基于機器視覺的公路隧道表觀圖拼接方法與數據統計研究

孫 貝

（山西省交通科技研發有限公司，山西 太原 030032）

0 引言

隨著我國公路隧道數量和里程不斷增加，截止2018 年底，全國公路隧道1.77 萬處，共1 723.61 萬m，其中山西省高速公路隧道695 處，總里程963.5 km。受地質狀況、施工、設計、后期養護等多方面因素影響，逐漸出現隧道襯砌、路面、洞門及其附屬結構破壞等問題，我國公路隧道養護管理工作日益增加[1-2]。基于此，國內外眾多科研機構，如德國TS3、日本株式會社（北京雷德華澳）、武大卓越、上海同巖和長盛檢測技術開發有限公司等，均研制了基于機器視覺技術的隧道襯砌表觀病害智能化檢測設備，實現了裂縫、剝落、滲水、網裂、機電設施丟失及破損、蓋板丟失及破損等病害的自動化檢測，具有檢測速度快、精度高、識別速度快等優勢。然而，當前隧道襯砌表觀拼接和病害識別大多數還依靠人工進行，工作效率和數據可靠性有待提高，同時，針對采集的圖像數據僅僅開展了簡單的查詢、刪減等功能，缺乏對數據的統計分析，無法從海量數據中提取有用信息，進而導致公路隧道預防性養護措施缺乏，養護人員無法依據檢測報告出具可靠合理的養護計劃。

本文基于前期采集的隧道檢測數據，搭建隧道病害數據處理系統實現隧道襯砌表觀圖的自動化拼接與矯正，開展病害自動化識別探索性研究，搭建數據統計系統實現隧道裂縫病害的針對性分析，為我國公路隧道智能化與信息化管理提供解決方案，同時，對提升公路隧道運營管理水平、降低公路隧道養護維修成本具有十分重要的現實意義[3]。

1 XX 隧道采集

基于課題組前期自主研制的隧道智能檢測系統，如圖1 所示，結合隧道檢測相關規范[4]，在多條高速公路多個隧道開展試驗。該檢測系統基于機器視覺技術開展無損檢測，具有圖像質量好、特征明顯等優勢[5]。本文以XX 隧道為例開展隧道病害檢測與識別工作。

圖1 隧道智能檢測系統

2 隧道襯砌表觀圖拼接

2.1 圖片預處理

隧道襯砌表觀圖的預處理是開展病害識別工作的基礎，本文針對智能檢測車搭建表觀預處理軟件，系統功能主要包括圖像增強、圖像二值化、直方圖均衡、旋轉、亮度減弱以及亮度增加等功能，用以滿足復雜隧道環境下低對比度的裂縫識別與檢測，系統界面如圖2 所示，其他功能輸出圖像可單獨顯示。

圖2 隧道圖像預處理軟件

2.2 表觀圖拼接

單張圖片進行預處理后，本文基于隧道輪廓信息，開展隧道病害全幅圖的拼接、矯正和自動標注工作。限于篇幅本文僅以隧道標準區段為例開展拼接研究工作。XX 隧道結構如圖3 所示，計算獲得隧道結構各部分尺寸如下：隧道設計行車速度為100 km/h，內輪廓周長30.64 m，總高度7.15 m，總寬度10.2 m，當量直徑8.26 m。

受隧道智能檢測系統特性的影響，采集的各相機原始圖片存在一定比例的重疊，如圖4 所示為隧道智能檢測系統采集示意圖。該系統行車方向前后移動量以2 號相機為基準。

圖3 XX 隧道結構圖

圖4 檢測車圖像采集示意圖

本文根據各相機拍攝重疊部分的特征點以左側1 號和2 號相機為例進行拼接參數的選定。如圖5所示，A 點為 2 號和 1 號相機重合特征點，x1和 x2為橫向應裁剪寬度，y1和y2為行車方向上前后應調整位置。計算可得左1 號相機裁剪比例x1為0.46，y1為 -1.9；左 2 號相機 x2裁剪比例為 12.3，y2為 0。

圖5 拼接參數選取示意圖

依此類推，計算得到6 個相機拼接參數如表1所示。其中，表1 中各數值代表單張圖片裁剪比例，“L”代表為圖片左側裁剪系數，“R”代表圖片右側裁剪系統，“±”則表示行車方向上移動比例，向上平移為正，向下移動為負。

表1 拼接參數表

由于拍攝圖片是二維的，在拍攝隧道拱形部位時會發生一定比例壓縮，導致實際尺寸變小，因此在進行左右半幅拼接工作時，需要根據隧道實際輪廓信息，針對左右半幅環向進行拉伸矯正。以XX 隧道左半幅洞口50 m 圖片為例，其半幅內輪廓周長為15.32 m，圖片拍攝范圍為13.53 m，拉伸矯正結果如圖6 所示，拉伸比例為113%。

圖6 隧道襯砌表觀圖拉伸結果

同時，當隧道形狀出現拐彎等路況時，相機拍攝區域同樣也會發生一定程度的壓縮，由于隧道左右半幅在曲率半徑相同的情況下，左右半幅壓縮比例不同。因此，需要對左、右半幅根據行車方向曲率半徑進行徑向拉伸。最終，拼接初步完成后根據樁號并結合隧道特征每50 m 進行一次全幅圖矯正，使隧道左右半幅保持同樣的壓縮比例，并與實際樁號一一對應。XX 隧道拼接前100 m 全幅拼接圖如圖7所示。可以看出，經過矯正之后，施工縫拼接十分準確，本文所提處的拼接方法可靠可行。

圖7 拼接全幅圖

3 病害數據識別與標注

完成隧道預處理與拼接之后，開展隧道襯砌表觀病害識別與標注。本文基于前期自主研發的隧道標注軟件進行裂縫病害的自動識別，識別參數如表2所示。基于前期獲得的裂縫邊緣檢測算法，基于C#搭建自動識別軟件，如圖8 所示，實現不同寬度裂縫的自動識別與標注。針對不同環境對閾值分割方法進行特定修正，建立一套穩定的閾值分割方法[6]，并且通過機器學習剔除掉襯砌施工縫、蓋板縫隙等“假病害”，從分割后的圖像中結合三維掃描儀和微型陀螺儀數據獲取修正過的病害外部幾何特征，隧道標注結果如圖9 所示。

表2 圖像識別參數表

圖8 病害識別軟件

圖9 隧道標注結果圖

4 病害數據統計

本文基于數據庫系統搭建病害數據統計系統，實現襯砌病害的詳細記錄，每一個病害為一條信息，記錄了病害所處樁號、位置、病害類型、長度、寬度、面積等信息，具體如表3 所示。同時，系統可實現病害信息的添加、刪減、修改等基礎功能。由于裂縫病害寬度直接影響隧道等級評價，針對裂縫病害詳細統計了不同寬度范圍內各類型病害的數量、累積長度分類統計以及病害的數量和累積長度百分比，如表4 所示。為進一步實現病害類型種類及數量的統計，針對裂縫病害統計獲得各類型裂縫的數量、最大寬度、最大長度和累積長度，如表5 所示。

表3 隧道襯砌病害記錄表

表4 XX 隧道病害類型及統計

表5 XX 隧道襯砌裂縫分類統計表

5 結論

本文提出的隧道襯砌表觀圖拼接方法，根據不同相機重疊區域的特征點進行裁剪拼接，結合隧道輪廓信息和隧道行車方向彎曲半徑進行左右半幅圖片的環向和徑向拉伸，同時，根據隧道實際里程樁號每50 m 進行一次矯正，保證了采集圖像的真實可靠。最終，搭建了隧道病害數據統計系統，實現不同寬度范圍內各類型病害的數量、累積長度分類統計以及病害的數量和累積長度百分比的精確統計，具有較高實用價值。