基于Gabor算子的人工蜂群算法大壩裂縫檢測(cè)*

陳 偉，范新南，李 敏，史朋飛，顧麗萍

（河海大學(xué)江蘇省輸配電重點(diǎn)實(shí)驗(yàn)室，常州213022）

·微機(jī)軟件·

基于Gabor算子的人工蜂群算法大壩裂縫檢測(cè)*

陳 偉，范新南，李 敏，史朋飛，顧麗萍

（河海大學(xué)江蘇省輸配電重點(diǎn)實(shí)驗(yàn)室，常州213022）

針對(duì)水下大壩裂縫圖像的低信噪比、低對(duì)比度以及大壩裂縫形狀的不規(guī)則性和方向的不確定性等特點(diǎn)導(dǎo)致的檢測(cè)精確度低、通用性弱的問(wèn)題，提出了一種基于Gabor算子的人工蜂群算法大壩裂縫檢測(cè)方法。該方法簡(jiǎn)化了蜜蜂的搜索過(guò)程，先利用Gabor算子搜索得到一組局部最優(yōu)花蜜源，根據(jù)花蜜源的“收益度”以及“朝向性”特點(diǎn)，從最優(yōu)花蜜源的角度鄰域搜索收益率較高的花蜜源，并對(duì)所有的食物源按照條件進(jìn)行篩選和連接。由于減小了搜索范圍，所以可以節(jié)省搜索時(shí)間，而且針對(duì)不同類型的大壩裂縫可以精確連貫地檢測(cè)出大壩裂縫信息，并且可以有效地抑制噪聲。

大壩裂縫檢測(cè)；Gabor算子；人工蜂群算法；收益度；朝向性；精確；抑制噪聲

1 引 言

作為水電工程的主要設(shè)施之一，大壩是關(guān)系到國(guó)計(jì)民生的重要工程。由于承受很大的水壓和溫度梯度、水的沖刷、滲透、侵蝕及建筑質(zhì)量等原因，大壩不可避免地會(huì)產(chǎn)生裂縫［1］。常見的大壩裂縫檢測(cè)方法主要分為：目測(cè)法和無(wú)損檢測(cè)法。其主要包括：自然電位法［2］，瑞利波法［3］，高密度電阻率法［4］，振動(dòng)法［5］，超聲波檢驗(yàn)法［6］，探地雷法［7］，傳感器檢測(cè)法［8］。這些常見的方法對(duì)大壩裂縫檢測(cè)盡管可以達(dá)到一定的檢測(cè)效果，但是由于水下光的散射現(xiàn)象隨著照明的增強(qiáng)而趨于嚴(yán)重和海水中各種微粒、浮游生物以及水體流動(dòng)導(dǎo)致的水下大壩裂縫圖像的低信噪比、低對(duì)比度以及大壩裂縫自身形狀的不規(guī)則性和方向的不確定性等特點(diǎn)，它們都不能對(duì)水下大壩裂縫進(jìn)行通用性的檢測(cè)以及精確定位和準(zhǔn)確描述裂縫的形態(tài)。

近年來(lái)隨著對(duì)大量大壩裂縫圖像進(jìn)行深入觀察、精確分析后發(fā)現(xiàn)，無(wú)論是微弱裂縫、表面裂縫、深度裂縫，在空域和頻域都表現(xiàn)出一定的方向性與連續(xù)性，可以指導(dǎo)我們來(lái)提高裂縫檢測(cè)的精度。我們知道，人工蜂群算法是一種群體智能優(yōu)化算法，結(jié)合了全局最優(yōu)搜索和局部最優(yōu)搜索這兩種算法，能以更大的概率搜索到最優(yōu)解并在很大程度上避免了局部最優(yōu)［9］。因此，它主要運(yùn)用于函數(shù)優(yōu)化和極值尋優(yōu)問(wèn)題，如Karaboga等用ABC解決約束優(yōu)化問(wèn)題，聚類分析和訓(xùn)練神經(jīng)網(wǎng)絡(luò)；Pulikanti等把ABC和貪婪算法，局域算法結(jié)合來(lái)求解二次方程漸縮問(wèn)題等［10］。在這些ABC算法運(yùn)用中，都是將當(dāng)前輪最優(yōu)值與前若干輪的最優(yōu)值方向矢量，作為最優(yōu)引領(lǐng)蜂在下一輪覓食領(lǐng)域的搜索方向，雖然增加了最優(yōu)方向引導(dǎo)能力，但同時(shí)具有很大的時(shí)間復(fù)雜度與空間復(fù)雜度，且當(dāng)?shù)_(dá)到一定次數(shù)時(shí)，蜜蜂可能在某個(gè)局部最優(yōu)解的鄰域附近發(fā)生停滯［9］。

因此，為了節(jié)省搜索時(shí)間，同時(shí)具有很強(qiáng)的魯棒性與通用性，系統(tǒng)地提出了一種基于Gabor算子的人工蜂群算法的大壩裂縫檢測(cè)方法。首先利用Gabor算子對(duì)圖像的裂縫邊緣進(jìn)行快速搜索，得到一組局部最優(yōu)點(diǎn)以及該點(diǎn)的方向，并按照收益度的高低對(duì)食物源進(jìn)行排序。然后針對(duì)每一個(gè)局部最優(yōu)點(diǎn)，在該點(diǎn)的角度鄰域內(nèi)進(jìn)行搜索，找到收益率較高的食物源；并對(duì)所有的食物源按照條件進(jìn)行篩選和連接，最終符合條件的所有食物源即為裂縫所有的邊緣點(diǎn)，所有邊界點(diǎn)的并集就是裂縫邊緣。該算法可以快速地檢測(cè)出單條或多條大壩裂縫，對(duì)于不同類型大壩裂縫的連貫性檢測(cè)有一定的優(yōu)化，并且可以有效地抑制噪聲。

2 人工蜂群算法

2．1 人工蜂群算法模型

自然界蜜蜂的行為表現(xiàn)出自治、分工和自組織等特征［11］。在人工蜂群算法模型中，蜂群系統(tǒng)的構(gòu)成主要包含三個(gè)基本組成要素：蜜源（食物源）、蜂群以及蜜蜂個(gè)體之間的信息交流機(jī)制［12－13］。

食物源：食物源的質(zhì)量主要由多方面的因素決定，可以用參數(shù)“收益率”來(lái)表示。因此，尋找高質(zhì)量食物源的位置就是搜尋最優(yōu)解的過(guò)程。

蜜蜂：按照分工不同，可以將所有的工蜂分為雇主蜂、跟隨蜂和偵查蜂三類。

信息交流機(jī)制：蜜蜂通過(guò)在蜂巢中的舞蹈區(qū)跳舞的方式來(lái)與其他的蜜蜂分享食物源信息。在ABC算法中，舞蹈的興奮程度與相應(yīng)食物源的“收益率”呈正比，這樣使得蜂群能夠有效利用集中的食物資源。

蜜蜂采蜜是整個(gè)蜂群生存的基礎(chǔ)，其基本行為有搜索蜜源、為優(yōu)質(zhì)蜜源引導(dǎo)雇傭蜂和放棄劣質(zhì)蜜源三種。食物源中花蜜源的品質(zhì)和數(shù)量代表了花蜜源的效益。在ABC算法中，食物源相當(dāng)于優(yōu)化問(wèn)題中最優(yōu)解的位置信息，該值由參數(shù)“收益率”（profitability）來(lái)表示，尋找效益最高的花蜜源位置就是一個(gè)尋找最優(yōu)解的過(guò)程。雇主蜂掌握了效益指標(biāo)較高的花蜜源，可以引導(dǎo)雇傭蜂或獨(dú)自開采蜜源。個(gè)體間的信息交流是在蜂巢的舞蹈區(qū)通過(guò)個(gè)體的舞蹈進(jìn)行信息交流。

2．2 人工蜂群算法流程

在人工蜂群算法中，蜜蜂對(duì)食物源的搜索主要分為三大步。首先，偵查蜂在環(huán)境中搜索食物源，并且記錄食物源的信息。然后，跟隨蜂根據(jù)雇主蜂提供的食物源信息，選擇一個(gè)收益率高的食物源進(jìn)行采蜜。最后，當(dāng)該食物源的收益率低于某一程度時(shí)，放棄該食物源，以“偵查蜂”的身份繼續(xù)尋找新的食物源［11］。具體流程如下：

（1）首先，初始化蜂群，將所有的工蜂全部以“偵查蜂”的身份派出去隨機(jī)搜尋食物源。設(shè)食物源的個(gè)數(shù)為n，即引領(lǐng)蜂的個(gè)數(shù)，用n維向量Xi（i＝1，2，．．．，n）表示環(huán)境中的初始食物源。

（2）食物源的優(yōu)劣用“收益率”來(lái)表示。當(dāng)引領(lǐng)蜂在蜂巢內(nèi)的舞蹈區(qū)將食物源的信息與所有跟隨蜂分享時(shí)，跟隨蜂會(huì)根據(jù)食物源的信息來(lái)選擇一個(gè)食物源去采蜜。該選擇機(jī)制是通過(guò)食物源的“收益率”來(lái)排序。一般情況下，食物源的收益率越高，被跟隨蜂選擇的概率就越大。每一個(gè)食物源被選中的概率就是該食物源的“收益率”在所有食物源“總收益率”中所占的比例。公式如下所示：

其中，Pi的計(jì)算結(jié)果是第i個(gè)食物源被選中的概率，profiti是第i個(gè)食物源的收益率，n為所有食物源的個(gè)數(shù)。

（3）跟隨蜂會(huì)對(duì)其選擇的食物源的某一鄰域范圍進(jìn)行搜索。如果搜索到新食物源的收益率優(yōu)于引領(lǐng)蜂所對(duì)應(yīng)的原食物源，則用新食物源的位置代替原來(lái)食物源的位置，否則就繼續(xù)開采原來(lái)的食物源。食物源位置更新為：

其中，xi（t＋1）代表了新產(chǎn)生的第i個(gè)食物源位置，xi（t）代表了原來(lái)第i個(gè)食物源位置，k∈｛1，2，．．．，n｝，但k≠i。r代表著食物源搜索領(lǐng)域的范圍，r∈［－1，1］，隨著搜索結(jié)果越來(lái)越接近最優(yōu)解，該值就越小。

（4）當(dāng)食物源被采集了limit次，收益低于某一程度時(shí)，則需要放棄該食物源，在整個(gè)解空間中隨機(jī)產(chǎn)生一個(gè)新解來(lái)代替。此時(shí)，與該解所對(duì)應(yīng)的雇主蜂將轉(zhuǎn)變?yōu)閭刹榉洹Ｓ稍搨刹榉渫ㄟ^(guò)下列公式隨機(jī)產(chǎn)生一個(gè)新的解。

3 基于Gabor算子的人工蜂群算法裂縫檢測(cè)

該算法利用Gabor算子改進(jìn)人工蜂群算法，提高了大壩裂縫信息搜索的速度和精確度，增強(qiáng)了算法的通用性。首先利用Gabor算子對(duì)圖像的裂縫邊緣進(jìn)行快速搜索，得到一組局部最優(yōu)點(diǎn)以及該點(diǎn)的方向，并按照收益度的高低對(duì)食物源進(jìn)行排序。然后針對(duì)每一個(gè)局部最優(yōu)點(diǎn)，在該點(diǎn)的鄰域內(nèi)進(jìn)行搜索，找到收益率較高的食物源；并對(duì)所有的食物源按照條件進(jìn)行篩選和連接，最終符合條件的所有食物源即為裂縫所有的邊緣點(diǎn)，所有邊界點(diǎn)的并集就是裂縫邊緣。因此，改進(jìn)的人工蜂群算法主要分為：食物源初始化，跟隨蜂招募以及跟隨蜂食物源搜索3大步驟。

3．1 食物源初始化

在ABC算法中，食物源就代表了大壩裂縫的邊緣點(diǎn)坐標(biāo)。因此，食物源初始化就是在大壩裂縫圖像中搜索裂縫邊緣的像素點(diǎn)，初始化N個(gè)局部最優(yōu)點(diǎn)，即對(duì)大壩裂縫邊緣進(jìn)行初定位。

針對(duì)水下大壩裂縫圖像中的裂縫信息、背景信息以及噪聲信號(hào)在頻譜上表現(xiàn)的不同，且裂縫具有一定方向性的特征，Gabor算子能在最佳時(shí)頻下，在不同尺度和不同方向上對(duì)大壩裂縫圖像進(jìn)行裂縫邊緣提取，得到部分的裂縫信息邊緣點(diǎn)。所以，采用Gabor算子對(duì)圖像裂縫進(jìn)行食物源初始化。

Gabor小波函數(shù)可以表示為：

其中，（a，b）為對(duì)（x，y）旋轉(zhuǎn)后的坐標(biāo)，ξ和η為Gabor濾波器的中心位置，一般默認(rèn)為原點(diǎn)，即ξ＝η＝0，θ為Gabor濾波器的方向。r為Gabor高斯函數(shù)的縱橫比，取值范圍為0．23－0．92。λ為Gabor濾波器的波長(zhǎng)，因此，1／λ是Gabor濾波器的中心頻率，而δ／λ為Gabor濾波器的帶寬，φ為Gabor濾波器的相位。

在同一方向、不同尺度下，先對(duì)大壩裂縫圖像作Gabor小波濾波；然后在不同方向上對(duì)每個(gè)像素點(diǎn)與Gabor小波函數(shù)進(jìn)行卷積，得到大壩裂縫可能的邊緣。對(duì)以上極大值點(diǎn)進(jìn)行閾值分析，剔除偽邊緣點(diǎn)，得到不同尺度下的邊緣點(diǎn)。這些邊緣點(diǎn)即為大壩裂縫的邊緣像素點(diǎn)，即圖像的食物源；將獲得的n個(gè)像素點(diǎn)作為食物源，存儲(chǔ)在向量P中，P＝｛P1，P2，．．．，Pn｝，P為像素點(diǎn)的位置，即Pi＝（xi，yi），并獲得像素點(diǎn)相應(yīng)的角度θ＝｛θ1，θ2，．．．，θn｝。在搜索到食物源后，引領(lǐng)蜂將儲(chǔ)存對(duì)應(yīng)食物源的相關(guān)信息，并將該信息與蜂巢中的蜜蜂進(jìn)行分享，從而招募到更多的跟隨蜂去該食物源采蜜。

3．2 招募跟隨蜂

招募跟隨蜂指的是雇主蜂在蜂巢的舞蹈區(qū)將食物源的效益率傳達(dá)給跟隨蜂，然后跟隨蜂根據(jù)食物源的效益率選擇食物源進(jìn)行采蜜。在大壩裂縫檢測(cè)算法中，可以采用與邊緣點(diǎn)信息強(qiáng)相關(guān)的函數(shù)作為效益率函數(shù)。這樣，效益率函數(shù)值越高，該像素點(diǎn)為邊緣點(diǎn)的可能性就越大，食物源被跟隨蜂選擇的概率就越大。因此，選擇蟻群算法中的信息素函數(shù)［14］作為本文效益率函數(shù)，I（x，y）信息素的鄰域如圖1所示。

圖1 信息素鄰域

信息素函數(shù)計(jì)算公式如下所示。

每個(gè)食物源被選擇的概率是該食物源的效益率在所有食物源效益中所占的比例，計(jì)算公式如下所示。

當(dāng)跟隨蜂選擇了某一雇主蜂所代表的食物源后，將會(huì)在該食物源的某一鄰域范圍內(nèi)進(jìn)行搜索收益率更高的食物源。

3．3 跟隨蜂搜索食物源

跟隨蜂搜索食物源是指在食物源鄰域范圍內(nèi)隨機(jī)搜索收益率高的食物源進(jìn)行采蜜。因?yàn)榱芽p邊緣上像素點(diǎn)的相位具有一定的相似性，即平行于裂縫的法線方向，而且在食物源初始化過(guò)程中，已記錄所有食物源的方向信息。所以從已存儲(chǔ)在向量P中的局部最優(yōu)解作為搜索起點(diǎn)，只搜索該點(diǎn)的角度擴(kuò)展的r鄰域內(nèi)的點(diǎn)即可，公式如下所示。

其中，（x′，y′）為搜索范圍的坐標(biāo)，θ為（x，y）像素點(diǎn)的梯度角度信息，γ為鄰域大小，［］為取整符號(hào)。

計(jì)算搜索鄰域內(nèi)所有點(diǎn)的收益度和朝向信息，將方向相近、收益度相似且最大的點(diǎn)作為新的食物源搜索點(diǎn)。這樣可以減少跟隨蜂的搜索范圍，最終減少算法運(yùn)行時(shí)間。

判斷收益度相似的標(biāo)準(zhǔn)公式如下所示。

其中，prob為原食物源的收益率，probn為新食物源的收益率，Th0和Th1為兩個(gè)閥值。Th0的取值范圍為：0．5probaverage≤Th0≤1．5probaverage，Th1的取值范圍為：1．5probaverage≤Th1≤3probaverage［9］。其中，probaverage為鄰域范圍內(nèi)所有點(diǎn)的收益率平均值。

依次循環(huán)下去，在搜索過(guò)程中，若該食物源的鄰域內(nèi)沒(méi)有滿足條件的像素點(diǎn)，則記錄該食物源鏈標(biāo)號(hào)、所有搜索點(diǎn)的位置信息及該食物源的朝向信息并存儲(chǔ)到向量Sp＝｛（x1，y1），（x2，y2），．．．，（xq，yq）｝中。其中，p為食物源鏈的標(biāo)號(hào)，q為該食物源鏈中搜索到作為食物源的個(gè)數(shù)。然后計(jì)算下一個(gè)局部最優(yōu)點(diǎn)，依次循環(huán)下去，直到達(dá)到某一終止條件。

由于裂縫信息在圖像中表現(xiàn)為具有一定的連貫性，但是其局部可能出現(xiàn)部分?jǐn)嗳本€段的特點(diǎn)，當(dāng)食物源鏈中食物源的數(shù)量超過(guò)某一閾值Num時(shí)，則將該食物源鏈作為邊緣信息，并且按照角度信息對(duì)所有食物源的位置進(jìn)行連接，形成裂縫邊緣信息。依次循環(huán)下去，直到將所有的疑似邊緣點(diǎn)全部掃描完。這樣的話，可以將斷裂的裂縫片段進(jìn)行有機(jī)連接，對(duì)裂縫進(jìn)行了線性增強(qiáng)，去除圖像中連通域內(nèi)像素較少的區(qū)域，即可得到完整的大壩裂縫圖像的邊緣信息。

4 實(shí)驗(yàn)結(jié)果與分析

經(jīng)過(guò)大量的實(shí)地以及資料調(diào)研，工程上一般將裂縫根據(jù)其長(zhǎng)度、寬度以及深度的不同分為以下三類：微弱裂縫，表面裂縫，大裂縫（深度裂縫、貫穿裂縫）。為了驗(yàn)證提出的基于Gabor算子的人工蜂群算法的大壩裂縫檢測(cè)算法的有效性與通用性，選擇了3類典型的大壩裂縫圖像：光照均勻的弱裂縫圖像；光照不均勻的表面裂縫圖像；過(guò)度曝光的大裂縫圖像進(jìn)行檢測(cè)并與其它經(jīng)典的邊緣檢測(cè)算法進(jìn)行對(duì)比。

4．1 仿真實(shí)驗(yàn)

首先，來(lái)驗(yàn)證提出的算法對(duì)大壩檢測(cè)精確度的影響。對(duì)于精確度，由于水下低信噪比、低對(duì)比度等特征，使得所獲得的原大壩裂縫圖像本身的精確度就很差，對(duì)精確度的比較存在很大影響。因此，為保證所獲得原裂縫圖像的精確度，設(shè)計(jì)出了一組實(shí)驗(yàn)：用相機(jī)在空氣中拍攝一幅大壩表面的裂縫，然后通過(guò)模糊化處理，來(lái)模擬水下環(huán)境；分別對(duì)這幅仿真圖像進(jìn)行基于蜂群算法的檢測(cè)和基于本文提出的算法進(jìn)行檢測(cè)，將所得邊緣完全覆蓋于原圖，與原圖裂縫邊緣形成對(duì)比，這樣可以比較清晰地比較兩者的精確性。具體實(shí)驗(yàn)結(jié)果如圖2所示。

圖2（a）是背景比較簡(jiǎn)單，噪聲比較少的一幅大壩裂縫圖像，這樣可以減小精確度對(duì)比的誤差。通過(guò)對(duì)比圖2（a），（c），（d）可以清晰地看出蜂群算法檢測(cè)的部分誤檢；對(duì)比圖2（e）與（f）兩幅將大壩裂縫檢測(cè)得到的裂縫與原大壩裂縫圖相加的圖像，可以觀察，基于Gabor算子的人工蜂群算法檢測(cè)出的邊緣更接近原圖，精確度要優(yōu)于人工蜂群算法；而且對(duì)噪聲的抑制更加明顯。

4．2 大裂縫檢測(cè)

圖3（a）為過(guò)度曝光的大裂縫圖像，其縫寬w≥3mm，縫長(zhǎng)l≥3m，縫深h≥100mm屬于結(jié)構(gòu)性裂縫，不僅對(duì)大壩結(jié)構(gòu)的整體性以及耐久性造成一定的影響，甚至有可能危害到大壩的整體承載能力，導(dǎo)致結(jié)構(gòu)失穩(wěn)。

圖2 仿水下大壩裂縫檢測(cè)圖

相對(duì)于空氣中形成的圖像，由于水下光的散射現(xiàn)像造成圖像的對(duì)比度下降，以及海水中各種微粒、浮游生物以及水體的流動(dòng)會(huì)增強(qiáng)水下圖像噪聲，使圖像退化，造成水下圖像質(zhì)量的下降，這些為水下大壩裂縫圖像處理帶來(lái)了更多困難。為了獲得較好的提取效果，必須對(duì)水下圖像進(jìn)行增強(qiáng)，解決水下圖像模糊和光照不均勻以及對(duì)比度不明顯的問(wèn)題。該算法采用了仿生物視覺(jué)的方法對(duì)大壩裂縫圖像進(jìn)行增強(qiáng)。增強(qiáng)效果圖如圖3（b）所示。

在實(shí)驗(yàn)中，由于裂縫的邊緣為階躍邊緣，為了提取最佳裂縫邊緣，將Gabor濾波器的參數(shù)設(shè)置為：θ＝π／2，δ／λ＝1．8。在方向提取上，不需要關(guān)系方向的正負(fù)，也就是0°和180°為1個(gè)方向。所以，該算法選擇了0－180°之間的6個(gè)方向；由于裂縫信息包括結(jié)構(gòu)性裂縫與表面性裂縫，所以對(duì)于尺度信息，選擇2個(gè)尺度，6個(gè)方向（0°，30°，60°，90°，120°， 150°）對(duì)邊緣信息提取。利用Gabor算子對(duì)上述三種典型的裂縫圖像進(jìn)行邊緣提取，并對(duì)提取的結(jié)果進(jìn)行閾值分析，取得其邊緣像素點(diǎn)，并計(jì)算所有像素點(diǎn)的梯度方向，其結(jié)果圖如圖3（c）所示。

將圖3（c）所提取的邊緣像素點(diǎn)的位置存儲(chǔ)在向量P中，作為初始食物源，并計(jì)算信息素，根據(jù)信息素的大小對(duì)食物源進(jìn)行排序，吸引跟隨蜂進(jìn)行采蜜。引領(lǐng)蜂的規(guī)模Sleader為食物源的個(gè)數(shù)，跟隨蜂的規(guī)模為：Sfollow＝1．5Sleader，偵查蜂的規(guī)模為：Sscount＝0．12Sleader。然后針對(duì)向量P中的食物源進(jìn)行搜索，結(jié)果如圖3（g）所示，并將裂縫提取的結(jié)果與其它典型的邊緣提取算法，即基于蜂群算法，roberts算子，prewitt算子等進(jìn)行比較。此外，還引入了信噪比（SNR），逼真度（Imfid），兩個(gè)客觀評(píng)價(jià)指標(biāo)對(duì)裂縫邊緣提取效果進(jìn)行評(píng)價(jià)。實(shí)驗(yàn)效果圖如圖3所示。

圖3 大裂縫檢測(cè)圖

對(duì)于過(guò)度曝光的大裂縫，主要由于強(qiáng)光源導(dǎo)致海水的散射增強(qiáng)，使得拍攝得到的圖片模糊，但背景噪聲不是很多的情況下，對(duì)比圖2（d）和（g）同時(shí)根據(jù)表1，兩者對(duì)于噪聲的抑制作用都有明顯的提高，但是蜂群算法存在少量的誤檢及精確度低的問(wèn)題。

表1 四種邊緣提取算法的性能參數(shù)

4．3 表面裂縫檢測(cè)

圖4（a）為光照不均勻表面裂縫，其縫寬2mm≤w＜3mm，縫深30mm≤h＜100mm，縫長(zhǎng)3m≤l＜5m，表現(xiàn)為規(guī)則狀的表面（淺層）裂縫。一般對(duì)大壩的承載能力以及結(jié)構(gòu)的穩(wěn)定性沒(méi)有巨大危害，只是影響大壩的整體美觀。但是這類裂縫在長(zhǎng)期的水劈裂作用以及外部荷載不均等作用下，會(huì)不斷的擴(kuò)大以及深入，最終形成結(jié)構(gòu)性裂縫，危害大壩的正常運(yùn)行。實(shí)驗(yàn)效果圖如圖4所示。

圖4 表面裂縫檢測(cè)圖

對(duì)于光照不均，裂縫寬度遠(yuǎn)小于大裂縫，背景干擾較為嚴(yán)重的表面裂縫，可以充分體現(xiàn)出提出算法的魯棒性及對(duì)噪聲高抑制的特點(diǎn)。對(duì)比圖4（d）與（g）可以清晰地看出，蜂群算法存在大量的誤檢與大量的背景噪聲；而圖4中（e），（f）存在大量邊緣的漏檢。

表2 四種邊緣提取算法的性能參數(shù)

4．4 弱裂縫檢測(cè)

圖5（a）為光照均勻的弱裂縫，其縫寬w＜2mm，縫深h＜30mm，縫長(zhǎng)l＜3m，表現(xiàn)為細(xì)微規(guī)則的線性裂縫。該裂縫一般不會(huì)對(duì)面板的安全性產(chǎn)生不利影響，甚至經(jīng)過(guò)一定時(shí)間部分微弱裂縫也可能自愈。對(duì)弱裂縫的檢測(cè)結(jié)果如圖5所示。

對(duì)于光照均勻的弱裂縫，由于裂縫的寬度極其小，有可能將背景噪聲誤檢為大壩裂縫；觀察圖5（d）對(duì)于蜂群算法存在大量的誤檢，將背景噪聲誤檢為裂縫信息，相比提出的算法對(duì)于大壩裂縫檢測(cè)更加相似且對(duì)噪聲有更好的抑制作用。

表3 四種邊緣提取算法的性能參數(shù)

針對(duì)三種不同類型的大壩裂縫，以上運(yùn)用不同的算法進(jìn)行邊緣提取并進(jìn)行比較，可以明顯地發(fā)現(xiàn)提出的算法在對(duì)噪聲的抑制、通用性、相似度、精確度方面都有較大改善。

5 結(jié)束語(yǔ)

基于Gabor算子的人工蜂群算法針對(duì)不同類型的大壩裂縫能夠快速檢測(cè)出單條或多條裂縫，并且對(duì)于裂縫的連貫性檢測(cè)以及抑制噪聲方面有一定的優(yōu)化；與其他邊緣提取算法相比，該算法提取的輪廓更接近于真實(shí)輪廓圖像，精確度更高，通用性更強(qiáng)；簡(jiǎn)化了搜索過(guò)程，且由于算法無(wú)需搜索全局最優(yōu)解，所以可以節(jié)省搜索時(shí)間，而且漏檢率和誤撿率都相對(duì)較低。但在對(duì)大壩裂縫圖像邊緣檢測(cè)時(shí)，存在一定的誤檢，這是需改進(jìn)的地方。

圖5 弱裂縫檢測(cè)圖

［1］ 付軍，馬從計(jì)．一種新的基于圖像處理的水下大壩裂縫檢測(cè)算法［C］．水庫(kù)大壩建設(shè)與管理中的技術(shù)進(jìn)展．四川：中國(guó)大壩協(xié)會(huì)，2012．Fu Jun，Ma Congji．A new kind of underwater dam crack detection algorithm based on image processing［C］．Sichuan：The technical progress in the dam construction and management，2012．

［2］ 劉建偉，劉克強(qiáng)．電位法在探測(cè)堤壩滲漏中的應(yīng)用［J］．人民黃河，2008，30（2）：32－33．Liu Jianwei，LiuKeqiang．Theapplicationofthe potential method in the detection of dam leakage［J］．The people of the Yellow River，2008，30（2）：32－33．

［3］ 李軍，馬新龍．高密度電法在水庫(kù)大壩塌陷勘測(cè)中的應(yīng)用［J］．工程勘察，2010（1）：89－94．Li Jun，MaXinlong．Applicationofhigh－density electrical method in the reservoir dam subsidence survey［J］．Engineering survey．2010（1）：89－94．

［4］ 劉超英，梁國(guó)錢，蘇全．瞬態(tài)瑞利波和地震層析成像法在拱壩質(zhì)量檢測(cè)中的應(yīng)用研究［J］．水利水電技術(shù)，2006，37（8）：88－90．Liu Chaoying，Liang Guoqian，Su Quan．The transient Rayleigh wave and seismic tomography method application in arch dam quality testing study［J］．Water resources and hydropower technology，2006，5（8）：88－90．

［5］ 王柏生，何宗成，趙?。炷链髩谓Y(jié)構(gòu)損傷檢測(cè)振動(dòng)法的可行性［J］．建筑科學(xué)與工程學(xué)報(bào)，2005，22（2）：51－56．Wang Bosheng，He Zongcheng，Zhao Chen．The feasibility of the concrete dam in structural damage detection method of vibration［J］．Journal of construction science and engineering，2005，22（2）：51－56．

［6］ 劉康．基于小波分析的混凝土超聲波缺陷檢測(cè)方法研究［D］．武漢：武漢大學(xué)，2013．Liu Kang．Concreteultrasonic defect detection based on wavelet analysis method research［D］．Wuhan：Wuhan university，2013．

［7］ 時(shí)方穩(wěn)，杜應(yīng)吉，郝楓楠．探地雷達(dá)在水利工程安全檢測(cè)中的應(yīng)用［J］．人民長(zhǎng)江，2012，43（7）：44－46．Shi Fangwen，Du Yingji，Hao Fengnan．Ground penetrating radar（GPR）application in water conservancy engineering safety test［J］．The people of the Yangtze river，the lancet，2012（7）：44－46．

［8］ 潘琳，陳宏偉．智能化大壩安全監(jiān)測(cè)系統(tǒng)綜述［J］．水電自動(dòng)化與大壩監(jiān)測(cè)，2013，37（2）：58－60．（Pan Lin，Chen Hongwei．Intelligent dam safety monitoring system review［J］．Hydropower and dam monitoring automation，2013，37（2）：58－60．

［9］ 肖永豪．蜂群算法及在圖像處理中的應(yīng)用研究［D］．廣州：華南理工大學(xué)，2011．Xiao Yonghao．Swarm algorithm and its application in image processing［D］．Guangzhou：south China university of technology，2011．

［10］ 曹金寶．人工蜂群算法研究及其應(yīng)用［D］．西安：陜西師范大學(xué)，2013．Cao Jinbao．Artificial colony algorithm research were reviewed［J］．Xi’an：Shaanxi normal university，2013．

［11］ 楊淑瑩，張樺．群體智能與仿生計(jì)算一Matlab技術(shù)實(shí)現(xiàn)［M］．北京：電子工業(yè)出版社，2012．Yang Shuying，Zhang Hua．Swarm intelligence and bionic calculation a Matlab technology［M］．Beijing：electronic industry press，2012．

［12］ Karaboga D．An idea based on honey bee swarm for numerical optimization［R］．Technical report－tr06，erciyes university，engineering faculty，computer engineering department，2005．

［13］ Tian Jing，YU Wei－Yu，XIE Sheng－li．An ant colony optimization algorithm for image edge detection［J］．IEEE World Congress on Computational Intelligence，2008（18）：751－756．

［14］ Seeley T D．The wisdom of the hive：the social physiology of honey bee colonies［M］．Harvard university Press，2009．

Dam Crack Detection of Artificial Colony Algorithm Based on Gabor Operator

Chen Wei，F(xiàn)an Xinnan，Li Min，Shi Pengfei，Gu Liping
（Jiangsu Key Laboratory of Power Transmission＆Distribution Equipment Technology，Hohai University，Changzhou 213022，China）

In this paper，we propose a kind of dam crack detection of artificial colony algorithm based on Gabor operator to solve problems such as low detection precision and application，caused by the low SNR and contrast of the dam crack image，and irregularity and uncertainty of the dam crack shape．This method simplifies the search process of bees．First，the Gabor operator is used to search the edge of image to get a set of local points and its direction．And then，according to the characteristics of its revenue degree and orientation，the food source is searched in the optimal food source neighborhood．At last，the image is searched from the local optimal points and all dam cracks information is found．We can save search time due to reducing the search scope and detect the dam crack information consistently according to the different types of dam crack．Moreover，it can suppress noise effectively．

Dam crack detection；Gabor operator；Artificial colony algorithm；Revenue；Orientation；Accurate；Noise suppression

10．3969／j．issn．1002－2279．2015．04．009

TP751

A

1002－2279（2015）04－0032－07

國(guó)家自然科學(xué)基金（61273170）；高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金（20120094120023）

陳偉（1989－），男，江蘇省揚(yáng)州市人，碩士研究生，主研方向：圖像信息的獲取與處理。

2015－01－12