在进行相应的图像处理操作前，对图像的大小进行调整，方便后面对图像的划分。

2）在对图像划分时，选取合适的图像块尺寸大小非常关键。图像块尺寸越小，识别缺陷位置越准确，计算缺陷面积误差越小，但效率会下降;图像块尺寸越大，效率越高，但缺陷的位置以及缺陷面积的计算结果准确度都会有所下降。因此，需要根据划分前图像的大小以及对缺陷识别检测结果准确度的要求选择合适的划分图像尺寸。

3）本文以划分后的图像块作为样本进行训练学习，解决了样本问题。

4）实际工程中有时只需要对缺陷的位置及大小进行估计，对精度要求不是太高，本文算法可以满足工程上的要求。

参考文献

楚少义，宋伟建，刘凯，谭春.快速无损综合法在混凝土衬砌质量检测中的应用[J].山西建筑，2019，45（1）：206-208.

[2] 李画，李明晶，李凯，赵雪竹.Mask RCNN模型在路面缺陷检测中的应用[J].科学技术创新，2020（29）：131-132.

[3] 刘光宇，黄懿，曹禹，曾志勇，赵恩铭.基于灰度共生矩阵的图像纹理特征提取研究[J].科技风，2021（12）：61-64.

[4] 李克文，林亚林，杨耀忠.一种改进的基于欧氏距离的SDRSMOTE算法[J].计算机工程与科学， 2019， 41（11）：2063-2070.

[5] 杨柳.破损图像子区域自适应划分标注方法仿真[J].计算机仿真， 2019， 36（4）： 461 -464.

刘森森.基于迁移学习的桥梁裂缝智能检测与识别[J].信息技术与信息化， 2021 （7）：233-235.

[7] 陈旭丹，姜男，董丽娜，田卫群，吴向菊，曾鹏飞，杨帆.基于深度学习YOLO模型的高原山区沥青路面病害自动识别[J].公路交通科技（应用技术版），2019，15（11）：75-78.

[8] 阮小丽，王波，荆国强，季德钧，王永亮.桥梁混凝土结构表面裂缝自动识别技术研究[J].世界桥梁，2017，45（6）：55-59.

[9] 黄鹤，梁祺策，罗德安.车道线检测中自适应图像预处理算法研究[J].测绘科学，2021， 46（9）：76-82.