工程結構裂縫智能識別與測量

蔣永生 周旭 李得睿 左文康 李揚 程斌*

（1.貴州高速公路集團有限公司，貴州 貴陽 550009；2.上海交通大學船舶海洋與建筑工程學院，上海 200240;3.上海市政工程設計研究總院(集團)有限公司,上海 200092）

一、引言

我國交通基礎設施體量巨大，為排除長期服役的公路橋梁橋梁結構安全隱患，橋梁檢測系統及檢測方法一直是業內關注的重點。傳統檢測行業一直以來主要依靠人工檢測的方式排查橋梁結構安全隱患。但隨著我國公路橋梁基礎建設的飛速發展，傳統人工檢測方式已無法滿足橋梁在新時代所面臨的結構健康檢測、監測需求。為解決橋梁等高聳結構物的表面裂縫識別問題，本文基于裂縫圖像采集系統，利用機器學習及圖像處理技術實現橋梁結構物表面的智能化裂縫識別與測量，可為5G新基建時代背景下的結構檢測提供一種新型解決方案。

二、裂縫圖像采集系統

本文介紹一種能夠在高聳結構物豎直表面采集結構物表面圖像的軌道式攀爬機器人系統，該檢測機器人的硬件系統包括機械平臺與視覺平臺，二者可基于控制平臺實現高效協作。

（一）機械平臺

機械平臺是該攀爬機器人的骨架體系，賦予了視覺平臺垂直向移動的能力，由電機提供動力，傳動桿通過兩端的鏈輪帶動鏈條運轉，即可實現橫向排布的導軌在豎直平面內移動。

（二）視覺平臺

攀爬機器人系統依托于機械平臺垂直向運動，水平向移動則依靠視覺平臺實現。視覺平臺主體為一個遙控載具，搭載高清攝像機和超聲測距模塊，可以實現遙控載具在導軌上的精確定位與測距。通過遙控載具可準確拍攝結構物豎直表面任意位置處的數字圖像。

（三）控制平臺

圖像采集系統的控制平臺基于無線網絡控制遙控車的自由運動，并向圖像采集模塊發送視頻錄制和圖像采集等指令，實時收集視覺平臺采集到的位置、圖像等信息，將收集到的信息傳送至計算機終端后處理，計算機通過相應的軟件調控系統，整合控制平臺接收到的圖像相關信息，對數字圖像進行局部排序、基于SIFT算法的全景拼接等操作，最終得到完整的結構物豎直表面全景數字圖像。

三、裂縫圖像智能識別

本文首先采用卷積神經網絡(Convolutional Neural Network，CNN)對裂縫圖像進行裂縫識別，對裂縫的粗定位后，采用傳統圖像處理技術對粗定位裂縫圖像進行精確的裂縫測量。卷積神經網絡包括輸入層、卷積層、池化層、全連接層和輸出層。

（一）訓練樣本圖像的搜集及分類

本文收集了多種結構物裂縫圖像作為訓練卷積神經網絡的數據集，圖片來自于自主拍攝及網絡收集，原始圖像共計128張。通過分割、縮放、旋轉和對稱處理收集的原始圖像實現數據增強。本文將原始圖像統一剪裁并縮放成尺寸為128*128的小圖像，共計2120張。

（二）識別結果

使用上文選擇的模型進行工程結構裂縫圖像識別實驗，實驗環境為TensorFlow2.7，Intel Core CPU，主頻頻率為1.8GHz，內存大小為8GB。所采用的圖像處理后共2120張，其中裂縫圖像960張，無裂縫圖像1160張，設置CNN模型的初始學習率為0.0001，樣本大小為16，共進行100次迭代，數據顯示，該卷積神經網絡模型裂縫識別的準確率為98.1%，計算用時3055秒，能夠滿足裂縫識別的精度要求。

四、裂縫幾何信息測量

（一）連通域分析

基于連通域分析的圖像處理方法提取圖像中的裂縫參數，運用前述訓練完成的卷積神經網絡識別裂縫區域，隨后將該區域內的圖像轉化為灰度圖像；再使用膨脹、腐蝕、濾波方法去除圖像中的噪聲；通過設定的閾值去除圖像中的細小裂縫后，使用連通域方法提取圖像中的裂縫并根據裂縫的骨架，以像素為單位計算裂縫的參數信息。

表1.碎石樁處理前標準貫入液化判別結果

表2.斜向交叉裂縫參數采集結果分析

使用裂縫連通域的骨架可以快速計算裂縫信息。當以像素為單位時，裂縫的長度按式一計算，其中該式的意義為計算裂縫骨架上的像素點個數：

在計算裂縫寬度時，使用積分操作對整個骨架上的像素點進行了遍歷。通過式二和式三分別可得像素的最大寬度和平均寬度，其中Wi表示第i個像素處的裂縫寬度，L表示裂縫的長度，即骨架上的像素個數。

表3.網狀裂縫參數采集結果

（二）測試結果

提取收集的128張裂縫長度、最大寬度和平均寬度，選取最具代表性的4類裂縫圖片分析裂縫參數提取的精度。單一裂縫的裂縫測量結果如表1所示，CNN精確識別得到了單一豎向裂縫與單一斜向裂縫的包絡區域，基于該包絡區域，運用連通域分析技術，精確提取了兩種單一裂縫的參數信息，數據顯示兩種裂縫的長度及平均寬度測試結果誤差均在可接受范圍內。

五、結語

本文介紹了一種裂縫圖像采集系統，該系統由機械平臺與視覺平臺組成，并由控制平臺進行遠程操控，可靈活采集工程結構豎直表面的裂縫圖像。建立了工程結構裂縫圖像數據集，搭建卷積神經網絡模型并使用反向傳播算法對其進行訓練。接著對卷積神經網絡中的卷積核大小、學習率和樣本大小進行了比選，選擇了最優參數，使用搭建的卷積神經網絡模型分類橋梁裂縫圖像，其準確率達到98.1%。使用連通域分析技術，以裂縫骨架為依據計算了裂縫的長度、平均寬度和最大寬度，并對其誤差進行了分析，本文使用的裂縫智能識別及測量方法在精確度方面基本滿足工程結構病害檢測和維護的要求。