新型隧道衬砌表面损害检测技术研究

赵美娟

(山西欣奥特自动化工程有限公司，山西 太原 030012)

0 引言

随着我国近年来大规模基础设施的不断发展，很多隧道、桥梁等基础设施已逐渐由建设期转入维护期。为了保证运营期的结构和功能安全，必须进行广泛而及时的结构健康监测，以维持此类基础设施系统的稳定运行[1]。目前的监测主要依靠人工视觉检查，但是对于大型、巨型项目，需要大量的时间，并带来高成本[2]。为了改进此类检测，消除主观性，无损检测方法如超声波断层扫描、地质雷达、声发射、视觉成像和射线照相技术等已被用于缺陷检测[3]。但是，上述方法通常实现的识别精度和效率不够，仍然需要大量的人工辅助。为了提高检测效率，人们开发了各种利用成像技术的自动视觉检测系统。并且，许多旨在识别隧道衬砌表面剥落的识别算法已经被提出[4]。利用现成的先进计算技术，已经提出了各种基于深度学习的方法来检测隧道缺陷[5]。这些识别方法各有优势，也有挑战，它们缺乏完整的隧道裂缝识别解决方案，不能完全满足隧道检测的要求。鉴于此，本文的目的是开发一个基于图像处理技术和机器学习的耦合模型，采用混合算法、交互式三维表示，并辅以回归分析来预测剥落深度，以期待该技术可帮助基础设施管理人员预测和检测隧道衬砌表面的损害情况，并帮助其制定未来的计划和决策。

1 总体检测方法

本文所提出的图像识别方法从上述系统采集的数据入手，以实现剥落识别和评价的最终研究目标。其中包括三个主要阶段：图像采集、使用混合算法进行图处理，并辅以回归分析来预测剥落深度。

2 图像处理与机器学习耦合的衬砌监测

2.1 隧道衬砌表面缺陷图像采集方案

检测系统包括两部分：缺陷检测设备和缺陷识别算法。如图1所示，该系统由一个移动小车和一个电荷耦合器件(CCD)相机组成，利用速度传感器和减震装置来控制线路CCD相机，获得隧道衬砌表面图像。

图1 隧道衬砌表面缺陷检测装置原理图

在这一阶段，利用CCD数码相机获取隧道衬砌表面的无数图像。图像数据展示了结构表面所有可见的缺陷，然而本研究只考虑图像中的剥落区域。采集后，图像通过通用串行总线(USB)传输到计算机。为了优化数据分析，在采集数字图像时应考虑一些必要的因素，从而准确地完成缺陷的识别和量化。首先，采集的图像应与表面正交，并有适当的重叠，以减少投影的误差，保证更好的区域覆盖率。第二，在需要的时候应该使用照明(图1中的原理图所示)，保证图像的一致性。第三，近距离图像能够提供物体物理属性的详细信息。

2.2 用衬砌监测混合算法进行图像处理

本文提出了一种不同空间和频域滤波器的混合算法，以实现剥落区域的提取，从而实现缺陷的检测和识别。图2展示了所提出的算法的工作流程。它首先是读取、调整和显示图像。由于采集的图像是RGB图像。这一步允许选择一个合适的颜色平面进行剥落识别，并提取一个灰度表示，这将为下一步包括图像增强和检测过程准备图像。

图2 隧道衬砌新型检测算法

随后，在灰度图像上应用图像平滑技术。通过使用该技术，尽管排除了背景噪声，但图像中的重要模式仍被保留，这将有助于从图像中获得更多的特征向量来进行数据分析。在本研究中，利用各向异性扩散法对图像数据进行平滑处理，应用偏微分方程、局部梯度函数，并实现顺序迭代，使平滑操作只发生在ROI的内部，而不跨越尖锐像素强度之间的边界。

因此，通过将剥落缺陷从周围背景中分割出来，对图像进行阈值化。阈值化的主要思想是选择一个阈值T，将图像分割成两个离散的灰度集，如式(1)表示。

(1)

其中，Gri和Grj是阈值化图像中选定的两个灰度级；f(x，y)是图像函数；b(x，y)是应用阈值处理后的二值化图像函数。通过阈值化处理，图像中的多个灰度级减少到只有两个灰度级(即Gri，Grj)。在这个阶段，关键是要绘制图像直方图，并选择一个阈值T，将图像分成两个不同的区域，即对象(spall)区域和背景区域。图像直方图描述了图像中所有像素的灰度级分布。采用试错技术选择最佳阈值，判断所选数值是否提取到了所需的OOI(图像中需要特别关注的部分)。

然后，采用高斯模糊三维滤波器来降低噪声，提高图像分辨率。它在公式(2)定义的二维滤波形式的基础上进行三维(3D)卷积。

(2)

其中，H(u，v)是滤波器传递函数；D(u，v)是点(u，v)到频率矩形中心的距离；σ是关于中心的传播量。高斯模糊三维滤波也是利用堆栈建立起来的。堆栈是由同一图像的多个片断(空间链接的图像)组成，可以在一个窗口中显示。组成堆栈的片段必须具有相似的大小和深度特征。

然后，应用几个彩色滤镜(即颜色变换器、智能滤镜)，对图像像素进行过滤，使接近某一种颜色的像素只被高亮显示。因此，当对灰度图像应用彩色滤镜时，会产生一个索引彩色图像，它是一个带有颜色的单平面灰度图像。处理后的图像中的颜色差异揭示了OOI的不同强度水平，而不是所看图像的颜色差异。这个过程继续与缩放和校准图像。在图像校准之前，对表面图进行分析，并绘制出交互式的3D场景展示图。

2.3 建立衬砌表面缺陷检测的回归模型

对回归模型的不同函数和变量之间的相互作用进行多次诊断检验，同步输入和输出属性，建立模型。将像素强度的RGB曲线投射到图像中的剥落缺陷上，从而将投射曲线的强度与实际深度测量值相关联。这个过程继续通过定义回归分析的顺序函数形式，可以最好地适应数据。根据几个统计标准测试模型，检查其功效。

3 技术的案例实现与结果分析

为了评估衬砌表面剥落缺陷的严重程度，我们对某隧道内衬砌的不同元素共采集了75张图像。CCD相机采用2592×3888像素的高分辨率数码相机采集。

图像预处理是在台式电脑上进行的(Intel Core i3-3220 CPU @3.30 GHz，64位操作系统)。不同的图像处理算法和过滤器被应用在图像上，以提高其质量。此外，RGB(彩色)图像被转换为灰度级图像，通过将原始图像分割成三个平面：红、绿、蓝，这三个平面中的每一个平面都具有相同的大小和位深，它代表了一个灰度级图像。因此，选择红色平面进行进一步处理，因为它提供了最好的增强图像。

随后，通过分割对图像进行平滑和阈值化等多项成像技术处理。阈值化是将感兴趣的对象从图像的背景中分离出来的方法。选择灰度图像的最佳阈值与绘制其直方图有关，因此，生成图像的直方图，因为它可以通过试错程序辅助操作二元变换。如图3所示，包含了所选图像阈值化及其直方图。从图3中可以清楚地看出，剥落部分(白色)已经从图像的背景(黑色)中分离出来。为了减少噪声，增强图像细节，应用了高斯模糊3D滤波器。这种技术具有模糊效果，它计算出一个3D高斯低通滤波器，之后又采用了两个颜色变换滤波器，这种算法可以让观察者区分图像画面中的深度。图3是使用这些滤波器后的深度感知。

图3 基于隧道衬砌新型检测算法的图像处理过程

接下来，通过设置适当的比例尺对图像进行校准。为了校准的目的，如图4所示，测量站内剥落区域的主要轴线，并在软件中输入，从而像素值可与该输入数据相关。然后，选择该区域，可以使用彩色边缘检测算法进行缺陷提取，如图4所示。

图4 衬砌表面剥落图像的缺陷识别与检测

在分析了表面图后，开发了剥落区域的三维可视化模型，图5中显示了像素强度的三维图(非RGB图像)。纹理数据直接从数字图像投影到三维网格方案上，通过加入深度感知来模拟现场场景。

图5 衬砌表面剥落的三维模型

前面介绍的算法不仅对整个图像处理技术进行了分析和简化，而且提出了一种一致的、准确的检测和可视化方法，能够很好地预测剥落深度。

4 结论

综上所述，针对目前国内隧道中衬砌表面的缺陷检测，本文提出了一种基于图像数据处理和机器学习技术耦合的检测技术。该集成模型由混合算法、交互式三维展示和辅以回归分析组成。在图像采集后，对各种空间域滤波器和频域滤波器进行精简，以检测剥落区域，可有效帮助基础设施管理人员预测和检测隧道衬砌表面的损害情况，并帮助其制定未来的计划和决策。本技术应用于高速公路隧道安全监测，能有效保证运营期的结构和功能安全。