基于机器视觉的建筑结构裂缝病害在线监测系统

陈满军，张辉霖，吴玉龙，赵广辉

（1.昆山市建设工程质量检测中心，江苏 昆山 215337；2.南京理工大学，江苏 南京 210094）

0 引言

混凝土裂缝作为钢筋混凝土结构中普遍存在的病害形式，是反映结构健康状态、评估工程质量的关键性指标之一。对混凝土裂缝定期监测，收集病害信息并及时检修能有效避免灾害事故的发生。传统的裂缝检测方法存在检测效率低、人工成本高等不足，无法满足庞大的混凝土裂缝检测需求［1］。

随着计算机理论技术、硬件性能、无线互联网技术的快速发展，将数字图像处理技术结合数据分析技术，研究新型非接触无损检测技术并开发混凝土裂缝检测系统，并将其应用于混凝土表面裂缝检测过程中，具有工程应用价值与社会效益［1］。

国外已有多家研究所、检测公司着手研发路面裂缝自动检测系统，其中比较著名的包括英国的 Harris系统［2］、日本的 Komatsu 系统［3，4］、加拿大的 WiseCrax系统［5］、美国的 PCES 系统［6］、瑞典的 PAVUE 系统等等。这些裂缝检测系统往往和工程检测车捆绑销售，在广泛商业化应用的同时，却没有表现出与其高昂的售价相匹配的检测效率及稳定性。本文将通过一种新型的裂缝检测与管理平台——裂缝网（www.crackeye.net）实现对建筑结构裂缝病害实时监测，并通过现场试验来验证其鲁棒性与精确性。

1 系统服务端与数据库搭建

一个完善的 B/S 架构软件需要服务端算法和数据库支撑核心的服务功能。本文基于传统的 WEB 开发框架——在早期的 Java Bean 和 Servlet + JSP+Java Bean的 WEB 框架上进行了一定改进，将早期 MVC 框架中的模型层用业务层和数据访问层代替，形成了 Spring MVC 框架（见图 1）。Spring MVC在 Spring 的基础上实现了 Web MVC 设计模式的请求驱动类型并具备轻量化优点，借鉴 MVC 架构模式的思想，将 Web 层进行职责解耦，并管理应用所需对象的生命周期，使其可以在业务层对数据访问进行操作，可大大提高 WEB 框架的效率。

图1 Spring MVC 示意图

在进行软件服务端开发时，需要先搭建好数据库。考虑各类数据库的性能、通用性、安全性和成本，本系统选用 MySQL 进行数据库搭建。

2 裂缝监测现场试验

鼎新楼地下停车场入口处坡道（见图 2），为现浇混凝土结构。该建筑在 2019 年经过维修改造工程后鉴定表明，该建筑在长时间的使用过程中，由于建筑体发生不均匀沉降，使得建筑结构整体的硬度和刚度变差，使得结构某些部位的抗剪切能力变差，从而产生垂直方向的裂缝；由于夏季和冬季、昼夜温差大而产生温度应力，产生较多处倒八字形裂缝。

图2 鼎新楼地下停车场入口处坡道

因此，选择以下三处裂缝测点进行试验以验证监测系统的稳定性与鲁棒性。

1）停车场入口坡道东侧裂缝；

2）停车场入口坡道南侧裂缝；

3）停车场入口坡道北外墙裂缝。

将裂缝网专属数字二维码标张贴在裂缝监测点的两侧：两张二维码标识关于裂缝监测点呈现中心对称，左右两侧二维码标识的外边缘距离同侧裂缝外轮廓的距离大约为两倍的裂缝宽度。二维码标识上分布的黑白相间的小矩形用于记录数据符号信息，在靠近标识外边缘的中点处设置一条水平短实线，用于辅助安装二维码标识，两个水平短线分别位于裂缝两侧，安装标识时使两根水平短线位于同一水平线或竖直线上，两个二维码标识水平短线的连线与裂缝相交的位置即是裂缝监测点，如图 3 所示。

图3 现场裂缝图像采集

裂缝监测点处标识安装完成后，使用图像传感器进行裂缝图像信息采集工作，拍摄裂缝图像时应使得两张二维码标识与裂缝信息完整，且裂缝大致位于图像的中间位置，两根用于辅助安装的水平短线的连线应大致与图像传感器的长边方向平行。本次现场试验使用的图像传感器为移动手机 iphone 12，为保证试验过程中每次采集的裂缝图像保持基本一致，提高云端深度学习裂缝检测算法的鲁棒性与准确性，将照片的分辨率设置为4 032×3 024，现场裂缝图像采集如图 4 所示。

图4 现场裂缝图像采集

现场裂缝图像采集完成后，将裂缝图像上传至裂缝在线监测系统裂缝网（www.crackeye.net），监测系统后端的深度学习算法会自动识别裂缝病害的类型，获取上传裂缝图片的裂缝测点处的裂缝宽度并进行数据处理。此外分别使用 100 倍裂缝观测仪与刻度为 0.5 mm 的高精度软尺（见图 5）测量裂缝监测点处的裂缝宽度作为对照试验。

3 试验结果分析与报表生成

打开计算机中的任意浏览器，进入在线监测系统裂缝网，经过监测系统内的建筑定义、裂缝定义与标识定义功能，将裂缝测点处的裂缝图像与该裂缝旁的二维码标识进行绑定，以此实现裂缝测点与系统后端数据库的一对一绑定，为实现自动化裂缝图像信息自动处理打下基础。云端在接受到处理上传的裂缝图片的请求后，会自动解码裂缝测点旁二维码标识信息，获取该测点在此前定义好的建筑名称、裂缝名称和与之绑定的数字二维码标识 ID。每一个裂缝测点与其旁边的数字标识逐一绑定，监测系统则会根据云端的解码信息实现该裂缝测点的位置信息与裂缝标识身份信息的自动化归属，如表 1 所示。

建筑名称 裂缝测点 裂缝标识身份鼎新楼地下停车场入口处坡道 坡道东侧裂缝 01000714鼎新楼地下停车场入口处坡道 坡道南侧裂缝 01000899鼎新楼地下停车场入口处坡道 停车场入口坡道北外墙裂缝 01000716

后端嵌入的深度学习裂缝损伤识别算法在接受到处理请求后对上传的裂缝图片信息进行处理，并进行分析裂缝类型与裂缝宽度计算，获得基于机器视觉的裂缝宽度计算结果，并与试验结果对比，并将 100 倍裂缝观测仪所测量的裂缝宽度视作标准值，计算在线监测系统所获得的裂缝宽度值的准确率，如表 2 所示。

裂缝宽度 /mm 在线监测系统准确率 /%裂缝测点 在线监测系统100 倍裂缝观测仪0.5 mm 高精度软尺坡道东侧裂缝 3.29 3.21 3.25 97.51坡道南侧裂缝 4.19 4.40 4.50 95.23停车场入口坡道北外墙裂缝 5.82 5.66 5.75 97.17

试验结果表明，本文提出的在线监测系统所监测的裂缝测点处裂缝宽度的计算准确率在 95 % 以上，依据规范本文所提出的基于机器视觉的在线裂缝监测系统能满足裂缝监测需求。

对上述 3 个裂缝测点，从 2020 年 12 月 2 日－2021 年 1 月 7 日，进行裂缝图像的持续性采集工作，对每个裂缝测点共进行 22 次拍摄，以模拟一段时间间隔内的裂缝监测任务。

基于在线监测系统的数据分析功能会自动生成记录裂缝监测情况的报表。裂缝监测情况的报表通过检索云端数据库，自动匹配并描述该裂缝测点的建筑名称、建筑概况，并将该裂缝测点的裂缝宽度计算结果以表格和变化曲线图的方式直观体现，此外还会记录每一次上传的裂缝图片的图片名称。以停车场入口坡道北外墙裂缝的监测报表为例，对该裂缝测点的近一个月裂缝数据表如表 3 所示，该裂缝测点的裂缝宽度变化图如图 6 所示，报表的附件还会将用户所上传的裂缝图片汇总成表格。

图6 停车场入口坡道北外墙裂缝-裂缝宽度变化图

裂缝名称 时间 宽度/mm停车场入口坡道北外墙裂缝2020/12/03 5.82 2020/12/04 5.79 2020/12/07 5.75 2020/12/08 5.54 2020/12/09 5.81 2020/12/15 5.82 2020/12/16 5.88 2020/12/17 5.75 2020/12/18 5.78 2020/12/21 5.77 2020/12/22 5.78 2020/12/23 5.90 2020/12/24 5.90 2020/12/25 5.89 2020/12/28 5.80 2020/12/29 5.78 2020/12/30 5.81 2021/01/04 5.23 2021/01/05 5.05 2021/01/06 5.05 2021/01/07 5.58 2021/01/08 4.96

4 结语

本文提出了一个基于机器视觉的在线裂缝监测系统，通过在裂缝测点处使用图像传感器进行裂缝图像采集工作后上传至系统，系统则能完成该裂缝测点的位置信息与裂缝标识身份信息的自动化归属任务，并计算每一次上传的裂缝图片中相应裂缝测点的裂缝宽度。现场试验表明，本文所提出的在线裂缝监测系统可以准确测量裂缝宽度，在一段时间内也能实现对裂缝测点的高效监测，实现了新型的无接触式建筑结构裂缝病害诊断，克服了传统专业检测人员使用专业仪器对建筑结构裂缝进行逐一测量的劣势，不仅大大节省了传统裂缝病害检测工作的人工成本与时间成本，还使得不具备专业检测知识的人员也能及时、高效、快速、准确地进行裂缝检测。Q