基于机器视觉的混凝土裂缝图像分割算法研究

漆 绮，王 睿，雷 悦，谭吉淞

(四川师范大学 工学院，四川 成都 610068)

0 前 言

混凝土是常用的建筑材料，限于其本身的特性、施工过程的不确定性和使用环境的复杂性等，多数混凝土结构在服役过程中为带裂纹工作。混凝土裂缝检测多以人工检测和辅助仪器检测为主，其成本高、精度低、危险性大等缺点日渐明显。为准确快速地分析，基于机器视觉的检测系统得到了应用，其关键在于从复杂的图像中准确提取有效病害信息，即对背景和裂缝进行分割，实现高效率、高精度的病害检测。

图像分割是在考虑灰度及其分布情况、几何形状的基础上将图像分为不同区域,使同区域表现出相似性，不同区域间的特征差异明显。现已存在多种图像分割算法，不同算法的适应性不同。因此，本文总结了具有代表性的传统分割算法及其优缺点，收集了基于传统改进的新方法及其针对性。最后提出思考问题，希望对未来研究提供思路。

1 阈值化分割

阈值化分割的原理是将图像按照不同像素灰度划分为不同的区域，具有算法简单、计算便捷和结果稳定等优点，因而成为传统分割方法中应用最广泛的技术。

1)最大类间方差法(OTSU)：基于最小二乘法原理，使得分割后的目标区域与背景区域方差最大。该方法简单易懂，能较好地处理与背景颜色相近的细微裂缝[1]，但其分割效果会明显受制于像素灰度值的分布情况。

2)迭代法：选择一个估计阈值作为初始值，根据迭代规则不断更换，直到找出最优阈值。该方法能较好地处理背景灰度分布不均的图像[1]，关键在于迭代规则能否快速收敛以及每次产生的效果图较上次是否改进。

3)最小误差法：通过最小误差准则函数选取最佳阈值，对图像进行二值化处理[2]。前提是假设图像灰度分布服从混合正态分布，适用于灰度直方图接近正态分布概率密度曲线的图像。

4)最大熵阈值分割法：计算不同分割情况的图像总熵，选择最大熵对应的分割效果。熵表示像素分布的均匀程度，分布越均匀熵值越大。该方法易受噪点的干扰，对模糊图像处理表现出很强的不适用性，失真现象严重[1]。

5)直方图阈值分割法：对图像灰度分布进行直方图统计，并获取阈值，当存在多个峰值时，选择的阈值个数也相应增加。该方法简单易操作，阈值范围明确，峰值相差较近时分割效果较好，相差较大或者存在较大噪声致使阈值获取错误，效果就会变差。

由上述可知，算法都有一定的局限性，随着信息化技术的发展，学者们基于传统算法进行了综合改进和运用[4-5]：①平滑直方图加权Otsu法：在小目标图像的处理中具有更好的分割效果；②梯度加权Otsu法：在背景单一并且噪音较少的图像中能实现较好分割；③二维交叉熵阈值分割法：图像和背景的方差相差较大时适用；④二维直线型交叉熵阈值分割法：相较一维对含噪声的分割效果更好；⑤加权模糊能量阈值法：相较于模糊能量的阈值法能增强其分割效果；⑥最小平方粗糙熵阈值分割法：目标函数的意义更为明确。

2 边缘检测

边缘检测的原理是对图像像素的突变点进行选择和标识，得到目标区域轮廓。如果图像中能准确定位边界点，那么对应的实际对象就能被检测。大量算子被运用于边缘检测技术中，如表1所示。

3 其他方法

3.1 基于卷积神经网络的分割方法

周建行[7]对基于深度学习图像分割领域的三个代表性模型做出了详细阐述：①FCN全卷积网络模型：该模型可以类别信息，给出具体的位置信息，改进的FCN-8s网络分割效果最好，但未考虑像素之间的空间关联关系，分割结果不够精细；②空洞卷积的DeepLab网络模型：有效解决了保持感受野和保护图像尺寸间相互矛盾的问题，其中DeepLabv1和DeepLabv2的网络模型使用条件随机场来增强对图像细节的分割处理，DeepLabv3通过改进空间金字塔池化层改进结果，DeepLabv3+使模型整体在图像语义分割边缘部分取得了良好的结果；③U-Net网络模型：仅需要少量的训练样本就能取得很好的分割效果，被广泛应用于语义分割的各个方向。

此外，Islam等[8]提出了基于机器视觉的深度卷积神经网络(DCNN)自主裂纹检测方法，在查准率、查全率、精准率、召回率等方面得到较大提高。Pang等[9]针对混凝土大坝表面图像亮度不平衡严重、噪声大的问题，提出了一种基于快速R-CNN和K-均值的两阶段裂纹分割方法，用更快的R-CNN对裂纹区域进行定位，然后采用K均值聚类算法对裂纹区域中的裂纹像素进行识别，有效避免了噪声干扰，提高裂纹定位精度。

3.2 基于语义分割网络的分割方法

Weng等[10]在改进CS技术(压缩感知)的基础上，提出了一种压缩裂纹图像自动分割的恢复框架。通过训练一个语义分割模型来从解压缩图像中提取裂缝信息，该模型可能无法重建原始图像的背景，但仍然可以成功恢复裂缝的整体形状和厚度，比成熟的CS方法具有更高的压缩率和对信号噪声更高的鲁棒性。

表1 边缘检测算法的各种检测[3,6]

ZHANG等[11]提出了一种CNN-to-FCN无损语义分割方法来解决以往方法在高分辨率图像中会产生较大比例的分布混乱的假裂纹预测这一问题。充分利用了背景斑块和大规模背景识别，极大避免了高分辨率图像中虚假裂纹预测的较高比例及其杂乱分布；在放大相机帧时能保证较高清晰度，这对空间较大、裂缝宽度较小、不易发现的坝体混凝土裂缝是有利的；同时可以在图像中裂纹斑块比例较低的情况下减少预测时间，更适合工程应用。

DONG等[12]提出了一种基于补丁的弱监督语义分割网络用于裂纹检测，解决了现有的语义分割方法耗时较长这一问题。充分考虑了裂纹图像中复杂的拓扑结构和局部相似的特征，可以灵活地应用于不同尺寸的图像；弥补了注释不完整造成的不准确性，降低了标注成本和数据处理的难度；在不丢失裂缝空间位置信息的前提下，显著降低了图像的复杂度，平衡了注释工作负载和性能之间的关系。

3.3 其他改进分割方法

Henrique等[13]提出了一种新的裂纹分割算法，是将直方图阈值分割算法与迭代法相结合，很大程度上保证裂缝的完整性。改进之处在于能够跟踪包含多条细裂纹或呈长线性扩展的复杂裂纹，即使裂纹断裂，也能较为准确地进行识别和标记，最终为每个已识别的裂纹指定一个类型分类。

HAO等[14]提出了一种改进的两阶段神经元分割模型用于裂纹分割。弥补了传统函数存在的局部结构不连续性问题；解决了存在次优点集时会导致分割精度下降的问题；实现了无需人工干预的自动定向区域增长，通过迭代轮廓演化实现了有效、完整的裂纹分割。

KADDAH等[15]重点对MPS算法进行改进，提出了基于优化最小路径选择OMPS(Optimized Minimal Path Selection)的二维路面裂缝自动无监督分割方法。可以保证在不降低整体分割的基础上，大大减少最短路径的计算量，在降低误报率和不损失性能的基础上最大限度地减少计算时间。

4 总结反思

随着计算机科学的不断发展，图像分割技术也经历着从量到质的转变。本文从阈值分割、边缘检测和其他方法三大板块进行了综述，遗漏之处敬请补充。算法繁多，如何高效利用并解决实际问题，引发我们的思考：①传统方法简单易行但分割效果不佳，改进算法效果提高但冗杂；②改进能否取两种或两种以上方法的优点进行结合，形成阶段性分析模型；③未来能否实现对算法进行分类，以便根据不同裂缝的情况和设想的分割效果进行选择；④多数新算法只进行了部分改进，但我们会发现改进某一问题女可能会对其他方面造成不利影响，如何平衡各个评价指标之间的精准度，使整个分析系统达到最优化，仍待解决；⑤随着科技的飞跃发展以及人工智能的迅速普及，能否将前沿高新科技与实际工程问题更好地结合，实现一对一精准分析，并做出决策，仍需要深入的研究和探讨。

[ID:013561]