基于機(jī)器視覺(jué)的混凝土裂縫圖像分割算法研究

漆 綺，王 睿，雷 悅，譚吉淞

(四川師范大學(xué) 工學(xué)院，四川 成都 610068)

0 前 言

混凝土是常用的建筑材料，限于其本身的特性、施工過(guò)程的不確定性和使用環(huán)境的復(fù)雜性等，多數(shù)混凝土結(jié)構(gòu)在服役過(guò)程中為帶裂紋工作?；炷亮芽p檢測(cè)多以人工檢測(cè)和輔助儀器檢測(cè)為主，其成本高、精度低、危險(xiǎn)性大等缺點(diǎn)日漸明顯。為準(zhǔn)確快速地分析，基于機(jī)器視覺(jué)的檢測(cè)系統(tǒng)得到了應(yīng)用，其關(guān)鍵在于從復(fù)雜的圖像中準(zhǔn)確提取有效病害信息，即對(duì)背景和裂縫進(jìn)行分割，實(shí)現(xiàn)高效率、高精度的病害檢測(cè)。

圖像分割是在考慮灰度及其分布情況、幾何形狀的基礎(chǔ)上將圖像分為不同區(qū)域,使同區(qū)域表現(xiàn)出相似性，不同區(qū)域間的特征差異明顯?，F(xiàn)已存在多種圖像分割算法，不同算法的適應(yīng)性不同。因此，本文總結(jié)了具有代表性的傳統(tǒng)分割算法及其優(yōu)缺點(diǎn)，收集了基于傳統(tǒng)改進(jìn)的新方法及其針對(duì)性。最后提出思考問(wèn)題，希望對(duì)未來(lái)研究提供思路。

1 閾值化分割

閾值化分割的原理是將圖像按照不同像素灰度劃分為不同的區(qū)域，具有算法簡(jiǎn)單、計(jì)算便捷和結(jié)果穩(wěn)定等優(yōu)點(diǎn)，因而成為傳統(tǒng)分割方法中應(yīng)用最廣泛的技術(shù)。

1)最大類(lèi)間方差法(OTSU)：基于最小二乘法原理，使得分割后的目標(biāo)區(qū)域與背景區(qū)域方差最大。該方法簡(jiǎn)單易懂，能較好地處理與背景顏色相近的細(xì)微裂縫[1]，但其分割效果會(huì)明顯受制于像素灰度值的分布情況。

2)迭代法：選擇一個(gè)估計(jì)閾值作為初始值，根據(jù)迭代規(guī)則不斷更換，直到找出最優(yōu)閾值。該方法能較好地處理背景灰度分布不均的圖像[1]，關(guān)鍵在于迭代規(guī)則能否快速收斂以及每次產(chǎn)生的效果圖較上次是否改進(jìn)。

3)最小誤差法：通過(guò)最小誤差準(zhǔn)則函數(shù)選取最佳閾值，對(duì)圖像進(jìn)行二值化處理[2]。前提是假設(shè)圖像灰度分布服從混合正態(tài)分布，適用于灰度直方圖接近正態(tài)分布概率密度曲線(xiàn)的圖像。

4)最大熵閾值分割法：計(jì)算不同分割情況的圖像總熵，選擇最大熵對(duì)應(yīng)的分割效果。熵表示像素分布的均勻程度，分布越均勻熵值越大。該方法易受噪點(diǎn)的干擾，對(duì)模糊圖像處理表現(xiàn)出很強(qiáng)的不適用性，失真現(xiàn)象嚴(yán)重[1]。

5)直方圖閾值分割法：對(duì)圖像灰度分布進(jìn)行直方圖統(tǒng)計(jì)，并獲取閾值，當(dāng)存在多個(gè)峰值時(shí)，選擇的閾值個(gè)數(shù)也相應(yīng)增加。該方法簡(jiǎn)單易操作，閾值范圍明確，峰值相差較近時(shí)分割效果較好，相差較大或者存在較大噪聲致使閾值獲取錯(cuò)誤，效果就會(huì)變差。

由上述可知，算法都有一定的局限性，隨著信息化技術(shù)的發(fā)展，學(xué)者們基于傳統(tǒng)算法進(jìn)行了綜合改進(jìn)和運(yùn)用[4-5]：①平滑直方圖加權(quán)Otsu法：在小目標(biāo)圖像的處理中具有更好的分割效果；②梯度加權(quán)Otsu法：在背景單一并且噪音較少的圖像中能實(shí)現(xiàn)較好分割；③二維交叉熵閾值分割法：圖像和背景的方差相差較大時(shí)適用；④二維直線(xiàn)型交叉熵閾值分割法：相較一維對(duì)含噪聲的分割效果更好；⑤加權(quán)模糊能量閾值法：相較于模糊能量的閾值法能增強(qiáng)其分割效果；⑥最小平方粗糙熵閾值分割法：目標(biāo)函數(shù)的意義更為明確。

2 邊緣檢測(cè)

邊緣檢測(cè)的原理是對(duì)圖像像素的突變點(diǎn)進(jìn)行選擇和標(biāo)識(shí)，得到目標(biāo)區(qū)域輪廓。如果圖像中能準(zhǔn)確定位邊界點(diǎn)，那么對(duì)應(yīng)的實(shí)際對(duì)象就能被檢測(cè)。大量算子被運(yùn)用于邊緣檢測(cè)技術(shù)中，如表1所示。

3 其他方法

3.1 基于卷積神經(jīng)網(wǎng)絡(luò)的分割方法

周建行[7]對(duì)基于深度學(xué)習(xí)圖像分割領(lǐng)域的三個(gè)代表性模型做出了詳細(xì)闡述：①FCN全卷積網(wǎng)絡(luò)模型：該模型可以類(lèi)別信息，給出具體的位置信息，改進(jìn)的FCN-8s網(wǎng)絡(luò)分割效果最好，但未考慮像素之間的空間關(guān)聯(lián)關(guān)系，分割結(jié)果不夠精細(xì)；②空洞卷積的DeepLab網(wǎng)絡(luò)模型：有效解決了保持感受野和保護(hù)圖像尺寸間相互矛盾的問(wèn)題，其中DeepLabv1和DeepLabv2的網(wǎng)絡(luò)模型使用條件隨機(jī)場(chǎng)來(lái)增強(qiáng)對(duì)圖像細(xì)節(jié)的分割處理，DeepLabv3通過(guò)改進(jìn)空間金字塔池化層改進(jìn)結(jié)果，DeepLabv3+使模型整體在圖像語(yǔ)義分割邊緣部分取得了良好的結(jié)果；③U-Net網(wǎng)絡(luò)模型：僅需要少量的訓(xùn)練樣本就能取得很好的分割效果，被廣泛應(yīng)用于語(yǔ)義分割的各個(gè)方向。

此外，Islam等[8]提出了基于機(jī)器視覺(jué)的深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)自主裂紋檢測(cè)方法，在查準(zhǔn)率、查全率、精準(zhǔn)率、召回率等方面得到較大提高。Pang等[9]針對(duì)混凝土大壩表面圖像亮度不平衡嚴(yán)重、噪聲大的問(wèn)題，提出了一種基于快速R-CNN和K-均值的兩階段裂紋分割方法，用更快的R-CNN對(duì)裂紋區(qū)域進(jìn)行定位，然后采用K均值聚類(lèi)算法對(duì)裂紋區(qū)域中的裂紋像素進(jìn)行識(shí)別，有效避免了噪聲干擾，提高裂紋定位精度。

3.2 基于語(yǔ)義分割網(wǎng)絡(luò)的分割方法

Weng等[10]在改進(jìn)CS技術(shù)(壓縮感知)的基礎(chǔ)上，提出了一種壓縮裂紋圖像自動(dòng)分割的恢復(fù)框架。通過(guò)訓(xùn)練一個(gè)語(yǔ)義分割模型來(lái)從解壓縮圖像中提取裂縫信息，該模型可能無(wú)法重建原始圖像的背景，但仍然可以成功恢復(fù)裂縫的整體形狀和厚度，比成熟的CS方法具有更高的壓縮率和對(duì)信號(hào)噪聲更高的魯棒性。

表1 邊緣檢測(cè)算法的各種檢測(cè)[3,6]

ZHANG等[11]提出了一種CNN-to-FCN無(wú)損語(yǔ)義分割方法來(lái)解決以往方法在高分辨率圖像中會(huì)產(chǎn)生較大比例的分布混亂的假裂紋預(yù)測(cè)這一問(wèn)題。充分利用了背景斑塊和大規(guī)模背景識(shí)別，極大避免了高分辨率圖像中虛假裂紋預(yù)測(cè)的較高比例及其雜亂分布；在放大相機(jī)幀時(shí)能保證較高清晰度，這對(duì)空間較大、裂縫寬度較小、不易發(fā)現(xiàn)的壩體混凝土裂縫是有利的；同時(shí)可以在圖像中裂紋斑塊比例較低的情況下減少預(yù)測(cè)時(shí)間，更適合工程應(yīng)用。

DONG等[12]提出了一種基于補(bǔ)丁的弱監(jiān)督語(yǔ)義分割網(wǎng)絡(luò)用于裂紋檢測(cè)，解決了現(xiàn)有的語(yǔ)義分割方法耗時(shí)較長(zhǎng)這一問(wèn)題。充分考慮了裂紋圖像中復(fù)雜的拓?fù)浣Y(jié)構(gòu)和局部相似的特征，可以靈活地應(yīng)用于不同尺寸的圖像；彌補(bǔ)了注釋不完整造成的不準(zhǔn)確性，降低了標(biāo)注成本和數(shù)據(jù)處理的難度；在不丟失裂縫空間位置信息的前提下，顯著降低了圖像的復(fù)雜度，平衡了注釋工作負(fù)載和性能之間的關(guān)系。

3.3 其他改進(jìn)分割方法

Henrique等[13]提出了一種新的裂紋分割算法，是將直方圖閾值分割算法與迭代法相結(jié)合，很大程度上保證裂縫的完整性。改進(jìn)之處在于能夠跟蹤包含多條細(xì)裂紋或呈長(zhǎng)線(xiàn)性擴(kuò)展的復(fù)雜裂紋，即使裂紋斷裂，也能較為準(zhǔn)確地進(jìn)行識(shí)別和標(biāo)記，最終為每個(gè)已識(shí)別的裂紋指定一個(gè)類(lèi)型分類(lèi)。

HAO等[14]提出了一種改進(jìn)的兩階段神經(jīng)元分割模型用于裂紋分割。彌補(bǔ)了傳統(tǒng)函數(shù)存在的局部結(jié)構(gòu)不連續(xù)性問(wèn)題；解決了存在次優(yōu)點(diǎn)集時(shí)會(huì)導(dǎo)致分割精度下降的問(wèn)題；實(shí)現(xiàn)了無(wú)需人工干預(yù)的自動(dòng)定向區(qū)域增長(zhǎng)，通過(guò)迭代輪廓演化實(shí)現(xiàn)了有效、完整的裂紋分割。

KADDAH等[15]重點(diǎn)對(duì)MPS算法進(jìn)行改進(jìn)，提出了基于優(yōu)化最小路徑選擇OMPS(Optimized Minimal Path Selection)的二維路面裂縫自動(dòng)無(wú)監(jiān)督分割方法?？梢员ＷC在不降低整體分割的基礎(chǔ)上，大大減少最短路徑的計(jì)算量，在降低誤報(bào)率和不損失性能的基礎(chǔ)上最大限度地減少計(jì)算時(shí)間。

4 總結(jié)反思

隨著計(jì)算機(jī)科學(xué)的不斷發(fā)展，圖像分割技術(shù)也經(jīng)歷著從量到質(zhì)的轉(zhuǎn)變。本文從閾值分割、邊緣檢測(cè)和其他方法三大板塊進(jìn)行了綜述，遺漏之處敬請(qǐng)補(bǔ)充。算法繁多，如何高效利用并解決實(shí)際問(wèn)題，引發(fā)我們的思考：①傳統(tǒng)方法簡(jiǎn)單易行但分割效果不佳，改進(jìn)算法效果提高但冗雜；②改進(jìn)能否取兩種或兩種以上方法的優(yōu)點(diǎn)進(jìn)行結(jié)合，形成階段性分析模型；③未來(lái)能否實(shí)現(xiàn)對(duì)算法進(jìn)行分類(lèi)，以便根據(jù)不同裂縫的情況和設(shè)想的分割效果進(jìn)行選擇；④多數(shù)新算法只進(jìn)行了部分改進(jìn)，但我們會(huì)發(fā)現(xiàn)改進(jìn)某一問(wèn)題女可能會(huì)對(duì)其他方面造成不利影響，如何平衡各個(gè)評(píng)價(jià)指標(biāo)之間的精準(zhǔn)度，使整個(gè)分析系統(tǒng)達(dá)到最優(yōu)化，仍待解決；⑤隨著科技的飛躍發(fā)展以及人工智能的迅速普及，能否將前沿高新科技與實(shí)際工程問(wèn)題更好地結(jié)合，實(shí)現(xiàn)一對(duì)一精準(zhǔn)分析，并做出決策，仍需要深入的研究和探討。

[ID:013561]