基于圖像分析技術的結構表面裂縫形態檢測

方志 ，夏軍 ，劉傳樂

(1.湖南大學 土木工程學院，湖南 長沙 410082；2.湖南省交通建設質量安全監督管理局，湖南 長沙 410011)

基于圖像分析技術的結構表面裂縫形態檢測

方志1，夏軍1，劉傳樂2

(1.湖南大學 土木工程學院，湖南 長沙 410082；2.湖南省交通建設質量安全監督管理局，湖南 長沙 410011)

為有效檢測結構物表面裂縫形態，基于圖像分析技術，采取在結構表面黏貼純色標定塊，并借此通過投影變換來修正和標定原始圖像，對修正后的圖像進行骨架化提取、去除分支和毛刺等一系列處理后直接在圖像上確定裂縫特征參數。基于所提方法，采用不同長度、寬度和傾角的線條來模擬裂縫，試驗驗證了圖像修正和標定算法的有效性，并研究拍攝角度和光照條件對裂縫特征參數檢測精度的影響。研究結果表明：基于不同角度拍攝的豎向和斜向模擬裂縫長度的識別精度分別為99.73%和99.64%，對寬度不小于0.2 mm裂縫寬度的識別精度為95.84%和95.60%，表明該方法具有較高的檢測精度；光線強度對裂縫寬度精度影響較大，光照強度在1 400～3 100 lux時，識別精度較好，裂縫寬度識別的平均相對誤差小于5%。

結構檢測；圖像分析；圖像修正；裂縫長度；裂縫寬度

結構物表面的裂縫形態是結構狀態評估中的重要參數之一，因此，準確檢測結構表面的裂縫長度和開裂寬度顯得尤為重要。目前，結構表面裂縫長度和寬度檢測基本上是采用人工近距離接觸式測量，存在效率低、環境局限性大和可重復性差等不足，因此，有必要引入一種精度高、適用性強的無接觸式遠距離檢測方法。

近年來，基于圖像分析技術的裂縫檢測技術不斷發展并取得了一定的研究成果[1-8]，而如何在缺乏度量信息的混凝土和砌體結構表面準確修正和標定圖像是該技術成功應用的關鍵。Tung等[1]提出并研發了一種采用雙攝像頭的橋梁裂縫檢測系統，通過2個攝像頭采集的圖像和攝像頭之間的距離來確定裂縫的分布，但該系統還不能確定裂縫的長度和寬度；成盛等[2]研究在正拍條件下定量計算混凝土裂縫特征參數的算法，通過在裂縫旁邊放置面積已知的白色矩形塊，計算其在圖像中所占用的像素點數而得到像素解析度，但將裂縫長度簡單地取值為裂縫上、下邊界長度的平均值，略顯粗糙；方志等[3]研究混凝土結構表面裂縫圖像的標定與修正方法，采用基于矩形標定塊來對圖像進行拉伸和壓縮處理以修正單向傾斜拍攝的裂縫圖像，但還不能實現對任意拍攝角度的圖像進行精確校正；劉學增等[4]研究隧道襯砌裂縫的遠距離圖像測量技術，通過激光測距儀測定拍攝距離實現對圖像的標定，并研究了拍攝角度對裂縫特征參數的影響，但只是通過角度變換簡單修正斜拍圖像的裂縫特征參數，沒有校正圖像中存在的幾何變形，所以計算結果的精度有待提高，實際工程中還存在遠距離拍攝時拍攝角度難以準確測量等問題，因此該方法難以準確標定裂縫圖像。由于現場環境的限制，實際采集的裂縫圖像難以保證是嚴格的正拍圖像，相機成像平面與目標裂縫平面存在夾角，從而使裂縫圖像存在幾何變形，同時拍攝距離也難以準確標定，因此采用上述方法尚不能準確獲取裂縫信息。本文基于數字圖像分析技術，采用在結構表面黏貼純色標定塊，基于投影變換來標定和修正源自任意拍攝角度的原始圖像，并對修正后的圖像進行骨架化提取、去除分支和毛刺等一系列處理后直接在圖像上確定裂縫形態、長度和寬度，以期提出一種更具實用性的裂縫形態檢測方法。

1 裂縫圖像的分析方法

基于圖像分析技術的裂縫形態確定，主要包括裂縫圖像采集、圖像修正和標定、裂縫主干提取以及裂縫長度和寬度確定等內容。相應的處理流程如圖1。

圖1 裂縫圖像分析流程Fig.1 Flow chart of image analysis for crack inspection

1.1 圖像采集

像素解析度代表單位像素所能反映的對象實際尺寸。依據針孔成像原理，像素解析度、圖像分辨率、焦距和拍攝距離之間的關系如式(1)所示。

(1)

式中：L為裂縫平面至相機焦點的距離，mm；η為像素解析度，mm/pixel：f為相機焦距，mm；CG為傳感器尺寸，mm2；FB為相機分辨率，pixels2。

從式(1)可以看出：拍攝距離與相機分辨率呈二次關系，當其他條件不變時，裂縫寬度和相機焦距越大、分辨率越高，裂縫的最遠拍攝距離越大。

1.2 將RGB圖像轉化為灰度圖像

后續的圖像處理和分析均以灰度圖像為基礎，因此，先將RGB圖像轉化為灰度圖像。根據人類對每種顏色的敏感程度，將圖像的R，G和B顏色分量映射到R，G和B立方體的對角線上，采用式(2)計算各像素色彩的灰度值[9]。

Gray=0.229×R+0.587×G+0.114×B

(2)

式中：Gray為輸出灰度圖像的灰度等級。

1.3 圖像的修正和標定

當相機成像平面與裂縫所在平面存在夾角時，采集的圖像產生變形，圖像分析前需要先對原始圖像進行修正，這里基于圖像投影變換方法進行修正。

二維圖像中的點坐標表示為(x,y)，在矩陣[xy]中引入第3個元素，增加一個附加坐標，將其擴展為1×3的規范化齊次坐標[xy1]，這樣用三維空間點(x,y,1)表示二維空間點(x,y)，則圖像的幾何變換可表示為：

[xy1] =[x0y01]T

(3)

式中：(x,y,1)為變換后的坐標；(x0,y0,1)為變換前的坐標；T為幾何變換矩陣[10]。

幾何變換矩陣T在齊次坐標中為3×3階，其一般形式如下所示：

(4)

通常將全比例變換系數s設定為常數1，所以通過原始圖像中在同一平面上的4個像素點坐標以及變換后圖像對應的4個像素點坐標，就可以確定二維空間的投影變換矩陣T。

工程結構表面一般缺乏修正和標定所需的標定點，所以本文對原始圖像的修正和標定均以檢測前黏貼在結構表面的純色矩形標定塊為基礎。矩形標定塊在斜拍的影像中一般為四邊形，如圖2(a)所示。通過矩形標定塊的四個角點坐標就可以計算投影變換矩陣，并將斜拍圖像糾正為具有度量信息的平行影像。圖2(b)為修正后的圖像。

(a)原始圖像；(b)修正后圖像圖2 圖像修正Fig.2 Image correction

1.4 圖像背景修正和對比度增強

背景修正的主要目的是消減背景中不均勻照明、陰影等對圖像質量的影響，增強圖像的信噪比。這里采用原始圖像減去中值濾波后的圖像進行處理[11]，可有效消除標定塊和背景不均勻的影響，修正后的圖像如圖3(a)所示。

對比度增強主要采用“線性灰度變換”，將裂縫所在的灰度區間進行拉伸，增強裂縫與背景的對比度，使裂縫邊緣細節更加明顯，對比度增強后的圖像圖3(b)所示。

(a)背景修正后圖像；(b)對比度增強后圖像圖3 圖像背景修正和對比度增強Fig.3 Image background correction and contrast enhancement

1.5 消除孤立點或孤立塊

消除孤立點和孤立塊時，需要先對圖像進行二值化分割，即按照所設定的閾值，將圖像分割為若干個互不相交的小區域，使目標圖像和背景分離。本文采用窗口法框選裂縫區域，使該區域內裂縫的面積和背景所占的面積近似相等，統計該區域的直方圖，直方圖呈典型的雙峰圖，將2個峰值之間的谷點作為分割的閾值。圖4(a)為二值化并進行反轉處理后的圖像。

圖像采集過程中，因污損和背景修正算法的影響，分割后的圖像上不可避免的會存在孤立點或孤立塊噪聲。裂縫在圖像中一般面積較大，在提取裂縫過程中，可利用連通域度量去除“孤立”點或“孤立”塊，保留真實裂縫[12]。圖4(b)為消除孤立塊并進行反轉處理后的圖像。

(a)二值化后的圖像；(b)消除孤立塊后的圖像圖4 孤立塊消除Fig.4 Isolation block elimination

1.6 裂縫分類

工程結構表面裂縫通常分為圖5所示的線狀裂縫和網狀裂縫，其中線狀裂縫的最小外接矩形的長寬比較大，而網狀裂縫則近似為圓形或矩形。這里通過計算裂縫最小外接矩形的長寬比來區分線狀裂縫和網狀裂縫，并通過裂縫最小外接矩形的長軸方向來判斷裂縫的方向。同時規定線狀裂縫最小外接矩形長寬比為3作為區分線狀裂縫和網狀裂縫的分界值。而根據裂縫最小外接矩形的長軸方向可將線狀裂縫區分為橫向、豎向和斜向裂縫，并規定長軸與水平向x軸的夾角在00～300時記為橫向裂縫，在300～600時記為斜向裂縫，在600～900時記為豎向裂縫。

(a)線狀裂縫；(b)網狀裂縫圖5 裂縫分類Fig.5 Fracture classification

1.7 計算裂縫寬度

經上述處理后，若圖像中存在多條裂縫，可采用人機交互的方式在圖像中選取目標裂縫區域。為簡化運算，計算裂縫寬度時，區域內只容許一條裂縫。

豎向裂縫和斜向裂縫按行進行掃描(同理，橫向裂縫和斜向裂縫按列進行掃描)，記錄每行裂縫的像素點數P(i)和該行裂縫的中心點坐標，并將所有中心點坐標的連線作為裂縫的中心線。

裂縫寬度按式(5)確定：

wi=η×P(i)×cos(θi)

(5)

式中：wi為第i行像素點處的裂縫寬度；η為像素解析度；θi為第i行中心線的傾角。

1.8 裂縫主干提取

裂縫的骨架化是將分割出來的裂縫逐次去掉其邊緣，最終保留僅有一個像素寬的中心線。圖6(a)為裂縫局部區域骨架化并進行反轉處理后的圖像。

混凝土和砌體結構表面裂縫在骨架化后通常會存在大量的分支和毛刺，會影響裂縫長度的提取。為消除裂縫分支和毛刺，這里采用分級去除毛刺算法[13]，通過從小到大逐級提高長度門限并計算裂縫分支的長度，將長度小于門限的裂縫分支作為毛刺踢除，這里最大長度門限取LT=100。圖6 (b)為裂縫局部區域去除毛刺并進行反轉處理后的圖像。

(a)裂縫骨架化后；(b)去除毛刺后圖6 裂縫骨架提取Fig.6 Crack skeleton extraction

1.9 計算裂縫長度

經過上述算法后，裂縫骨架提取完成，這里采用相鄰點距離求和法計算裂縫長度。相鄰像素點間距LD如下式所示：

(6)

式中：η為像素解析度；(xk，yk)和(xk+1，yk+1)分別為兩相鄰點的坐標值。

2 程序實現及試驗驗證

2.1 程序實現

基于以上的裂縫圖像分析方法，利用 Matlab R2009a編制程序實現上述分析過程。

2.2 試驗驗證

圖像信息的采集設備為數碼相機Canon 5D MarkⅢ，分辨率為5 870×3 840，傳感器尺寸為36 mm×24 mm。為更好地驗證本文算法，以相片紙上精確沖印的不同寬度、長度和傾角的標準線條來模擬裂縫。試驗對象包括6條豎向直線和6條斜向直線，其長度按編號依次為30，25，20，15，10和5 cm，寬度依次為2，1，0.5，0.25，0.2和0.1 mm。試驗發現，寬度等于0.1 mm的直線在斜拍圖像中小于一個像素點寬時，模擬裂縫將不能在圖像中形成有效像素點，所以這里只選取寬度大于0.1 mm的線進行比分析。

2.3 拍攝角度的影響

圖像采集的拍攝距離為1.5 m，鏡頭焦距為105 mm，此時正拍圖像的像素解析度為0.094 39 mm/pixel。

試驗中將相紙緊密黏貼在展板平面上，通過控制展板在水平面的轉動角度和豎向的傾斜度來模擬不同的拍攝角度，圖像采集如圖7所示。圖7(a)中，O-xyz和O‘-x’y’z’分別為正拍和斜拍條件下的目標平面中心坐標，α和β分別為目標平面向后和向右的轉動角度，當α和β均等于00時，所拍攝的影像即為正拍圖像。

基于不同角度拍攝圖像所得的豎向直線長度

和寬度識別值與實測值的比較如表1～2所示。可以看出：1～5號豎向直線不同角度拍攝所得長度的平均相對誤差為0.16%～0.43%；寬度的平均相對誤差變化范圍為1.22%～6.67%；豎向直線長度和寬度的總體識別精度分別為99.73%和95.84%。

(a)圖像采集示意；(b)展板平面圖7 圖像采集Fig.7 Image acquisition

表1 不同角度拍攝豎向直線長度識別值和實測值比較Table 1 Comparison of the identification and measured values of vertical straight line length using different shooting angles

基于不同角度拍攝圖像所得的斜向直線長度和寬度識別值與實測值的比較如表3和表4所示。可以看出：1～5號斜向直線不同角度拍攝所得長度的平均相對誤差變化范圍為0.28%～0.56%；寬度的平均相對誤差變化范圍為1.61%～7.78%；斜向直線長度和寬度的總體識別精度分別為99.64%和95.60%。結果表明：基于不同角度拍攝圖像的識別結果均具有較高精度，識別精度隨被識別線條長度和寬度的減小而降低。

表2 不同角度拍攝豎向直線寬度識別值和實測值比較Table 2 Comparison of the identification and measured values of vertical straight line width using different shooting angles

表3 不同角度拍攝斜向直線長度識別值和實測值比較Table 3 Comparison of the identification and measured values of oblique straight line length using different shooting angles

表4 不同角度拍攝斜向直線寬度識別值和實測值比較Table 4 Comparison of the identification and measured values of oblique straight line width using different shooting angles

2.4 光照條件引起的誤差

通過采集9∶00,11∶00,13∶00,15∶00和17∶00等不同拍攝時刻的圖像，對比研究光照條件對裂縫特征參數檢測精度的影響。試驗采用的拍攝距離為1.5 m，鏡頭焦距為105 mm，拍攝條件為正拍，并采用特安斯TA8123數字式照度計(精度為0.1 lux)測量光照強度。

基于不同光照條件下拍攝圖像所得豎向直線的寬度識別值與實測值結果如表5和圖8所示。由于正午的光照較強，采集的圖像存在曝光過度，導致較窄的裂縫由于灰度值偏低而無法提取，所以這里只對寬度為2，1和0.5 mm的豎向直線進行試驗對比。

(a)不同時間點裂縫寬度誤差;(b)不同時間點的光照強度圖8 不同時間點的試驗結果Fig.8 Test results under different time conditions

結果表明：光照強度會顯著影響裂縫邊緣的成像，進而影響寬度的識別，而光照強度對長度的影響較小，可以忽略不計。光線較強和較弱時的測試結果均存在較大誤差；當光照強度在1 400～3 100 lux范圍內時，寬度的測試精度較高，平均相對誤差小于5%。

3 結論

1)投影變換法可以較準確修正和標定不同角度拍攝得到的原始裂縫圖像；

2)裂縫在圖像中形成的有效像素點越多，裂縫的識別精度越高，所以在圖像采集時，宜選用較小的拍攝距離；

3)光線強度對裂縫寬度的識別精度影響較大，對長度的影響較小。當光照強度在1 400～3 100 lux時，裂縫寬度的測試精度較高，平均相對誤差小于5%，所以應在晴朗的白天采集裂縫圖像；

4)本文提出的方法能較好地識別裂縫特征參數。基于不同角度拍攝的豎向和斜向模擬裂縫長度的識別精度分別為99.73%和99.64%，對寬度不小于0.2 mm裂縫寬度的識別精度分別為95.84%和95.60%。

[1] Tung P C, Hwang Y R, Wu M C . The development of a mobile manipulator imaging system for bridge crack inspection[J]. Automation in Construction, 2002, 11(6): 717-729.

[2] 成盛，金南國，田野，等．混凝土裂縫特征參數的圖形化定量分析新方法[J].浙江大學學報(工學版)，2011，45(6)：1062-1066. CHENG Sheng, JIN Nanguo, TIAN Ye, et al. New graphic method for quantitatively analyzing characteristic parameters of concrete cracks[J]. Journal of Zhejiang University(Engineering Science),2011,45(6): 1062-1066.

[3] 方志，彭海濤. 基于圖像分析技術的混凝土橋梁結構表面裂縫寬度檢測[J].湖南大學學報(自然科學版)，2012，39(1)：7-12. FANG Zhi, PENG Haitao. Crack width detection on the concrete surface of bridge based on image analysis technology[J]. Journal of Hunan University (Natural Science),2012, 39(1): 7-12.

[4] 劉學增，葉康．隧道襯砌裂縫的遠距離測量技術[J].同濟大學學報(自然科學版)，2012，40(6)：829-836. LIU Xuezeng, YE Kang. A long-distance image measuring technique for crack on tunnel lining[J]. Journal of Tongji University (Natural Science),2012, 40(6):829-836.

[5] Jahanshahi M R, Masri S F. A novel crack detection approach for condition assessment of structures[C]//International Workshop on Computing in Civil Engineering Computing. Miami: American Society of Civil Engineers, 2011: 388-395.

[6] CHEN L C, SHAO Y C, JAN H H, et al. Measuring system for cracks in concrete using multitemporal image[J]. Journal of Surveying, 2006,132(2):77-82.

[7] YU S N, JANG J H, HAN C S. Auto inspection system using a mobile robot for detecting concrete cracks in a tunnel[J]. Automation in Construction,2007,16(3): 255-261.

[8] 查旭東，王文強．基于圖像處理技術的連續配筋混凝土路面裂縫寬度檢測方法[J]．長沙理工大學學報(自然科學版)，2007，4(1)：13-17. ZHA Xudong, WANG Wenqiang. The crack width detection method in continuously reinforced concrete pavement based on image processing technology[J]. Journal of Changsha University of Technology (Natural Sciences), 2007, 4(1): 13-17.

[9] 張強，王正林．精通MATLAB圖像處理[M]．北京：電子工業出版社，2009：137-316. ZHANG Qiang, WANG Zhenglin. Proficient in MATLAB image processing[M]. Beijing: Electronic Industry Press, 2009:137-316.

[10] 胡曉軍，徐飛．MATLAB應用數字圖像處理[M]. 西安：西安電子科技大學出版社，2011：89-121. HU Xiaojun, XU Fei. MATLAB application of digital image processing[M]. Xi'an: Xi'an Electronic and Science University Press, 2011:89-121.

[11] Fujita Y, Mitani Y, Hamamoto Y. A method for crack detection on a concrete structure [C]//The 18th International Conference on Pattern Recognition, Washington DC: IEEE Computer Society,2006：901-904.

[12] 于泳波，李萬恒，張勁泉，等．基于圖像連通域的橋梁裂縫提取方法[J]. 公路交通科技，2011，28(7)：90-93. YU Yongbo, LI Wanheng, ZHANG Jinquan, et al. Bridge cracks extraction method based on image connected domain[J]. Journal of Highway and Transportation Research and Development, 2011,28(7): 90-93.

[13] 秦筱楲，蔡超，周成平．一種有效的骨架毛刺去除算法[J]．華中科技大學學報(自然科學版)，2004，32(12)：28-31. QIN Xiaowei, CAI Chao, ZHOU Chengping. An algorithm for removing burr of skeleton[J]. Journal of Huazhong University of Science and Technology (Natural Sciences), 2004,32(12):28-31.

[14] Zhu Z, Brilakis I. Defects detection and assessment of concrete surfaces[C]//Intelligent Computing in Engineering-ICE08. Lausanne, Switzerland: European Group for Intelligent Computing in Engineering,2008: 441-450.

[15] Ito A, Aoki Y, Hashimoto S. Accurate extraction and measurement of fine cracks from concrete block surface image[C]//Proceedings of IECON 02. New York: IEEE,2002: 77-82．

[16] 褚文濤，李鄭明，陸鍵．路面病害檢測中的裂縫信息快速識別方法研究 [J]. 中外公路，2013，33(6)：80-84. ZHU Wentao, LI Zhengming, LU Jian.The method of rapid identification of cracks in pavement inspection[J]. Journal of China & Foreign Highway, 2013,33(6):80-84.

[17] 許薛軍，張肖寧．基于數字圖像的混凝土橋梁裂縫檢測技術[J]. 湖南大學學報(自然科學版)，2013，40(7)：34-40. XU Xuejun, ZHANG Xiaoning. Crack detection of concrete bridges based digital image[J]. Journal of Hunan University (Natural Science), 2013,40(7):34-40.

[18] 葉貴如，周青松，林曉威．基于數字圖像處理的表面裂縫寬度測量[J]. 公路交通科技，2010，27(2)：75-84. YE Guiru, ZHOU Qingsong, LIN Xiaowei. Measurement of surface crack width based on digital image processing[J]. Journal of Highway and Transportation Research and Development, 2010,27(2): 75-84.

[19] 劉清元，談橋．基于圖像處理的混凝土裂縫的檢測[J]. 武漢理工大學學報，2005，27(4)：69-71. LIU Qingyuan, TAN Qiao. Concrete crack detection based on image processing[J]. Journal of Wuhan University of Technology, 2005,27(4):69-71.

[20] 王沖，王葆茜．瀝青混凝土路面裂縫自動識別方法研究[J].中外公路，2013，33(6)：51-54. WANG Chong, WANG Baoxi.Study on the method of automatic identification of cracks in asphalt concrete pavement [J]. Journal of China & Foreign Highway, 2013,33(6):51-54.

Crack shape detection on the structural surface based on image analysis technology

FANG Zhi1，XIA Jun1，LIU Chuanle2

(1. College of Civil Engineering, Hunan University, Changsha 410082, China;2.Hunan Provincial Engineering Quality and safety Supervision Bureau for Communication, Changsha 410011, China)

This paper aims to find a efficient method for detecting the crack shapes on the structural surface. Based on the application of image analysis technology, a standard square attached on the structural surface is used as a reference mark to calibrate the original deformed images through the projection transformation, and then extracting the crack skeleton and removing the branches and burr, etc. Finally, the crack characteristic parameters in the image can be calculated. This method is verified by the simulated crack with lines of different length, width and angle of inclination and this paper also studies the influence of shooting angle and light condition on the detection accuracy of the crack characteristic parameters. Based on different shooting angles, the length identification accuracy of vertical and oblique simulation crack can reach 99.73% and 99.64% respectively, and when the width is not less than 0.2 mm, the recognition accuracy of width is 95.84% and 95.60% respectively, which shows that this new method has high detection precision. The light intensity has a great influence on the crack width identification. When the light intensity is 1 400～3 100 lux, the average relative error of the crack width identification is less than 5%.

structural detection; image analysis; image correction; crack length; crack width

2016-02-29

國家自然科學基金資助項目(51278182)；湖南省交通廳科技計劃資助項目(201424)

方 志(1963-),男，湖北黃岡人，教授，博士，從事數字圖像處理的研究；E-mail：zackfang@163.com

U446.3

A

1672-7029(2016)12-2447-08