基于光纤传感器的建筑立面裂缝数字图像检测方法

张志远?乔倩

摘要：旨在提出一种基于光纤传感器的建筑立面裂缝数字图像检测方法，以实现对建筑结构裂缝的精准监测和分析。研究的目的在于应对传统监测方法在灵敏性和实时性上的不足，通过光纤传感器的高灵敏度和实时监测特性，提高裂缝检测的准确性和时效性。研究结果表明，所提出的方法在不同光照条件和建筑结构下均取得了良好的检测效果。通过数据表格分析，验证了光纤传感器数据与图像融合的有效性，同时裂缝特征提取算法和深度学习模型的综合应用显著提高了裂缝检测的准确性。

关键词：光纤传感器；数字图像；检测方法

一、前言

建筑结构的裂缝是结构健康监测与维护中的关键问题，早期准确检测对于预防结构损伤、提高安全性至关重要。近年来，随着光纤传感技术的飞速发展，光纤传感器在结构监测领域展现出了独特的优势。本研究旨在借助光纤传感器，结合数字图像处理方法，提出一种高效、准确的建筑立面裂缝数字图像检测方法，以满足对结构裂缝实时监测的迫切需求。本研究的主要意义在于整合光纤传感器和数字图像处理技术，针对建筑立面裂缝的监测问题提出一种全新、高效的检测方法。首先，通过光纤传感器实现对结构裂缝的实时、连续监测，消除了传统监测方法监测周期较长的弊端。其次，数字图像处理技术的应用使得对裂缝的特征提取更为准确，可以更全面地了解结构表面的裂缝情况。最后，本文提出的方法有望为建筑工程领域提供一种高效、精准、实时的裂缝监测手段，为结构健康维护提供科学可行的解决方案。

二、光纤传感器在建筑立面裂缝检测中的原理

（一）光纤传感器的基本工作原理

光纤传感器是一种基于光学原理的传感器，其基本工作原理涉及光的传输和测量。在建筑立面裂缝检测中，光纤传感器常采用光纤布拉格光栅传感器（FBGSensor）作为核心技术。FBGSensor的基本工作原理是通过光纤中的光栅结构对入射光的波长进行反射和散射，形成特征光谱，从而实现对外部环境变化的监测。在裂缝检测中，FBGSensor被精确安装在建筑立面，裂缝引起的微小变形会导致光栅结构的拉伸或压缩，进而引起反射光的波长发生微小变化[1]。通过实时监测这些波长的变化，可以精确测量建筑立面的变形情况，从而实现对裂缝的实时监测。

（二）光纤传感器在建筑结构监测中的适用性

1.高灵敏度与精准度

光纤传感器以其高度灵敏和出色的精准度而著称，这一特性在建筑结构监测中尤为重要。由于建筑结构的微小变形可能预示着潜在的结构问题，光纤传感器能够探测并记录微小的变形和形变，使得对裂缝、应力集中等问题的早期发现成为可能。高灵敏度使光纤传感器能够捕捉到常规监测方法无法察觉的微小结构变化，从而提供了更全面的结构健康状况信息。

2.实时监测和长期稳定性

光纤传感器的实时监测能力使其成为及时响应结构变化的理想选择。通过连续、实时地监测建筑结构的变形情况，光纤传感器能够在裂缝或形变发生时及时提供准确的数据，为工程师和决策者提供迅速的决策依据。此外，光纤传感器具有较强的长期稳定性，能够在不同环境下长期工作，保障监测的持续性和可靠性，从而满足建筑结构监测对稳定性和可靠性的要求。

（三）监测参数与建筑立面裂缝关联性分析

1.裂缝宽度与监测参数的关系

裂缝宽度是建筑立面裂缝的重要指标之一，与结构稳定性密切相关。光纤传感器能够精确测量微小的裂缝宽度变化，其值直接反映了结构的变形程度。通过监测参数值的时序变化，能够获得裂缝宽度的动态变化趋势。例如，当监测到裂缝宽度超过预设阈值时，可能预示着结构受力超过设计承载能力，需要进行进一步的结构评估和修复。

2.裂缝深度与监测参数的关系

裂缝深度是另一个关键参数，直接影响着建筑结构的安全性。通过光纤传感器测量建筑表面微小的凹陷和凸起，可以推断裂缝的深度变化。监测参数的变化趋势与裂缝深度的关联性有助于预测裂缝的发展趨势。例如，裂缝深度逐渐增加可能表明结构承受的应力正在增大，需要进行结构强化或加固。

3.变形速率与监测参数的关系

变形速率是描述裂缝发展速度的关键指标。通过监测光纤传感器的数据，能够获取裂缝引起的微小变形的速率。参数值的变化趋势与变形速率的关联性分析可为预测结构的未来发展趋势提供重要信息[2]。例如，变形速率的急剧增加可能意味着裂缝正在迅速扩展，需要紧急维修和干预。

三、建筑立面数字光纤传感图像采集与预处理

（一）图像采集

高分辨率的建筑立面图像是保障监测准确性的关键。光纤传感器采集到的数据通常以光谱波长的形式呈现，这些数据需要映射到图像像素上。传感器布置的角度和密度也直接影响到图像的空间分辨率，因此，在图像采集阶段要考虑传感器的布置优化。建筑立面裂缝数字图像检测模型如图1所示。

图像预处理：图像预处理旨在增强图像质量和清晰度，去除光照不均匀、消除镜头畸变。降噪处理是预处理过程的重要步骤，可以使用均值滤波、高斯滤波等方法进行降噪处理，采用直方图均衡化来调整图像的亮度和对比度，从而使图像更适合后续的分析工作。

光纤传感器采集的图像数据中蕴含着丰富的信息，通过特征提取和识别分类可以深入挖掘这些数据并定量描述建筑立面裂缝的情况。

RGB特征量提取：光纤传感器采集的图像是多光谱的，包括红、绿、蓝（RGB）通道的信息。对于每个像素点，其RGB值可以被看作是一个三维向量，即（R，G，B）。这个三维向量即为RGB特征量，代表了该像素点在颜色空间中的位置。RGB-Vector=（R，G，B）

建筑立面裂缝像素点的提取：在图像中，建筑立面裂缝往往表现为局部颜色或亮度的变化。通过设置适当的阈值和滤波器，可以提取与裂缝相关的像素点。这些像素点的RGB特征量将被用于后续的分类和识别。

Crack-Pixels={（x，y）|满足裂缝特征的像素坐标}

通过这一系列的图像采集与预处理步骤，可以得到一组高质量的建筑立面裂缝图像，并从中提取与裂缝相关的像素点和其对应的RGB特征量，为后续的深度学习或机器学习分类模型提供了有力的数据基础，以实现对建筑立面裂缝的准确识别和分类[3]。

（二）图像特征分割

1.构建裂缝图像训练集

建立裂缝图像训练集是深度学习模型的关键步骤。在这个过程中，需要收集包含裂缝特征的图像，并为每个图像提供对应的标签，以指示图像中裂缝的位置。这个训练集将用于模型的学习和训练。为了构建训练集，可以选择典型的建筑立面图像，涵盖不同时间、光照和季节的变化。对这些图像进行标注，即在裂缝部分进行像素级别的标签。这样的标注工作可以通过专业工程师手动完成，也可以借助半监督学习和图像分割算法进行辅助标注。为了更好地理解裂缝图像训练集的特征，可以创建一个数据表格，包括以下信息（见表1）。

通过表1，可以对裂缝图像训练集的基本特征有一个直观的了解。光照条件和季节的变化可能导致裂缝的不同表现，而裂缝面积和像素数量则反映了裂缝的大小和密度。

2.对图像裂缝特征进行检测

为了有效地检测图像中的裂缝特征，采用了基于AMS-RGEC（AdaptiveMulti-scaleRegion-growingandEdge-checking）波段分析的方法。这一方法结合了区域生长和边缘检测的优势，适用于裂缝等较为复杂的纹理检测。算法步骤如下：

（1）多尺度区域生长

利用多尺度区域生长算法，从裂缝像素的种子点开始，逐渐生长形成裂缝区域。

（2）边缘检测

在生长的过程中，结合边缘检测算法，对裂缝边界进行精细划分，以提高边界的准确性。

（3）AMS-RGEC融合

将多尺度区域生长和边缘检测结果进行融合，得到最终的裂缝检测结果。为了评估算法的性能，可以对一部分裂缝图像进行算法检测，并记录检测的准确性、召回率和F1分数等评价指标，形成另一个数据（见表2）。

四、数字图像处理算法

（一）光纤传感器数据与图像融合方法

光纤传感器输出的光谱波长数据在裂缝检测中需转化为图像形式，以实现直观有效的分析。数据融合技术的运用是关键，它将光纤传感器提供的光谱数据，通过插值算法映射到图像像素上，并利用反演模型將光谱数据转化为裂缝的形状和大小信息，从而实现了光谱数据与图像信息的有机融合。此外，当系统涉及多种传感器时，多传感器融合技术可以进一步整合各类信息，提升检测的准确性。这种数据融合方法不仅降低了光纤传感器噪声的干扰，还提高了裂缝的空间分辨率，为后续的裂缝检测工作提供了更为可靠的数据支持，进而提升了整个检测过程的效率和精确度[4]。

（二）裂缝特征提取算法

裂缝特征提取是建筑立面裂缝检测中的核心环节，有效的算法至关重要。特征提取需聚焦于图像的边缘、纹理和形状信息。边缘检测算法，如Canny和Sobel能精准捕捉裂缝边界，通过连接边缘形成完整轮廓；纹理分析算法，如Gabor滤波器则利用纹理差异区分裂缝与建筑表面；形状分析算法，如Hough变换则针对裂缝的线性或曲线特征进行提取。这些算法的共同作用能够准确提取裂缝在图像中的几何和纹理信息，为建筑结构的评估和监测提供有力支持，同时也为裂缝的分类和深入分析奠定坚实基础[5]。

五、结语

本研究通过结合光纤传感器和数字图像处理技术，提出了一种创新的建筑立面裂缝数字图像检测方法，旨在解决传统检测方法中存在的周期长、精度低等问题。通过对光纤传感器数据与图像的有效融合，以及裂缝特征提取算法和深度学习技术的综合应用，取得了一系列令人鼓舞的研究成果。这一研究为智能建筑领域的安全监测提供了创新的思路和可行的解决方案，为工程实践和学术研究提供了有益的借鉴。

参考文献

[1]郭华洛.基于参数化技术的建筑表皮生成研究[D].广州：广州大学，2019.

[2]刘一何.基于数字技术的中国传统建筑“陌生化”表达方式研究[J].中外建筑，2023（03）：104-107.

[3]王春林.基于大功率激光投影的建筑立面提取研究[J].激光杂志，2021，42（08）：187-191.

[4]梁欣荣.建筑立面精细三维窗户结构半监督精准识别与逆向过程化重建[D].成都：西南交通大学，2022.

[5]师羽涵.数字技术在建筑设计中的应用[J].江西建材，2022（12）：167-168+171.

基金项目：1.2022度山西省高等学校科技创新计划（项目编号2022L710）；2.山西省职业教育校企合作典型生产实践项目

责任编辑：张津平、尚丹