基于機器視覺的隧道裂縫檢測方法研究

摘要：裂縫檢測是結構安全性評估的重要途徑，基于閾值分割的傳統裂縫檢測方法在光照不均勻、背景噪聲污染嚴重的隧道環境下具有分割精度低，難以提取完整裂縫的缺點。針對該問題，提出一種基于機器視覺的隧道裂縫檢測方法。首先，對采集到的隧道圖像進行頻域濾波與空域差分，以增強圖像紋理特征；將經上述步驟分割后的圖像通過設置面積參數Tv、飽和度參數Ts與特殊參數T′v、T′s提取背景噪聲并刪除，避免誤檢現象發生，使算法能夠檢測出完整的隧道裂縫圖像；最后，結合本文應用場景的無突變性與發展規律性，設計輕量化裂縫連接算法連接上述步驟中斷裂的裂縫，避免漏檢現象的發生。實驗結果表明，所提方法能在復雜隧道環境中有效提取完整裂縫，使隧道裂縫圖像識別的精確率達到94%，召回率98%，尺寸精度92%，檢測精度能夠滿足實際工程需求。

關鍵詞：隧道裂縫；機器視覺；成分分析；圖像分割

中圖分類號：TP391.4 文獻標志碼：A 文章編號：1000-582X（2024）12-083-09

基金項目：甘肅省自然科學基金（18JR3RA124）。 Supported by Natural Science Foundation of Gansu Province（18JR3RA124）.

Crack detection method for tunnels based on machine vision

ZHANG Zhenhaia， JI Kuna， DANG Jianwua，b

（a. School of Automation and Electrical Engineering； b. Gansu Engineering Research Center for Artificial Intelligence and Graphics and Image Processing， Lanzhou Jiaotong University， Lanzhou 730070， P. R. China）

裂縫是確保結構安全性，耐用性和可維修性的主要考慮因素。對于所有類型的結構（如混凝土結構、鋼結構、木結構等），表面裂縫都是結構損壞和耐久性的關鍵指標，因此，檢測結構裂縫、評估結構功能指標是結構健康監測的重要分支[1]。隧道會因產生形變出現滲漏水、裂縫、表皮脫落等隱患，嚴重時會威脅隧道整體結構的穩定性。隧道線路較長，為不影響線路的正常運營且保證檢測質量，往往需要投入大量的人力、財力。目前基于人工巡檢檢測裂縫的方法具有主觀性強、效率低、易漏檢誤檢等缺點，無法滿足快速增長的隧道里程對隧道維護的需求。

近年來，隨著數字攝像技術與計算機科學的快速發展，基于圖像處理的裂縫檢測技術被廣泛研究。目前分別為傳統基于閾值分割的檢測方式與基于機器學習的檢測方式。范新南等[2]采用基于頭腦風暴算法的PCNN模型，通過圖像自身特性自適應優化模型中主要的網絡參數，使裂縫圖像分割效果最佳；朱力強等[3]將隧道裂縫圖像分為背景部分、裂縫部分與噪聲部分，使用SVM提取圖像裂縫。圖像濾波方面，張振海等[4]提出一種高斯-快速中值濾波算法，有效去除混合噪聲；顧桂梅等[5]根據鋼軌軌條特性，提出基于高斯-中值的鋼軌表面濾波方法；閾值分割方面，常見的方式為自適應閾值分割與連通域分割[6-7]，此外，王耀東等[8]提出將圖像分塊處理的方法，根據塊間方差設置閾值，識別裂縫；Quan等[9]提出了一種改進的基于灰度直方圖的Otsu閾值裂紋檢測方法，通過修改灰度直方圖的概率加權因子，提高目標提取的準確性，避免峰值突出問題。在裂縫特征提取方面，賈東峰等[10]提出基于點云影像的不同尺度空間下裂縫滲水區域識別與檢測算法，通過定義尺度空間，實現不同尺度和形態裂縫的檢測；王博等[11]采用多方向擬合的區域生長方法聯合HSV顏色空間閾值進行路面區域分割，提取包含完整裂縫信息的單通道路面。Fernandes等[12]提出基于裂縫圖像的8個特征有效描述裂紋，這些特征在用于裂紋分類時被證明具有高度的表達能力和魯棒性。Murakami等[13]提出一種使用激光的高分辨率遠程檢測系統，對裂縫進行高分辨率三維成像。

上述算法均在各自的研究領域取得較好進展，但隧道裂縫圖像不同于傳統路面圖像，隧道內采集的裂縫圖像存在光照不均、背景情況復雜問題。采用上述算法處理圖像會在閾值分割后存在噪聲與裂縫連接的情況，嚴重影響裂縫識別準確率。針對以上問題，本文提出能在復雜環境下完整識別裂縫的圖像處理算法。算法首先采用基于頻域濾波與空域差分的紋理增強算法對裂縫圖像預處理并進行閾值分割；接下來針對分割后圖像中的噪聲點特性設計去噪方法，提取完整隧道裂縫；最后，計算提取裂縫的相應幾何參數。將本算法應用在實際隧道裂縫數據中，通過對比計算數據與實際數據，證明提出方法對隧道裂縫檢測的有效性，可應用在實際工程測量中。

1 裂縫圖像處理算法

隧道裂縫圖像相較于常見道路圖像包含有大量的噪聲。不均勻的光線、混凝土的顆粒、過小的目標區域、墻面脫落后的陰影等都會使傳統算法分割結果大打折扣，常規的預處理方法難以獲得滿意的處理效果。傳統圖像處理流程如圖1所示，目前很多研究只是將預處理作為一種圖像處理的必要流程，和后續操作步驟結合度不夠。因此，本研究將易于圖像分割作為預處理的目標，在充分考慮圖像閾值分割過程的基礎上，設計與分割方法相匹配的預處理方法。結合參考文獻中提出的裂縫檢測算法，提出一種隧道裂縫檢測算法—采用頻域濾波與空域差分增強裂縫部分與背景部分對比度并結合圖像特征提取隧道裂縫。

2 裂縫圖像預處理

2.1 預處理方法設計

在使用傳統分割方法時[14]，為清晰區分裂縫圖像前景部分與背景部分，預處理的目標為將單峰或近似單峰的裂縫圖像處理得到雙峰圖像，達到更好的分割效果。筆者將頻域濾波與差值運算相結合，選擇高通濾波器對圖像進行濾波，提取圖像中灰度值變化大的部分，具體處理步驟如圖2所示。

通過上述分析可知，該處理方式能有效分離裂縫與背景噪聲，很好去除塊狀噪聲部分，處理結果如圖3所示。由圖3（d）可見，提出的預處理方法將單峰圖像處理為雙峰，可以使傳統Otsu分割算法更好地獲取裂縫圖像。由圖3（c）分析可知，在處理復雜圖形時，該方法對線狀與點狀噪聲的處理效果不是很理想，將在閾值分割后對這2類噪聲進行特征提取與刪除。

3 裂縫圖像特征提取

隧道裂縫情況復雜，在閾值分割后存在著大量背景噪聲。通過對裂縫圖像的成分分析可知，噪聲主要包括點狀與線狀噪聲。針對這2類噪聲，提出基于連通域的噪聲去除法，通過描述特點去除[15]。首先，引入連通域的概念：連通域是指閾值分割后的二值圖像灰度值相同且相連的點的集合，常見的有4連通與8連通2種計算方法（如圖4所示）。為了使計算結果更精確，采用8連通算法[16]，以P5為中心，向周圍8個方向搜索，將相連且灰度值相等的點劃分到1個集合，不同的集合即為二值化圖像k（x， y）的多個連通域，設圖像中共有n = 1，2， ，N個連通域。

統計圖像連通域后，根據上述對裂縫的成分分析，設置以下參數對裂縫區進行提取。

3.1 面積參數

3.2 飽和度參數

若前期高通濾波的濾波核選擇較大時，點狀噪聲區域通常呈片狀出現，而裂縫部分均為線狀，找到連通域的最小外接矩形，用下式描述裂縫的飽和度。

4 裂縫斷點連接與尺寸計算

4.1 裂縫斷點連接算法

上述算法在處理大部分裂縫圖片時均能提取完整裂縫，但特殊情況下，如當裂縫縫隙中有雜物、或裂縫有部分較淺而導致無法識別時，閾值分割后的圖像會產生“斷點”現象，影響裂縫尺寸計算，如圖6（b）所示。

傳統裂縫連接算法有Hough變換法、最小路徑法等，這類算法計算開銷龐大，面對處理復雜圖片的端點連接。文中算法的面向對象具有無突變性與發展規律性2大特性，且在文中經過預處理與特征提取后的裂縫已有較好結果，過大的計算開銷會影響算法的運行速度。充分考慮裂縫特性與算法速度的基礎上，提出以下輕量化的裂縫連接算法。

1）將去噪后的圖片骨架化，如圖6（c）所示。使用3×3 8連通濾波器遍歷圖像裂縫部分每1個像素點的8鄰域，將8鄰域內只有1個裂縫點的像素點標記為端點。

2）計算每個端點與其他所有端點的歐式距離，連接與其歐氏距離最小的端點。

3）斷點部分在裂縫圖像中占比極小，可通過2端點間確定直線相連。首先，判斷2端點間橫縱坐標差值ΔX與ΔY，若ΔX >ΔY，以x軸為主軸；若ΔX≤ΔY，則以y軸為主軸，連接方式如圖7所示，最終，連接結果如圖6（d）所示。

4）連接后的骨架斷點裂縫需要恢復寬度，其寬度部分應適應裂縫整體結構。將骨架2邊端點各向2邊搜索2個點，計算4個點在原圖中的平均寬度，作為連接斷點部分的寬度，處理后的圖片如圖8所示。

4.2 裂縫尺寸計算

計算斷點處理后裂縫的長度與寬度，作為裂縫分類與評估的評價標準，在沒有進行裂縫尺寸標定時，裂縫的形態學參數由像素點表示。

在尺寸標定后，即可通過W值與L值計算出裂縫的真實長度與平均寬度，通過對裂縫形態學參數與裂縫評估辦法的比較初步篩選出亟須修復的裂縫。

5 實驗結果與分析

利用i7-6700CPU與Python3.7.8軟件對所提出的裂縫處理算法與文中算法進行實現。為驗證算法的有效性，收集了200張隧道裂縫圖，像素尺寸為1 024×768，涵蓋橫向裂縫、縱向裂縫與網狀裂縫，隧道成分包含水泥與混凝土，對不同場景下的裂縫圖像分割并去噪，結果如圖9所示。本文算法在不同場景、不同裂縫下均有良好的裂縫識別效果。

傳統Otsu閾值分割法與最大熵閾值分割法均為通過迭代分割閾值T的方式尋找最合適的分割閾值，這2種方法在處理灰度直方圖呈雙峰的圖像時具有良好效果。但面向對象為灰度直方圖呈單峰的裂縫圖像，且圖像前景與背景在圖中所占比例不均勻，比例較高的高灰度背景部分會在分割時影響低灰度的裂縫前景部分，導致分割閾值往往偏大，造成過分割的現象。如圖9（c）、（d）中圈出部分所示，與裂縫部分相連的噪聲部分被誤檢為裂縫，嚴重影響后期對裂縫的尺寸標定。

改進的Otsu算法將裂縫灰度值信息與裂縫的梯度信息結合，在閾值的迭代過程中引入sobel梯度算子，降低分割閾值T。該方法能夠識別出裂縫的主題輪廓，但對較細的微灰度隧道裂縫圖像，分割時裂縫部分有斷點，去噪后算法會將部分裂縫誤檢為噪聲去除，如圖9中所示。

在標定條件下，以現有隧道中實際數據為例，使用文中設計方法對隧道裂縫進行檢測，將表2所示連通域尺寸換算為實際尺寸，對比系統測量結果與實際結果，驗證系統的有效性與精確性。如表3所示，對隧道裂縫的實驗平均精準度達到92.2%，最大誤差率12.91%，滿足實際工程應用的要求。

6 結 語

1）本文針對隧道裂縫病害，提出基于機器視覺的隧道裂縫檢測方法。首先，考慮到裂縫圖像通常呈現的單峰問題，對圖像進行成分分析，設計頻域處理與空域差分的方法增強裂縫紋理，同時降低背景噪聲在裂縫圖像中的影響。處理后的圖像灰度直方圖由單峰變換為雙峰，便于閾值分割，避免二值圖像中的裂縫部分與噪聲部分相連。

2）采用上述方法分割后的圖像還留有部分點狀噪聲與線狀噪聲，通過對噪聲成分連通域的分析，分別設置面積參數Tv、飽和度參數Ts與特殊參數T′v、T′s以刪除噪聲。

3）部分裂縫圖像在采集時由于受到燈光、環境、雜物等干擾，在裂縫檢測時會發生漏檢現象。考慮到裂縫的無突變性與發展規律，設計輕量化裂縫連接算法對閾值分割后有斷點的裂縫進行連接，保證所提取裂縫的完整性。

4）通過將提出算法與其他算法進行實驗比較，證明該算法可有效提取復雜環境下的完整裂縫，算法的裂縫識別準確率與召回率分別為94%與98%，識別精度達到了92%。將該算法應用在實際工程測量中，通過數據證明算法滿足實際工程應用要求。

參考文獻

[1] 周穎， 劉彤. 基于計算機視覺的混凝土裂縫識別[J]. 同濟大學學報（自然科學版）， 2019， 47（9）： 1277-1285. Zhou Y， Liu T. Computer vision-based crack detection and measurement on concrete structure[J]. Journal of Tongji University（Natural Science）， 2019， 47（9）： 1277-1285.（in Chinese）

[2] 范新南， 汪杰， 史朋飛， 等. 基于頭腦風暴優化的PCNN路面裂縫分割算法[J]. 西南交通大學學報， 2021， 56（3）： 572-578. Fan X N， Wang J， Shi P F， et al. Pavement crack segmentation algorithm based on pulse coupled neural network with brainstorming optimization[J]. Journal of Southwest Jiaotong University， 2021， 56（3）： 572-578.（in Chinese）

[3] 朱力強， 白彪， 王耀東， 等. 基于特征分析的地鐵隧道裂縫識別算法[J]. 鐵道學報， 2015， 37（5）： 64-70. Zhu L Q， Bai B， Wang Y D， et al. Subway tunnel crack identification algorithm based on feature analysis[J]. Journal of the China Railway Society， 2015， 37（5）： 64-70.（in Chinese）

[4] 張振海， 尹曉珍， 王陽萍， 等. 基于特征分析的圖像式地鐵隧道裂縫檢測方法研究[J]. 鐵道科學與工程學報， 2019， 16（11）： 2791-2800. Zhang Z H， Yin X Z， Wang Y P， et al. Research on image-based crack detection method for subway tunnel based on feature analysis[J]. Journal of Railway Science and Engineering， 2019， 16（11）： 2791-2800.（in Chinese）

[5] 顧桂梅， 冉建民， 周詠. 基于高斯-中值的鋼軌表面缺陷圖像濾波研究[J]. 鐵道科學與工程學報， 2018， 15（8）： 1943-1949. Gu G M， Ran J M， Zhou Y. Image filtering of rail surface defects based on Gauss-Median[J]. Journal of Railway Science and Engineering， 2018， 15（8）： 1943-1949.（in Chinese）

[6] Zakeri H， Nejad F M， Fahimifar A. Rahbin： a quadcopter unmanned aerial vehicle based on a systematic image processing approach toward an automated asphalt pavement inspection[J]. Automation in Construction， 2016， 72： 211-235.

[7] Lu G F， Zhao Q C， Liao J G， et al. Pavement crack identification based on automatic threshold iterative method[C]//7th International Conference on Electronics and Information Engineering. Nanjing， China： SPIE， 2017： 103221.

[8] 王耀東， 朱力強， 史紅梅， 等. 基于局部圖像紋理計算的隧道裂縫視覺檢測技術[J]. 鐵道學報， 2018， 40（2）： 82-90. Wang Y D， Zhu L Q， Shi H M， et al. Vision detection of tunnel cracks based on local image texture calculation[J]. Journal of the China Railway Society， 2018， 40（2）： 82-90.（in Chinese）

[9] Quan Y W， Sun J， Zhang Y， et al. The method of the road surface crack detection by the improved otsu threshold[C]//2019 IEEE International Conference on Mechatronics and Automation （ICMA）. Piscataway： IEEE， 2019： 1615-1620.

[10] 賈東峰， 張偉平， 劉燕萍. 多尺度空間下的隧道裂縫與滲水區域檢測[J]. 同濟大學學報（自然科學版）， 2019， 47（12）： 1825-1830. Jia D F， Zhang W P， Liu Y P. Tunnel crack and seepage detection in multi-scale space[J]. Journal of Tongji University （Natural Science）， 2019， 47（12）： 1825-1830.（in Chinese）

[11] 王博， 王霞， 陳飛， 等. 航拍圖像的路面裂縫識別[J]. 光學學報， 2017， 37（8）： 126-132. Wang B， Wang X， Chen F， et al. Pavement crack recognition based on aerial image[J]. Acta Optica Sinica， 2017， 37（8）： 126-132.（in Chinese）

[12] Fernandes K， Ciobanu L. Pavement pathologies classification using graph-based features[C]//2014 IEEE International Conference on Image Processing （ICIP）. Piscataway： IEEE， 2014： 793-797.

[13] Murakami T， Saito N， Komachi Y， et al. High spatial resolution LIDAR for detection of cracks on tunnel surfaces[C]//2018 Conference on Lasers and Electro-Optics （CLEO）. Piscataway： IEEE， 2018： 1-2.

[14] Guo W Y， Wang X F， Xia X Z. Two-dimensional Otsu’s thresholding segmentation method based on grid box filter[J]. OptikInternational Journal for Light and Electron Optics， 2014， 125（18）：5234-5240.

[15] Fujita Y， Hamamoto Y. A robust automatic crack detection method from noisy concrete surfaces[J]. Machine Vision and Applications， 2011， 22（2）： 245-254.

[16] 于瀟宇， 郭玉波， 陳剛， 等. 基于點目標連通域標記的實時特征提取及其分布式運算[J]. 光學學報， 2015， 35（2）： 104-114. Yu X Y， Guo Y B， Chen G， et al. Real-time point feature extraction based on connected components labeling and distributed computing[J]. Acta Optica Sinica， 2015， 35（2）： 104-114.（in Chinese）

（編輯 侯湘）