基于Gabor算子的人工蜂群算法大壩裂縫檢測*

陳 偉，范新南，李 敏，史朋飛，顧麗萍

（河海大學江蘇省輸配電重點實驗室，常州213022）

·微機軟件·

基于Gabor算子的人工蜂群算法大壩裂縫檢測*

陳 偉，范新南，李 敏，史朋飛，顧麗萍

（河海大學江蘇省輸配電重點實驗室，常州213022）

針對水下大壩裂縫圖像的低信噪比、低對比度以及大壩裂縫形狀的不規則性和方向的不確定性等特點導致的檢測精確度低、通用性弱的問題，提出了一種基于Gabor算子的人工蜂群算法大壩裂縫檢測方法。該方法簡化了蜜蜂的搜索過程，先利用Gabor算子搜索得到一組局部最優花蜜源，根據花蜜源的“收益度”以及“朝向性”特點，從最優花蜜源的角度鄰域搜索收益率較高的花蜜源，并對所有的食物源按照條件進行篩選和連接。由于減小了搜索范圍，所以可以節省搜索時間，而且針對不同類型的大壩裂縫可以精確連貫地檢測出大壩裂縫信息，并且可以有效地抑制噪聲。

大壩裂縫檢測；Gabor算子；人工蜂群算法；收益度；朝向性；精確；抑制噪聲

1 引 言

作為水電工程的主要設施之一，大壩是關系到國計民生的重要工程。由于承受很大的水壓和溫度梯度、水的沖刷、滲透、侵蝕及建筑質量等原因，大壩不可避免地會產生裂縫［1］。常見的大壩裂縫檢測方法主要分為：目測法和無損檢測法。其主要包括：自然電位法［2］，瑞利波法［3］，高密度電阻率法［4］，振動法［5］，超聲波檢驗法［6］，探地雷法［7］，傳感器檢測法［8］。這些常見的方法對大壩裂縫檢測盡管可以達到一定的檢測效果，但是由于水下光的散射現象隨著照明的增強而趨于嚴重和海水中各種微粒、浮游生物以及水體流動導致的水下大壩裂縫圖像的低信噪比、低對比度以及大壩裂縫自身形狀的不規則性和方向的不確定性等特點，它們都不能對水下大壩裂縫進行通用性的檢測以及精確定位和準確描述裂縫的形態。

近年來隨著對大量大壩裂縫圖像進行深入觀察、精確分析后發現，無論是微弱裂縫、表面裂縫、深度裂縫，在空域和頻域都表現出一定的方向性與連續性，可以指導我們來提高裂縫檢測的精度。我們知道，人工蜂群算法是一種群體智能優化算法，結合了全局最優搜索和局部最優搜索這兩種算法，能以更大的概率搜索到最優解并在很大程度上避免了局部最優［9］。因此，它主要運用于函數優化和極值尋優問題，如Karaboga等用ABC解決約束優化問題，聚類分析和訓練神經網絡；Pulikanti等把ABC和貪婪算法，局域算法結合來求解二次方程漸縮問題等［10］。在這些ABC算法運用中，都是將當前輪最優值與前若干輪的最優值方向矢量，作為最優引領蜂在下一輪覓食領域的搜索方向，雖然增加了最優方向引導能力，但同時具有很大的時間復雜度與空間復雜度，且當迭代達到一定次數時，蜜蜂可能在某個局部最優解的鄰域附近發生停滯［9］。

因此，為了節省搜索時間，同時具有很強的魯棒性與通用性，系統地提出了一種基于Gabor算子的人工蜂群算法的大壩裂縫檢測方法。首先利用Gabor算子對圖像的裂縫邊緣進行快速搜索，得到一組局部最優點以及該點的方向，并按照收益度的高低對食物源進行排序。然后針對每一個局部最優點，在該點的角度鄰域內進行搜索，找到收益率較高的食物源；并對所有的食物源按照條件進行篩選和連接，最終符合條件的所有食物源即為裂縫所有的邊緣點，所有邊界點的并集就是裂縫邊緣。該算法可以快速地檢測出單條或多條大壩裂縫，對于不同類型大壩裂縫的連貫性檢測有一定的優化，并且可以有效地抑制噪聲。

2 人工蜂群算法

2．1 人工蜂群算法模型

自然界蜜蜂的行為表現出自治、分工和自組織等特征［11］。在人工蜂群算法模型中，蜂群系統的構成主要包含三個基本組成要素：蜜源（食物源）、蜂群以及蜜蜂個體之間的信息交流機制［12－13］。

食物源：食物源的質量主要由多方面的因素決定，可以用參數“收益率”來表示。因此，尋找高質量食物源的位置就是搜尋最優解的過程。

蜜蜂：按照分工不同，可以將所有的工蜂分為雇主蜂、跟隨蜂和偵查蜂三類。

信息交流機制：蜜蜂通過在蜂巢中的舞蹈區跳舞的方式來與其他的蜜蜂分享食物源信息。在ABC算法中，舞蹈的興奮程度與相應食物源的“收益率”呈正比，這樣使得蜂群能夠有效利用集中的食物資源。

蜜蜂采蜜是整個蜂群生存的基礎，其基本行為有搜索蜜源、為優質蜜源引導雇傭蜂和放棄劣質蜜源三種。食物源中花蜜源的品質和數量代表了花蜜源的效益。在ABC算法中，食物源相當于優化問題中最優解的位置信息，該值由參數“收益率”（profitability）來表示，尋找效益最高的花蜜源位置就是一個尋找最優解的過程。雇主蜂掌握了效益指標較高的花蜜源，可以引導雇傭蜂或獨自開采蜜源。個體間的信息交流是在蜂巢的舞蹈區通過個體的舞蹈進行信息交流。

2．2 人工蜂群算法流程

在人工蜂群算法中，蜜蜂對食物源的搜索主要分為三大步。首先，偵查蜂在環境中搜索食物源，并且記錄食物源的信息。然后，跟隨蜂根據雇主蜂提供的食物源信息，選擇一個收益率高的食物源進行采蜜。最后，當該食物源的收益率低于某一程度時，放棄該食物源，以“偵查蜂”的身份繼續尋找新的食物源［11］。具體流程如下：

（1）首先，初始化蜂群，將所有的工蜂全部以“偵查蜂”的身份派出去隨機搜尋食物源。設食物源的個數為n，即引領蜂的個數，用n維向量Xi（i＝1，2，．．．，n）表示環境中的初始食物源。

（2）食物源的優劣用“收益率”來表示。當引領蜂在蜂巢內的舞蹈區將食物源的信息與所有跟隨蜂分享時，跟隨蜂會根據食物源的信息來選擇一個食物源去采蜜。該選擇機制是通過食物源的“收益率”來排序。一般情況下，食物源的收益率越高，被跟隨蜂選擇的概率就越大。每一個食物源被選中的概率就是該食物源的“收益率”在所有食物源“總收益率”中所占的比例。公式如下所示：

其中，Pi的計算結果是第i個食物源被選中的概率，profiti是第i個食物源的收益率，n為所有食物源的個數。

（3）跟隨蜂會對其選擇的食物源的某一鄰域范圍進行搜索。如果搜索到新食物源的收益率優于引領蜂所對應的原食物源，則用新食物源的位置代替原來食物源的位置，否則就繼續開采原來的食物源。食物源位置更新為：

其中，xi（t＋1）代表了新產生的第i個食物源位置，xi（t）代表了原來第i個食物源位置，k∈｛1，2，．．．，n｝，但k≠i。r代表著食物源搜索領域的范圍，r∈［－1，1］，隨著搜索結果越來越接近最優解，該值就越小。

（4）當食物源被采集了limit次，收益低于某一程度時，則需要放棄該食物源，在整個解空間中隨機產生一個新解來代替。此時，與該解所對應的雇主蜂將轉變為偵查蜂。由該偵查蜂通過下列公式隨機產生一個新的解。

3 基于Gabor算子的人工蜂群算法裂縫檢測

該算法利用Gabor算子改進人工蜂群算法，提高了大壩裂縫信息搜索的速度和精確度，增強了算法的通用性。首先利用Gabor算子對圖像的裂縫邊緣進行快速搜索，得到一組局部最優點以及該點的方向，并按照收益度的高低對食物源進行排序。然后針對每一個局部最優點，在該點的鄰域內進行搜索，找到收益率較高的食物源；并對所有的食物源按照條件進行篩選和連接，最終符合條件的所有食物源即為裂縫所有的邊緣點，所有邊界點的并集就是裂縫邊緣。因此，改進的人工蜂群算法主要分為：食物源初始化，跟隨蜂招募以及跟隨蜂食物源搜索3大步驟。

3．1 食物源初始化

在ABC算法中，食物源就代表了大壩裂縫的邊緣點坐標。因此，食物源初始化就是在大壩裂縫圖像中搜索裂縫邊緣的像素點，初始化N個局部最優點，即對大壩裂縫邊緣進行初定位。

針對水下大壩裂縫圖像中的裂縫信息、背景信息以及噪聲信號在頻譜上表現的不同，且裂縫具有一定方向性的特征，Gabor算子能在最佳時頻下，在不同尺度和不同方向上對大壩裂縫圖像進行裂縫邊緣提取，得到部分的裂縫信息邊緣點。所以，采用Gabor算子對圖像裂縫進行食物源初始化。

Gabor小波函數可以表示為：

其中，（a，b）為對（x，y）旋轉后的坐標，ξ和η為Gabor濾波器的中心位置，一般默認為原點，即ξ＝η＝0，θ為Gabor濾波器的方向。r為Gabor高斯函數的縱橫比，取值范圍為0．23－0．92。λ為Gabor濾波器的波長，因此，1／λ是Gabor濾波器的中心頻率，而δ／λ為Gabor濾波器的帶寬，φ為Gabor濾波器的相位。

在同一方向、不同尺度下，先對大壩裂縫圖像作Gabor小波濾波；然后在不同方向上對每個像素點與Gabor小波函數進行卷積，得到大壩裂縫可能的邊緣。對以上極大值點進行閾值分析，剔除偽邊緣點，得到不同尺度下的邊緣點。這些邊緣點即為大壩裂縫的邊緣像素點，即圖像的食物源；將獲得的n個像素點作為食物源，存儲在向量P中，P＝｛P1，P2，．．．，Pn｝，P為像素點的位置，即Pi＝（xi，yi），并獲得像素點相應的角度θ＝｛θ1，θ2，．．．，θn｝。在搜索到食物源后，引領蜂將儲存對應食物源的相關信息，并將該信息與蜂巢中的蜜蜂進行分享，從而招募到更多的跟隨蜂去該食物源采蜜。

3．2 招募跟隨蜂

招募跟隨蜂指的是雇主蜂在蜂巢的舞蹈區將食物源的效益率傳達給跟隨蜂，然后跟隨蜂根據食物源的效益率選擇食物源進行采蜜。在大壩裂縫檢測算法中，可以采用與邊緣點信息強相關的函數作為效益率函數。這樣，效益率函數值越高，該像素點為邊緣點的可能性就越大，食物源被跟隨蜂選擇的概率就越大。因此，選擇蟻群算法中的信息素函數［14］作為本文效益率函數，I（x，y）信息素的鄰域如圖1所示。

圖1 信息素鄰域

信息素函數計算公式如下所示。

每個食物源被選擇的概率是該食物源的效益率在所有食物源效益中所占的比例，計算公式如下所示。

當跟隨蜂選擇了某一雇主蜂所代表的食物源后，將會在該食物源的某一鄰域范圍內進行搜索收益率更高的食物源。

3．3 跟隨蜂搜索食物源

跟隨蜂搜索食物源是指在食物源鄰域范圍內隨機搜索收益率高的食物源進行采蜜。因為裂縫邊緣上像素點的相位具有一定的相似性，即平行于裂縫的法線方向，而且在食物源初始化過程中，已記錄所有食物源的方向信息。所以從已存儲在向量P中的局部最優解作為搜索起點，只搜索該點的角度擴展的r鄰域內的點即可，公式如下所示。

其中，（x′，y′）為搜索范圍的坐標，θ為（x，y）像素點的梯度角度信息，γ為鄰域大小，［］為取整符號。

計算搜索鄰域內所有點的收益度和朝向信息，將方向相近、收益度相似且最大的點作為新的食物源搜索點。這樣可以減少跟隨蜂的搜索范圍，最終減少算法運行時間。

判斷收益度相似的標準公式如下所示。

其中，prob為原食物源的收益率，probn為新食物源的收益率，Th0和Th1為兩個閥值。Th0的取值范圍為：0．5probaverage≤Th0≤1．5probaverage，Th1的取值范圍為：1．5probaverage≤Th1≤3probaverage［9］。其中，probaverage為鄰域范圍內所有點的收益率平均值。

依次循環下去，在搜索過程中，若該食物源的鄰域內沒有滿足條件的像素點，則記錄該食物源鏈標號、所有搜索點的位置信息及該食物源的朝向信息并存儲到向量Sp＝｛（x1，y1），（x2，y2），．．．，（xq，yq）｝中。其中，p為食物源鏈的標號，q為該食物源鏈中搜索到作為食物源的個數。然后計算下一個局部最優點，依次循環下去，直到達到某一終止條件。

由于裂縫信息在圖像中表現為具有一定的連貫性，但是其局部可能出現部分斷缺線段的特點，當食物源鏈中食物源的數量超過某一閾值Num時，則將該食物源鏈作為邊緣信息，并且按照角度信息對所有食物源的位置進行連接，形成裂縫邊緣信息。依次循環下去，直到將所有的疑似邊緣點全部掃描完。這樣的話，可以將斷裂的裂縫片段進行有機連接，對裂縫進行了線性增強，去除圖像中連通域內像素較少的區域，即可得到完整的大壩裂縫圖像的邊緣信息。

4 實驗結果與分析

經過大量的實地以及資料調研，工程上一般將裂縫根據其長度、寬度以及深度的不同分為以下三類：微弱裂縫，表面裂縫，大裂縫（深度裂縫、貫穿裂縫）。為了驗證提出的基于Gabor算子的人工蜂群算法的大壩裂縫檢測算法的有效性與通用性，選擇了3類典型的大壩裂縫圖像：光照均勻的弱裂縫圖像；光照不均勻的表面裂縫圖像；過度曝光的大裂縫圖像進行檢測并與其它經典的邊緣檢測算法進行對比。

4．1 仿真實驗

首先，來驗證提出的算法對大壩檢測精確度的影響。對于精確度，由于水下低信噪比、低對比度等特征，使得所獲得的原大壩裂縫圖像本身的精確度就很差，對精確度的比較存在很大影響。因此，為保證所獲得原裂縫圖像的精確度，設計出了一組實驗：用相機在空氣中拍攝一幅大壩表面的裂縫，然后通過模糊化處理，來模擬水下環境；分別對這幅仿真圖像進行基于蜂群算法的檢測和基于本文提出的算法進行檢測，將所得邊緣完全覆蓋于原圖，與原圖裂縫邊緣形成對比，這樣可以比較清晰地比較兩者的精確性。具體實驗結果如圖2所示。

圖2（a）是背景比較簡單，噪聲比較少的一幅大壩裂縫圖像，這樣可以減小精確度對比的誤差。通過對比圖2（a），（c），（d）可以清晰地看出蜂群算法檢測的部分誤檢；對比圖2（e）與（f）兩幅將大壩裂縫檢測得到的裂縫與原大壩裂縫圖相加的圖像，可以觀察，基于Gabor算子的人工蜂群算法檢測出的邊緣更接近原圖，精確度要優于人工蜂群算法；而且對噪聲的抑制更加明顯。

4．2 大裂縫檢測

圖3（a）為過度曝光的大裂縫圖像，其縫寬w≥3mm，縫長l≥3m，縫深h≥100mm屬于結構性裂縫，不僅對大壩結構的整體性以及耐久性造成一定的影響，甚至有可能危害到大壩的整體承載能力，導致結構失穩。

圖2 仿水下大壩裂縫檢測圖

相對于空氣中形成的圖像，由于水下光的散射現像造成圖像的對比度下降，以及海水中各種微粒、浮游生物以及水體的流動會增強水下圖像噪聲，使圖像退化，造成水下圖像質量的下降，這些為水下大壩裂縫圖像處理帶來了更多困難。為了獲得較好的提取效果，必須對水下圖像進行增強，解決水下圖像模糊和光照不均勻以及對比度不明顯的問題。該算法采用了仿生物視覺的方法對大壩裂縫圖像進行增強。增強效果圖如圖3（b）所示。

在實驗中，由于裂縫的邊緣為階躍邊緣，為了提取最佳裂縫邊緣，將Gabor濾波器的參數設置為：θ＝π／2，δ／λ＝1．8。在方向提取上，不需要關系方向的正負，也就是0°和180°為1個方向。所以，該算法選擇了0－180°之間的6個方向；由于裂縫信息包括結構性裂縫與表面性裂縫，所以對于尺度信息，選擇2個尺度，6個方向（0°，30°，60°，90°，120°， 150°）對邊緣信息提取。利用Gabor算子對上述三種典型的裂縫圖像進行邊緣提取，并對提取的結果進行閾值分析，取得其邊緣像素點，并計算所有像素點的梯度方向，其結果圖如圖3（c）所示。

將圖3（c）所提取的邊緣像素點的位置存儲在向量P中，作為初始食物源，并計算信息素，根據信息素的大小對食物源進行排序，吸引跟隨蜂進行采蜜。引領蜂的規模Sleader為食物源的個數，跟隨蜂的規模為：Sfollow＝1．5Sleader，偵查蜂的規模為：Sscount＝0．12Sleader。然后針對向量P中的食物源進行搜索，結果如圖3（g）所示，并將裂縫提取的結果與其它典型的邊緣提取算法，即基于蜂群算法，roberts算子，prewitt算子等進行比較。此外，還引入了信噪比（SNR），逼真度（Imfid），兩個客觀評價指標對裂縫邊緣提取效果進行評價。實驗效果圖如圖3所示。

圖3 大裂縫檢測圖

對于過度曝光的大裂縫，主要由于強光源導致海水的散射增強，使得拍攝得到的圖片模糊，但背景噪聲不是很多的情況下，對比圖2（d）和（g）同時根據表1，兩者對于噪聲的抑制作用都有明顯的提高，但是蜂群算法存在少量的誤檢及精確度低的問題。

表1 四種邊緣提取算法的性能參數

4．3 表面裂縫檢測

圖4（a）為光照不均勻表面裂縫，其縫寬2mm≤w＜3mm，縫深30mm≤h＜100mm，縫長3m≤l＜5m，表現為規則狀的表面（淺層）裂縫。一般對大壩的承載能力以及結構的穩定性沒有巨大危害，只是影響大壩的整體美觀。但是這類裂縫在長期的水劈裂作用以及外部荷載不均等作用下，會不斷的擴大以及深入，最終形成結構性裂縫，危害大壩的正常運行。實驗效果圖如圖4所示。

圖4 表面裂縫檢測圖

對于光照不均，裂縫寬度遠小于大裂縫，背景干擾較為嚴重的表面裂縫，可以充分體現出提出算法的魯棒性及對噪聲高抑制的特點。對比圖4（d）與（g）可以清晰地看出，蜂群算法存在大量的誤檢與大量的背景噪聲；而圖4中（e），（f）存在大量邊緣的漏檢。

表2 四種邊緣提取算法的性能參數

4．4 弱裂縫檢測

圖5（a）為光照均勻的弱裂縫，其縫寬w＜2mm，縫深h＜30mm，縫長l＜3m，表現為細微規則的線性裂縫。該裂縫一般不會對面板的安全性產生不利影響，甚至經過一定時間部分微弱裂縫也可能自愈。對弱裂縫的檢測結果如圖5所示。

對于光照均勻的弱裂縫，由于裂縫的寬度極其小，有可能將背景噪聲誤檢為大壩裂縫；觀察圖5（d）對于蜂群算法存在大量的誤檢，將背景噪聲誤檢為裂縫信息，相比提出的算法對于大壩裂縫檢測更加相似且對噪聲有更好的抑制作用。

表3 四種邊緣提取算法的性能參數

針對三種不同類型的大壩裂縫，以上運用不同的算法進行邊緣提取并進行比較，可以明顯地發現提出的算法在對噪聲的抑制、通用性、相似度、精確度方面都有較大改善。

5 結束語

基于Gabor算子的人工蜂群算法針對不同類型的大壩裂縫能夠快速檢測出單條或多條裂縫，并且對于裂縫的連貫性檢測以及抑制噪聲方面有一定的優化；與其他邊緣提取算法相比，該算法提取的輪廓更接近于真實輪廓圖像，精確度更高，通用性更強；簡化了搜索過程，且由于算法無需搜索全局最優解，所以可以節省搜索時間，而且漏檢率和誤撿率都相對較低。但在對大壩裂縫圖像邊緣檢測時，存在一定的誤檢，這是需改進的地方。

圖5 弱裂縫檢測圖

［1］ 付軍，馬從計．一種新的基于圖像處理的水下大壩裂縫檢測算法［C］．水庫大壩建設與管理中的技術進展．四川：中國大壩協會，2012．Fu Jun，Ma Congji．A new kind of underwater dam crack detection algorithm based on image processing［C］．Sichuan：The technical progress in the dam construction and management，2012．

［2］ 劉建偉，劉克強．電位法在探測堤壩滲漏中的應用［J］．人民黃河，2008，30（2）：32－33．Liu Jianwei，LiuKeqiang．Theapplicationofthe potential method in the detection of dam leakage［J］．The people of the Yellow River，2008，30（2）：32－33．

［3］ 李軍，馬新龍．高密度電法在水庫大壩塌陷勘測中的應用［J］．工程勘察，2010（1）：89－94．Li Jun，MaXinlong．Applicationofhigh－density electrical method in the reservoir dam subsidence survey［J］．Engineering survey．2010（1）：89－94．

［4］ 劉超英，梁國錢，蘇全．瞬態瑞利波和地震層析成像法在拱壩質量檢測中的應用研究［J］．水利水電技術，2006，37（8）：88－90．Liu Chaoying，Liang Guoqian，Su Quan．The transient Rayleigh wave and seismic tomography method application in arch dam quality testing study［J］．Water resources and hydropower technology，2006，5（8）：88－90．

［5］ 王柏生，何宗成，趙琛．混凝土大壩結構損傷檢測振動法的可行性［J］．建筑科學與工程學報，2005，22（2）：51－56．Wang Bosheng，He Zongcheng，Zhao Chen．The feasibility of the concrete dam in structural damage detection method of vibration［J］．Journal of construction science and engineering，2005，22（2）：51－56．

［6］ 劉康．基于小波分析的混凝土超聲波缺陷檢測方法研究［D］．武漢：武漢大學，2013．Liu Kang．Concreteultrasonic defect detection based on wavelet analysis method research［D］．Wuhan：Wuhan university，2013．

［7］ 時方穩，杜應吉，郝楓楠．探地雷達在水利工程安全檢測中的應用［J］．人民長江，2012，43（7）：44－46．Shi Fangwen，Du Yingji，Hao Fengnan．Ground penetrating radar（GPR）application in water conservancy engineering safety test［J］．The people of the Yangtze river，the lancet，2012（7）：44－46．

［8］ 潘琳，陳宏偉．智能化大壩安全監測系統綜述［J］．水電自動化與大壩監測，2013，37（2）：58－60．（Pan Lin，Chen Hongwei．Intelligent dam safety monitoring system review［J］．Hydropower and dam monitoring automation，2013，37（2）：58－60．

［9］ 肖永豪．蜂群算法及在圖像處理中的應用研究［D］．廣州：華南理工大學，2011．Xiao Yonghao．Swarm algorithm and its application in image processing［D］．Guangzhou：south China university of technology，2011．

［10］ 曹金寶．人工蜂群算法研究及其應用［D］．西安：陜西師范大學，2013．Cao Jinbao．Artificial colony algorithm research were reviewed［J］．Xi’an：Shaanxi normal university，2013．

［11］ 楊淑瑩，張樺．群體智能與仿生計算一Matlab技術實現［M］．北京：電子工業出版社，2012．Yang Shuying，Zhang Hua．Swarm intelligence and bionic calculation a Matlab technology［M］．Beijing：electronic industry press，2012．

［12］ Karaboga D．An idea based on honey bee swarm for numerical optimization［R］．Technical report－tr06，erciyes university，engineering faculty，computer engineering department，2005．

［13］ Tian Jing，YU Wei－Yu，XIE Sheng－li．An ant colony optimization algorithm for image edge detection［J］．IEEE World Congress on Computational Intelligence，2008（18）：751－756．

［14］ Seeley T D．The wisdom of the hive：the social physiology of honey bee colonies［M］．Harvard university Press，2009．

Dam Crack Detection of Artificial Colony Algorithm Based on Gabor Operator

Chen Wei，Fan Xinnan，Li Min，Shi Pengfei，Gu Liping
（Jiangsu Key Laboratory of Power Transmission＆Distribution Equipment Technology，Hohai University，Changzhou 213022，China）

In this paper，we propose a kind of dam crack detection of artificial colony algorithm based on Gabor operator to solve problems such as low detection precision and application，caused by the low SNR and contrast of the dam crack image，and irregularity and uncertainty of the dam crack shape．This method simplifies the search process of bees．First，the Gabor operator is used to search the edge of image to get a set of local points and its direction．And then，according to the characteristics of its revenue degree and orientation，the food source is searched in the optimal food source neighborhood．At last，the image is searched from the local optimal points and all dam cracks information is found．We can save search time due to reducing the search scope and detect the dam crack information consistently according to the different types of dam crack．Moreover，it can suppress noise effectively．

Dam crack detection；Gabor operator；Artificial colony algorithm；Revenue；Orientation；Accurate；Noise suppression

10．3969／j．issn．1002－2279．2015．04．009

TP751

A

1002－2279（2015）04－0032－07

國家自然科學基金（61273170）；高等學校博士學科點專項科研基金（20120094120023）

陳偉（1989－），男，江蘇省揚州市人，碩士研究生，主研方向：圖像信息的獲取與處理。

2015－01－12