基于機器視覺的建筑物裂縫智能檢測系統(tǒng)研究

鄭杰圣

（福建省宏實建設(shè)工程質(zhì)量檢測有限公司，福建 惠安 362122）

隨著各地區(qū)城市建設(shè)水平持續(xù)提高，建筑物的比重、開發(fā)規(guī)模呈現(xiàn)不斷增加的趨勢。然而，在施工過程中，混凝土結(jié)構(gòu)受多種因素的影響，十分容易出現(xiàn)裂縫，這一現(xiàn)象不僅會影響到建筑物后續(xù)使用的安全性，還會縮短建筑的壽命。因此，有必要確定建筑結(jié)構(gòu)中出現(xiàn)裂縫的成因，并運用一定的方法和技術(shù)，對其進(jìn)行科學(xué)分析。在此基礎(chǔ)上，給出相應(yīng)的對策，得出了一種行之有效的解決方案。在此過程中，準(zhǔn)確掌握建筑物裂縫的長度、寬度和形狀，有助于建筑物的安全評估、維修和加固。目前，建筑物的質(zhì)檢是工程方關(guān)注與研究的重點。對建筑物中所發(fā)生的損壞、產(chǎn)生的裂縫進(jìn)行評估與檢測，這樣既能幫助建筑公司分析材料結(jié)構(gòu)的合理性，又能從中汲取經(jīng)驗教訓(xùn)。從而優(yōu)化工程建設(shè)，為以后類似工程項目的建設(shè)積累豐富的施工經(jīng)驗。該文將結(jié)合機器視覺技術(shù)的應(yīng)用進(jìn)行研究。

1 系統(tǒng)架構(gòu)與功能模塊

1.1 系統(tǒng)設(shè)計功能

為滿足系統(tǒng)投產(chǎn)使用后的需求，設(shè)計檢測系統(tǒng)的功能如圖1所示。

圖1 系統(tǒng)設(shè)計功能

從圖1中可以看出，該系統(tǒng)可實現(xiàn)的功能有3類，第一類為登錄與注冊功能，該功能是 Web類系統(tǒng)中最基本的一個功能，未注冊的用戶可以對系統(tǒng)檢測功能進(jìn)行某些操作和測試，但是測試的次數(shù)是有限的，要進(jìn)行較大范圍地測試，需要登陸注冊功能。該部署方式既能保護(hù)系統(tǒng)免受惡意攻擊，又能對注冊用戶操作與檢索數(shù)據(jù)進(jìn)行記錄。使用者在忘記登錄密碼時，可以通過電話或郵箱重新取得密碼。

第二類為裂縫檢測，包括裂縫分割與長寬面積測量，在此過程中，用戶需要將前端由相機采集的圖像按照規(guī)范上傳到計算機，根據(jù)系統(tǒng)運行需求，上傳圖片的格式應(yīng)為JPG、PNG等，用戶可以選擇單張上傳或壓縮后統(tǒng)一上傳，系統(tǒng)將根據(jù)圖片中的內(nèi)容提取特征信息，以此進(jìn)行圖片中裂縫的識別與關(guān)鍵內(nèi)容的分析。

第三類為結(jié)果下載功能，如用戶對裂縫系統(tǒng)的檢測結(jié)果比較滿意，則可以操作計算機進(jìn)行檢測結(jié)果與檢測圖片的下載與存儲，以便于后續(xù)對裂縫參數(shù)信息的查看，根據(jù)相關(guān)工作的要求，圖片的下載格式為pdf。

1.2 系統(tǒng)架構(gòu)

為避免因架構(gòu)調(diào)整而引起的一系列變化，以React為該系統(tǒng)的主要架構(gòu)。作為JavaScript框架中的一種，React最大的優(yōu)勢在于其Vitual特性。VitualDOM是一個將Web頁面狀態(tài)提取到 JS對象中的一個操作程序，具有簡單易學(xué)，靈活性強，效率高，開發(fā)者無須任何基礎(chǔ)就能輕松上手。

選擇Express作為后端的開發(fā)框架。Express的操作很簡單，開發(fā)容易，支持模板解析、動態(tài)視圖、用戶會話等，可以快速建立一個擁有完善功能的網(wǎng)站。在此基礎(chǔ)上，建立數(shù)據(jù)庫，使用數(shù)據(jù)庫管理、存取檢測結(jié)果信息。

同時，使用TensorFlow作為檢測中的深度學(xué)習(xí)模型。TensorFlow可以用數(shù)據(jù)流的形式描述計算過程，用戶除了能用TensoiFlow編寫上層的程序庫外，還能精練底層的操作。支持CPU和GPU同時工作，可移植性強。以此為依據(jù)，設(shè)計系統(tǒng)架構(gòu)，如圖2所示。

圖2 系統(tǒng)架構(gòu)

1.3 主要功能模塊設(shè)計

在檢測中，系統(tǒng)的主要功能模塊為圖片傳輸與檢測模塊，在整個系統(tǒng)中，圖片的傳送是十分重要的一環(huán)，傳統(tǒng)的系統(tǒng)會因為傳輸數(shù)據(jù)的數(shù)量和網(wǎng)絡(luò)負(fù)載等原因而受到影響，經(jīng)常出現(xiàn)傳送速度緩慢、傳送失敗的情況。但在該文開發(fā)的系統(tǒng)中，用戶沒有將圖片提前存儲在數(shù)據(jù)庫中，而是直接將照片進(jìn)行了上傳。圖像的傳送有兩種方式，一是URL，二是字節(jié)流。URL適合小型的數(shù)據(jù)流，具有傳送能力受到限制，但更方便的特點。而字節(jié)流則是與URL截然相反的一種傳送方式，此種傳送方式更適合大規(guī)模的數(shù)據(jù)傳輸，而上傳則是將圖片轉(zhuǎn)換成編碼后的數(shù)據(jù)進(jìn)行壓縮，從而縮短上傳的時間。因此，可在傳送過程中，根據(jù)實際情況，選擇對應(yīng)的圖片傳送與響應(yīng)方式，最大限度地解決圖片傳輸問題。該過程如圖3所示。

圖3 建筑物裂縫圖像的傳輸與響應(yīng)

2 建筑物裂縫智能檢測系統(tǒng)設(shè)計

2.1 基于機器視覺的建筑物圖像信息預(yù)處理

為更精確地了解房屋的裂縫情況，為后續(xù)系統(tǒng)檢測提供更加有利的信息條件支撐，采用高精確度照相機獲得高品質(zhì)影像[1]。然而，高清圖象中含有許多不相干的信息，使圖像產(chǎn)生冗余，影響圖像的探測效率。對此，引入機器視覺技術(shù)，提出一種全新的圖像解析方法，用于實現(xiàn)對建筑物圖像信息的預(yù)處理[2]。無人機獲取的初始圖像通常是彩色的，由于彩色圖像所占存儲空間較多，因此必須先將其轉(zhuǎn)化為灰度圖像。在像素中，選取紅色、綠色、藍(lán)色3種成分，在對像素進(jìn)行灰度處理之后的加權(quán)平均值，如公式（1）所示。

式中：F（i，j）為典型圖象灰度加權(quán)平均。R（i，j）為紅色分量灰度值。G（i，j）為綠色分量灰度值。B（i，j）為藍(lán)色部分的灰度值。

在此基礎(chǔ)上，該文提出了一種從建筑物影像中提取出背景光強信息的新方法。利用中值濾波技術(shù)讓圖像平滑。這種方法可以很好地克服背景噪聲對圖像進(jìn)行預(yù)處理的困難[3]。在此基礎(chǔ)上，通過一次梯度運算，將其與圖像的灰度變化曲線進(jìn)行融合，從而達(dá)到對圖像進(jìn)行邊緣定位的目的。通過使用 Roberts算法，能夠清楚地顯示出圖像中的邊緣信息，并計算出圖像灰度變化過程中的二階導(dǎo)數(shù)，以此為劃分依據(jù)，確定灰度突變待檢測區(qū)域，從而得到建筑物圖像的裂縫紋理結(jié)構(gòu)[4]。當(dāng)對圖像邊界信息進(jìn)行提取時，可以將裂縫區(qū)域的像素設(shè)置為1，將其與非裂縫區(qū)域的像素設(shè)置為0，從而對建筑物裂縫區(qū)域的邊界點進(jìn)行更明確的定位，如圖4所示。

圖4 建筑物裂縫像素邊界點

通過對裂隙像元的邊界點進(jìn)行分割，采用邊緣提取方法，對灰度區(qū)內(nèi)部的信息進(jìn)行提取。這種方法是先對圖像進(jìn)行去噪，再在圖像中搜索每個像素的鄰居，從而獲得每個像素的灰度值。再由相應(yīng)的公式得到各象素的灰度平均值[5]。在圖像中，若某一象素點是一組鄰域集，該象素點的平均灰度值如公式（2）所示。

式中：P（x，y）為建筑物圖像當(dāng)中某一像素點的平均灰度值。f（x，y）為建筑物構(gòu)造狀態(tài)下，某一裂縫邊緣中心點的灰度值。Mn為建筑物圖像中的像素數(shù)量。

通過上述方式對建筑物圖像的預(yù)處理不僅可以解決后續(xù)大量檢測時間，同時還能夠?qū)崿F(xiàn)對圖像當(dāng)中細(xì)節(jié)信息的集中保護(hù)。

2.2 建筑物裂縫特征參數(shù)計算

針對完成預(yù)處理后的建筑物圖像，采用水平標(biāo)尺法對裂縫特征參數(shù)進(jìn)行測定。在實際場景中，用尺子可以很方便地測量出物體的寬度[6]。但在電腦上顯示的圖片，不能確定它的實際寬度。這樣，就可以利用這張照片的像素來計算出這張照片的最大寬以及平均寬。利用MATLAB軟件對裂紋圖像進(jìn)行處理，得到裂紋圖像的像素坐標(biāo)。經(jīng)過分割后的裂縫是一個二值圖，其中裂縫的部分像素是1，而背景像素是0，所以要找到裂縫的邊緣，只需要找到1和0的交界點即可[7]。得出一條裂縫的左右坐標(biāo)值，然后，將這兩條直線上的坐標(biāo)之差，進(jìn)行運算，就可以得到一條裂隙的寬度。我們將所有的垂直裂紋都與水平方向相垂直，并將裂紋的全部邊緣象素列出來，其寬度值的計算如公式（3）所示。

式中：wi為通過計算得出的建筑物圖像裂縫第i行的寬度。xi為裂縫在第i行上左邊緣的水平坐標(biāo)值。xi+1為裂縫在對應(yīng)i行的右邊緣坐標(biāo)值。

再結(jié)合下述公式計算得出裂縫寬度、平均值和最大值，如公式（4）、公式（5）所示。

式中：為建筑物裂縫寬度平均值。wi為建筑物第i行裂縫寬度值。n為計算區(qū)域內(nèi)劃分的行數(shù)。wmax為建筑物裂縫寬度最大值。

2.3 建筑物裂縫識別

在確定建筑物裂縫特征參數(shù)的計算方法后，針對上述預(yù)處理建筑物圖像中的裂縫進(jìn)行識別。引入卷積神經(jīng)網(wǎng)絡(luò)，在網(wǎng)絡(luò)輸入層，該算法將輸入的數(shù)據(jù)抽取出來，并將其與類別標(biāo)簽相結(jié)合，完成數(shù)據(jù)的接收和傳輸[8]。在輸出層中，輸入的信息經(jīng)過隱藏層的加工后，將被直接生成一個類別標(biāo)記，再由機器視覺輸出的圖像信息，通過對圖像中的像素點進(jìn)行識別、分類。而居中的隱含層，作為一種信息處理機制，它介于輸出層和輸出層之間。其中，隱藏層的基本功能是對輸入層中的圖像信息進(jìn)行加工。該層也是神經(jīng)網(wǎng)絡(luò)中神經(jīng)元密度最高的部分。相鄰的神經(jīng)元之間相互聯(lián)系，并通過一種新的激活機制，完成對圖像信息的加工。假設(shè)輸入圖像的大小為，則輸出圖像如公式（6）所示。

式中：F（x）為圖像尺寸的卷積神經(jīng)網(wǎng)絡(luò)輸出。Fp為需要進(jìn)行填充的圖像尺寸。fp為卷積核的大小。Ds為建筑物裂縫檢測補償。當(dāng)公式中的F（x）取值為整數(shù)時，可以得到所需的輸出結(jié)果。

結(jié)合上述建筑物裂縫特征參數(shù)計算公式，提取特征并獲得特征圖，對特征信息過濾。在預(yù)設(shè)的池化函數(shù)當(dāng)中，將現(xiàn)有特征結(jié)果替換為完整統(tǒng)計量，輸出最終的檢測結(jié)果。

3 結(jié)語

通過深入研究可知，導(dǎo)致混凝土表面開裂的因素較多，一是由于在自然環(huán)境中，建筑物長期受風(fēng)雨侵蝕、日曬，造成材料腐蝕，結(jié)構(gòu)松弛；二是因建筑物老化，長期荷載過多，造成了受力不均，從而產(chǎn)生開裂等問題。此外，建筑物的質(zhì)量與混凝土材料本身配比、原材料質(zhì)量或者施工技術(shù)水平有較為直接的關(guān)系。只有在一個相對較短的時間內(nèi)發(fā)現(xiàn)裂縫、精準(zhǔn)檢測到裂縫，并采取專項措施對其進(jìn)行修復(fù)和加固，才能有效降低裂縫對建筑物結(jié)構(gòu)的破壞，從而避免不必要的人員傷亡與財產(chǎn)損失。為落實這項工作，該文進(jìn)行研究，通過開發(fā)系統(tǒng)架構(gòu)、設(shè)計系統(tǒng)功能模塊等，完成了這次設(shè)計，以期為建筑物的使用、安全與質(zhì)量檢測提供全面的技術(shù)指導(dǎo)與幫助，從而為相關(guān)工程的規(guī)范化建設(shè)提供了進(jìn)一步的指示。