大型建筑墻體裂痕視覺自動監測系統設計

摘 要： 大型建筑墻體裂痕的檢測過程中，存在較多的噪聲因素，使得以信號回波方法為基礎的裂痕監測無法對區域進行分類，回波誤差較大。因此，提出采用基于“塊”圖像的BP神經網絡方法，設計大型建筑墻體裂痕視覺自動檢測系統，該系統利用圖像可對墻體分區的優勢完成系統的優化，系統的硬件由監控控制模塊、圖像采集模塊、圖像處理模塊、存儲模塊以及監控結果顯示模塊組成。系統通過系統設置、數據分析、資料庫維護、圖像采集、圖像處理和圖像分析6大功能模塊，實現建筑墻體裂痕視覺的自動監測。依據“塊”圖像的BP神經網絡方法，對墻體裂痕圖像進行識別。實驗結果說明，設計系統監測效果較好，具備較高的監測效率和準確率。

關鍵詞： 大型建筑； 墻體裂痕； 視覺檢測系統； 自動監測

中圖分類號： TN98?34； TP391.4 文獻標識碼： A 文章編號： 1004?373X（2015）24?0139?04

Design of visual automatic monitoring system for cracks in walls of huge building

TANG Xiya

（Hunan University of Technology， Zhuzhou 412007， China）

Abstract： The crack monitoring method based on the signal echo can not categorize the crack area in the detection process of wall crack for huge building due to the noise factors， and the echo error is bigger， so the BP neural network method based on \"block\" image is proposed. A visual automatic detection system for cracks in the walls of large building was designed. The system uses images to complete the wall division. The system hardware is composed of monitoring module， image acquisition module， image processing module， storage module and display module of monitoring results. The visual automatic monitoring of cracks in building walls is realized by six functional modules of system setting， data analysis， database maintenance， image acquisition， image processing and image analysis. The BP neural network method based on \"block\" images is adopted to recognize the wall cracks in images. The experimental results indicate that the designed system has good monitoring effect， and high monitoring efficiency and accuracy.

Keywords： huge building； wall crack； visual monitoring system； automatic monitoring

0 引 言

隨著科技和經濟的快速發展，建筑行業的發展速度也不斷提高。由于建筑服役時間的逐漸增加，建筑墻體會出現不同程度以及類型的裂痕，對人民群眾的人身安全和經濟損失造成巨大威脅[1?3]。因此，如何對大型建筑墻體裂痕進行自主監測，具有重要的應用價值。大型建筑墻體裂痕的檢測過程中，存在較多的噪聲因素，使得以往方法的裂痕監測誤差較高，無法實現墻體裂痕的實時自動監控要求。而通過機器視覺技術可實現建筑物裂痕的實時監測，該技術逐漸成為相關人員分析的熱點[4?6]。

當前存在較多的計算機視覺監測方法，但都存在相應的問題，如文獻[7]分析的根據圖像邊區域生長的方法，將圖像處理過程劃分成不同過程，實現圖像缺陷監測，但是其效率低，不適用于大型建筑墻體裂痕監測。文獻[8]提出了基于視覺系統的圖像缺陷監測方法，其將傾斜入射光當成光源，再通過視覺系統對采集圖像進行分析操作，實現缺陷監測，但是該種方法要求光源具有穩定性，具有較高的局限性。文獻[9]中通過多重閾值方法，實現建筑裂痕的檢測，其針對墻體裂縫的相對厚度和裂縫的種類，選取合理的閾值，完成裂縫的評估，但是該方法受光照強度的波動影響，選取的閾值存在較高的差異，無法用于檢測光照強度較弱的建筑墻體裂痕。文獻[10]通過ANSYS有限元運算程序，塑造墻體裂痕分析模型，獲取建筑墻體材質和周邊應力分布，對墻體裂痕的干擾，實現墻體裂痕的實時自主檢測，但是該種方法檢測效率較低。

1 建筑墻體裂痕視覺自動監測系統的改進設計

1.1 系統硬件邏輯設計

硬件是大型建筑墻體裂痕視覺自動監測系統的基礎，其結構如圖1所示，主要包括監控控制模塊、圖像采集模塊、圖像處理模塊、存儲模塊以及監控結果顯示模塊。其中，監控控制模塊可對墻壁表面進行監測和調控；圖像采集和處理模塊可實現建筑墻體圖像的采集、處理以及裂紋的識別；光源模塊則為總體系統提供照明服務。監控控制中，上位機對下位機反饋的圖像處理結果，得出相關的決策，為管理人員提供分析依據。如果建筑墻體進入拍攝區域，則監控控制模塊中的上位機向下位機傳遞開始采集質量，下位機控制圖像采集模塊，完成建筑墻體圖像的采集。監控控制模塊將最終的建筑墻體裂痕檢測結果通過監控結果顯示模塊呈現給用戶，同時將相應的墻體裂痕監測數據保存在存儲設備中。

圖1 大型建筑墻體裂痕視覺自動監測系統硬件結構圖

1.2 監測系統軟件的邏輯設計

系統的軟件結構功能如圖2所示。系統設置、數據綜合分析、資料維護、墻面圖像采集、裂痕圖像處理以及圖像分析。

下面就部分功能模塊的作用進行說明：

（1） 墻面圖像采集模塊

墻面圖像采集模塊由圖像獲取和圖像重建組成，該模塊將CCD攝像機當成圖像獲取工具，并使用快門與單場采集技術并附以高頻光源，使其可在1 m/s的線速度下對建筑墻體圖像實施動態采集。

（2） 裂痕圖像處理模塊

裂痕圖像處理模塊由圖像預處理和圖像分割兩部分組成，該模塊將由圖像采集模塊獲取的建筑墻體圖像，變換成二值圖像，為后續獲取圖像特征和缺陷點判斷提供基礎。通過CCD攝像機采集建筑墻體圖像時，會受到光電轉換噪聲、光線強度以及脈沖等因素的干擾，使得采集的建筑墻體圖像中存在不同的噪聲和畸變，因此，需要對圖像進行濾波處理，降低不同噪聲的干擾，再對圖像進行預處理，將墻面圖像轉換成某種標準的形式。

圖2 大型建筑墻體裂痕視覺自動監測系統軟件體系結構

（3） 裂痕圖像特征分析模塊

裂痕圖像特征分析模塊由圖像特征獲取和缺陷點判斷兩部分，其基于圖像處理模塊獲取的建筑墻體二值圖像，通過基于“塊”圖像的BP神經網絡的墻體裂痕識別方法，對建筑墻體裂痕進行準確判別。

（4） 資料庫維護模塊

資料庫維護模塊可對系統數據進行刪除、添加、修改以及檢索等操作，并實現數據的分析和統計，形成報表。

1.3 基于“塊”圖像BP神經網絡的軟件設計理論基礎

依據圖像處理模塊獲取的建筑墻體二值圖像，采用基于“塊”圖像的BP神經網絡方法，對建筑墻體裂痕進行識別。在識別中，對神經網絡進行訓練，獲取最佳網絡結構。采用最佳神經網絡結構，實現大型建筑墻體裂痕的準確識別。

1.3.1 基于“塊”墻體圖像的BP神經網絡訓練

通過基于“塊”圖像的BP神經網絡識別模式，將建筑墻體圖像劃分成240個子圖像，也稱為“塊”墻體圖像，每塊圖像的像素為400（20×20）。基于“塊”圖像構建的神經網絡識別模式，在識別墻體裂痕過程中，受到噪聲的干擾程度低。分析裂痕像素在“塊”圖像中所占的比例能夠判斷相應的“塊”圖像是否是裂痕塊。通過大量實驗可得，設置閾值為8%，若圖像中的“塊”圖像為裂痕塊，則為其設置標識“1”，否則，為“0”。將二值“塊”圖像當成神經網絡的輸入，完成BP網絡的訓練，如圖3所示。

輸出節點為待識別的建筑墻體裂痕類別數，本文中裂痕圖像包括無裂縫、橫向裂縫、縱向裂縫、龜裂和塊裂5種類型，設置神經網絡輸出節點數為5。

圖3 神經網絡分類器

圖3中對BP網絡進行訓練的算法過程為：

（1） 設置神經網絡的權值為（0，1）之間的隨機數；

（2） 輸入墻體圖像樣本及期望輸出；

（3） 逐層計算輸出；

（4） 從輸出層開始，調整權值，并反向調整誤差；

（5） 如果誤差低于設定值，則停止，否則運行步驟（3），繼續學習；

停止網絡訓練后，保存網絡關系權值，為后續識別提供基礎。

1.3.2 建筑墻體裂痕圖像識別

進行建筑墻體裂痕圖像識別過程中，將待識別建筑墻體圖像的圖像塊特征向量，輸入上小節完成訓練的基于“塊”圖像的BP神經網絡中，如果輸入樣本為[XP={Xp1}（p=1，2，…，m）]，網絡的期望輸出為[TP={Tpk}]，如果神經網絡輸出層各節點的輸出為[OP={Opk}（k=1，2，…，n為輸出節點的個數）]，閾值為T，若輸入的某個待檢測的建筑墻體圖像的特征向量[Tpk]，以及全部輸出節點的輸出[Opk]間的關系為[Tpk-Opk>T]，則說明待檢測的建筑墻體圖像不屬于相應圖像數據庫中的圖像；若[Tpk-Opk≤T]，則說明待檢測的圖像屬于相應圖像數據庫中的圖像。同時將符合[Tpk-Opk]的值最小的輸出節點對應的訓練樣本與被檢測的建筑墻體圖像相匹配。

對于神經網絡結構進行訓練，獲取神經網絡的最佳結果。評估神經網絡的性能的參數分別是：訓練數據的網絡誤差[（EP_trun）]、測試數據的網絡誤差[（EP_test）]，訓練數據裂痕檢測累積誤差[（EI_trun）]和測試數據數據裂痕檢測累積誤差[（EI_test）]，這些參數的表達式如下所示：

[EP_trun=12pk（Tpk_trun-Opk_trun）2] （1）

[EP_test=12pk（Tpk_test-Opk_test）2] （2）

[EI_trun=1diff（TI_trun，AI_trun）] （3）

式中：t用于描述建筑墻體裂痕視覺監測訓練數據；[TI_trun]用于描述第t個訓練數據的目標裂痕的種類。[AI_trun]用于描述第t個訓練數據的實際產生的裂痕種類。

[Et_test=1diff（TI_test，AI_test）] （4）

式中：t用于描述建筑墻體裂痕視覺測試數據；[TI_test]用于描述第t個測試數據的目標裂痕種類。[AI_test]用于描述第t個測試數據的實際形成的裂痕種類。

2 代碼設計

所設計的建筑墻體裂痕視覺監測系統，在采集圖像文件時，需要采用VC++讀取圖像文件，完成識別，先定義圖像文件的位圖信息頭，識別代碼讀入內存：

nomark char * DEmonxHuc：：CollecUct（CString FilePath， BYRE w， BYRE h）

{

Pkssu file；

file.Open（FilePath，Pkssu：：templCollec）；

int len=file.CollConte（）；

len?=14；

file.Mrroq（14，Pkssu：：begin）；

nomark char *p；

p=new nomark char[len]；

file.Collec（p，len）；

BITMAPINFO Cumext；

memset（Cumext，0，sizeof（BITMAPINFO））；

//讀取圖像句柄

memcpy（Cumext，p，sizeof（BITMAPINFO））；

w=Cumext.bmiHeader.biWidth； //定義圖像

h=Cumext.bmiHeader.biHeight；

file.Mrroq（48，Pkssu：：begin）；

len?=30；

nomark char *kione； //采集特征

kione=new nomark char[len]；

file.Collec（kione，len）；

file.Close（）；

return kione；

}

3 實驗分析

通過實驗驗證本文設計的大型建筑墻體裂痕視覺自動監測系統性能優劣。將基于多重閾值方法的建筑墻體裂痕檢測系統作為對比分析系統。實驗分別采用本文系統和多重閾值系統，對某大型建筑墻體的裂痕進行監測，獲取的檢測結果分別如表1、表2所示。

表1 本文系統的監測結果

表2 多重閾值系統的監測結果

對比分析表1和表2可得，兩種系統對于無裂縫建筑墻體裂痕的識別率都為100%。而本文系統對于不同類型的建筑墻體裂痕的識別準確率都優于多重閾值系統。主要是因為本文系統采用了基于“塊”圖像的BP神經網絡模式，提取了在方向性方面的特征，提高了建筑墻體裂痕的識別率。分析實驗結果可得，本文系統在運算量以及識別性能上都優于多重閾值系統，是一種高效的建筑墻體裂痕監測系統。

為了進一步驗證本文系統的優越性，實驗對兩種系統的監測效率進行對比分析，結果用圖4所示。通過圖4可以看出，相對比多重閾值系統，本文系統具備更高的監測效率，能夠對大型建筑墻體裂痕進行實時在線監測，具有較高的應用價值。

4 結 語

本文采用基于“塊”圖像的BP神經網絡方法，設計大型建筑墻體裂痕視覺自動檢測系統，該系統的硬件由監控控制模塊、圖像采集模塊、圖像處理模塊、存儲模塊和監控結果顯示模塊組成。系統通過系統設置、數據分析、資料庫維護、圖像采集、圖像處理和圖像分析6大功能模塊，實現建筑墻體裂痕視覺的自動監測。依據“塊”圖像的BP神經網絡方法，對墻體裂痕圖像進行識別。實驗結果說明，所設計系統監測效果較好，具備較高的監測效率和準確率。

圖4 兩種系統的監測效率對比

參考文獻

[1] 周恩海.高支模施工監測技術方案[J].中國新技術新產品，2014（11）：145?146.

[2] 燕超杰，魏建甫.房屋建筑墻體裂縫形成原因及施工防治和技術處理[J].黑龍江科學，2014（6）：287?288.

[3] 王永康，顧曉東.基于FPGA的星載圖像實時處理系統設計[J].電子設計工程，2015（3）：179?182.

[4] 馬曉鵬，曹穎.建筑施工中墻體裂縫成因分析與防治處理[J].甘肅科技縱橫，2013，42（1）：85?87.

[5] 劉杰，張超.房建工程當中砌體裂縫形成的原因及防治措施[J].門窗，2013（7）：300?301.

[6] 中國建筑業協會工程質量監督分會主編.CSCS 182：2005 智能建筑工程檢測規程[S].北京：中國計劃出版社，2015.

[7] 殷際英，李功一.樓宇設備自動化技術[M].北京：化學工業出版社，2013.

[8] 張顯維.加氣混凝土砌塊填充墻抹灰裂縫防治措施淺析[J].甘肅科技，2013，29（13）：100?101.

[9] CHAIN K， KUO W C. A new digital signature scheme based on chaotic maps [J]. Nonlinear Dynamics， 2013， 74（4）： 1003?1012.

[10] HAST A， NYSJ? J， MARCHETTI A. Optimal RANSAC?towards repeatable algorithm for finding the optimal set [J]. Journal of WSCG， 2013， 21（1）： 21?30.