基于深度學習級聯技術的隧道裂縫識別與分析算法研究

李清奇

（婁底職業技術學院土木工程學院，湖南 婁底 417000）

0 引言

近年來隨著科技和社會發展的愈發迅速，隧道建設規模也逐步擴大，隧道工程建設規模的擴大極大的方便了人們的日常出行生活，那么隨之而來的隧道工程養護維修階段便變得尤為重要。除此之外隧道結構中的運行狀態和病害的檢測也越來越重要，在運營過程中，由于車輛振動會導致隧道表面出現隧道裂縫，而且還由于受到周邊荷載擾動和圍巖壓力變化，裂縫不僅導致混凝土層破壞，無法起到保護內部鋼筋的作用，還會引起混凝土的倒塌從而導致嚴重的道路安全問題。

當前的隧道裂縫監測主要采用傳統的人工檢測方式。在適應當前的社會發展情況下有必要增加額外儀器來輔助檢查。傳統人工檢測在隧道病毒檢測方面有很大的局限性，其不僅效率低，精度低而且最重要的是由于檢測人員的主觀判斷會導致裂縫檢測的準確性。那么引進隧道中計算機視覺的檢測技術是隧道行業發展的新趨勢。基于計算機的裂縫檢測系統通常包括圖像采集和圖像識別兩個部分，圖像采集通常通過攝像機以及與其相似設備獲取隧道表面的圖像，圖像識別通常包括圖像的預處理，特征提取（圖像識別中的一個關鍵步驟）以及決策優化三個部分組成，它的質量直接決定了圖像識別的有效性檢測系統的性能優良性。

1 裂縫圖像的特點

一般情況下裂縫背景像素區域比其他背景像素暗，但由于在諸多其他因素的相互影響下，在裂縫背景像素區域也可能會逐漸出現較暗的部分并且還會逐漸出現明暗度的變化。本文在對一定程度的室外環境拍攝到的隧道裂縫檢測圖像進行分析的實驗基礎上，采用了合適的算法，得出隧道裂縫檢測圖像的主要性能特點如下。

（1）由于受紫外光照和大型混凝土表面涂層材料不均勻等多種因素影響，采集后得到的大型混凝土表面材料圖像處理信息量很大。

（2）裂縫檢測現場身處地區環境復雜，天氣、光照等多種因素對裂縫成像識別質量上的影響較大。當環境光線條件較好時，拍攝到的圖像內部裂縫比較清晰，同時，攝像機的鏡頭在進行裂縫成像識別過程中的輕微顫動，也可能會直接影響所拍圖像的裂縫成像識別效果，造成相機拍攝到時圖像的中間較亮，周圍較暗[1-2]。

2 圖像預處理及裂縫檢測算法

隧道在工程建設和施工使用的整個過程中由于其巖層性質和土壤溫度以及應力等多種不可避免的影響因素存在時，就會產生大量裂縫。目前用于監測雷達裂縫的技術方法主要包括有雷達裂縫探測技術法、超聲波技術檢測法、聲波發射技術檢測法、光纖傳感器等監測技術法以及電子圖像信號處理技術檢測法等。隨著現代計算機信息科學和數字圖像處理應用技術的不斷發展，基于數字圖像信號處理的光學檢測分析方法，由于其非常易接觸、效率高、便捷直觀等諸多優點現已受到了越來越多科學研究工作人員的廣泛關注。

2.1 裂縫圖像預處理

影響隧道內部裂縫質量檢測的最嚴重問題在于隧道裂縫中的圖像，其常常會由于光照不均勻的情況而出現色彩對比度低的問題，極大地影響了地鐵隧道內部裂縫的質量檢測。那么我們需要通過利用灰度腐蝕以及局部直方波形圖拉伸這兩個關鍵預處理過程來實時的降低所產生的因素的影響，以此來更好的服務于隧道內部裂縫的質量檢測[3]。我們假設原始圖像為I（a，b），灰度腐蝕的過程如式如如下所示：

解釋上式所包含元素：F（a’，b’）為結構元素，E為F（a’，b’）的定義域，W（a，b）為灰度腐蝕后的圖像。

將區域圖像局部分割并形成塊是局部直方區域圖像拉伸的首要條件。設子區域圖像的局部寬度為a和b并設高度為L和h，子矩形圖像在滿足一個邊長給定條件下且另一個邊界不變時，可以選取--個邊界包含該矩形區域且邊界寬度為a或b、高度為L或h的矩形區域于此子區域圖像中并將該子區域圖像作為一個新的邊界子區域圖像。該處理算法實際使用時達到了整個圖像的歸一化，將整個圖像大小變換到閉區間0-1的圖像范圍內，這樣做就可以大大減少圖像計算的用量，同時在小到大尺度圖像范圍內進行處理圖像可以更好地有效保護整個圖像的局部細節[4]。

2.2 隧道裂縫識別算法

裂縫檢測算法包括圖像采集以及卷積神經網絡模型訓練和圖像處理等過程。對于一些背景較為復雜的矩形圖像，可利用邊緣梯度算法進行邊緣梯度檢測的模擬，但是可能會因此產生大量的背景噪聲。以下就介紹幾種算法。

（1）基于連通區域的多級濾波算法。隧道中的裂縫噪聲圖像中通常存在著大量不同裂縫種類及不同裂縫形狀且噪聲分布范圍無一定規律。對于隧道裂縫的質量檢測而言，這些裂縫噪聲無疑對其檢測產生了嚴重干擾及影響，從而導致整體裂縫質量檢測的效果嚴重下降。而傳統的噪聲濾波分析算法往往無法有效率地濾除各種裂縫噪聲。為此，提出一種基于無線連通的小區城的無線濾波設計算法。我們通過以下步驟來進行分析：

求取二值圖像的連通區城及外接矩形

設W（a，b）為T（a，b）的連通區域，p為W（a，b）中的一個已知點，并設一個邊長為3的正方形結構元索為A。有以下計算過程：

Li=（Li-1⊕A）∩T（a，b）；i=0，1，2，.，n 上式中：⊕表示膨脹運算。當一個算法函數收斂為Li=Li-1；時，Li即為一個直線連通的小區城。然后我們計算所有連通外接區域的最大和最小外接坐標，這樣就可以直接得到每個所有連通區城的一個外接矩形。

（2）基于連通區域矩形度濾波。由于波形表面塊狀紋理及光照不勻的嚴重影響下二值波形圖像中常常存在著大量的黑色塊狀反射噪聲。而連通裂縫區域的是一種細長的矩形結構，因此我們可以直接利用連通裂縫區域的一個矩形度量來進行曲線濾波。首先開始計算一點W（a，b）的其中的一個連通空間區域度為T（a，b），然后開始計算每個點的連通空間區域的一個矩形度[5-6]。

（3）特殊噪聲濾波。經過上述2步噪聲濾波后，圖像中還可能存在這一些特殊的濾波噪聲，這些特殊噪聲的濾波形狀不規則，并且不能夠滿足上述兩步濾波的必要條件，對于這種特殊噪聲，首先在寬度y（x，y）中逐行計算每個連通空間區域寬度e（x，y），然后逐行掃描每個圖像后再計算每個連通空間區域的最大圖像寬度h為w，逐列逐行掃描每個圖像后再計算每個連通空間區域的最大高度h。利用這2個參數以及連通區域的矩形度共3個參數進行濾波。

3 裂縫圖像成分分析

設經上述二值分割后的圖像由3部分組成，即Io（x，y）=IB（x，y）+IN（x，y）+Ic（x，y）

式中：IB（x，y）為二次圖像裂縫分割后圖片剩余的圖像背景處理成分，其；IN（x，y）為圖像噪聲處理成分；Ic（x，y）為圖像裂縫處理成分。對于復雜的流體隧道及其表面和該裂縫及其圖像和它，IB（x，y）和它的IN（x，y）分別可以劃分為3個基本部分，即：

依次表示為Is（x，y）為離散的矩形點狀紋理背景結構成分噪聲，IM（x，y）為近似緊密型矩形塊狀結構背景成分，IA（x，y）為近似延展型矩形塊狀結構背景噪聲成分，It（x，y）為與一個裂縫相鄰或連接的具有大面積的或無序列規則的裂縫噪聲，IL（x，y）為線型紋理結構背景噪聲，IG（x，y）為近似位于裂縫的點狀紋理結構噪聲。本文通過圖像特征分析對我國隧道內壁裂縫整體圖像識別進行提取處理，并通過提取分析出各個特征成分，從而達到隧道裂縫圖像識別的主要目的。

3.1 線性結構噪聲成分分析

隧道裂縫中的表面通常都會存在著一些諸如下水管道，線路，污水等線型化的流體復合結構，這些線型流體結構通常都會呈現細長的對角線形及其特性，且大多數都是完全覆蓋在位于隧道內的裂縫之上。針對這種線性特征成分結構，需要提出一種基于Hough形式特征變換的快速精確線性特征提取的算法，該種算法可以被用來快速精確提取這種快速線性特征成分。

3.2 點背景成分及緊密型塊狀背景成分分析

需要在連通區域的特征分析方法中提取背景成分。離散的那些處于點狀反射物體中的背景反射成分，一般是不需要特別泛指那些物體覆蓋面積較小，分布廣泛的點狀物體成分。緊密型或者是塊狀型的背景，其內聚性成分較大。比如背景裝飾材料等，它就是常見的泛指那些覆蓋面積較大，內聚性較大的一種塊狀背景成分。

3.3 近似裂縫的紋理噪聲成分分析

隧道表面除了有裂縫外還存在著涂畫、劃痕、刻槽、水痕等結構，根據上述兩種裂縫特征分析的計算方法，我們通常無法準確區分這些動態裂縫結構與靜態中的裂縫，即那些存在于隧道表面的結構和隧道表面產生的裂縫。則可根據一種利用機器學習和噪聲特征分類的方法對這種噪聲分別進行模擬分析和提取。

4 結語

隧道裂縫程度是評價高速隧道交通安全性的重要衡量指標之一。本文為有效克服人工圖像檢測各類隧道裂縫的技術弊端，采用了一種具有圖像再現性好、處理過程精度高、靈活性強等三大優點的人工圖像定值分析采集技術，對圖像采集后得到的人工隧道裂縫檢測圖像數據進行了定值分析與定量計算。提出了一種基于光學圖像識別處理的裂縫圖像識別算法，并且對現場中的圖像處理進行了模擬實驗；提出了基于線型特征分析的算法，包括矩形結構模板的線型提取成分算法，Houghou變換的線型結構提取成分算法等。分別對地鐵隧道結構表面物理圖像數據中的各種化學成分數據進行綜合分析并加以提取。