基于數(shù)字圖像處理的鐵路橋梁裂縫檢測(cè)技術(shù)

姜會(huì)增

（中國(guó)鐵道科學(xué)研究院標(biāo)準(zhǔn)計(jì)量研究所，北京　100081）

?

基于數(shù)字圖像處理的鐵路橋梁裂縫檢測(cè)技術(shù)

姜會(huì)增

（中國(guó)鐵道科學(xué)研究院標(biāo)準(zhǔn)計(jì)量研究所，北京100081）

摘要通過鐵路橋梁表面裂縫檢測(cè)能夠有效評(píng)估混凝土橋梁結(jié)構(gòu)的安全性。為了從復(fù)雜場(chǎng)景的混凝土表面圖像中提取出裂縫，本文提出了一種穩(wěn)定的裂縫自動(dòng)檢測(cè)方法。首先，將灰度圖像與其高斯低通濾波后的圖像作差，提取圖像中的高頻成分。然后，提取圖像中各點(diǎn)的方向，利用其方向上的像素動(dòng)態(tài)選取二值化閾值進(jìn)行圖像分割。最后，對(duì)二值化的圖像利用啟發(fā)式規(guī)則來(lái)濾除非裂縫成分，用裂縫片段間的空間關(guān)系進(jìn)一步篩選裂縫成分。試驗(yàn)結(jié)果表明該方法能有效、準(zhǔn)確地檢測(cè)出裂縫。以此為基礎(chǔ)開發(fā)了裂縫檢測(cè)系統(tǒng)，可對(duì)裂縫進(jìn)行自動(dòng)化檢測(cè)。

關(guān)鍵詞鐵路橋梁；裂縫檢測(cè)；數(shù)字圖像處理；方向二值化

在鐵路混凝土橋梁的養(yǎng)護(hù)中，裂縫檢測(cè)是混凝土結(jié)構(gòu)重要的檢查和診斷方法。通?；炷帘砻媪芽p可以用來(lái)評(píng)估混凝土結(jié)構(gòu)的承載能力、水密性和使用年限［1］。在鐵路橋梁靜載彎曲試驗(yàn)中，梁底裂縫的檢測(cè)由人工來(lái)完成。人工視覺檢測(cè)依賴于操作者的經(jīng)驗(yàn)、技能水平，耗時(shí)長(zhǎng)、安全性低，檢測(cè)效果很難客觀地評(píng)價(jià)?；炷帘砻鎴D像裂縫自動(dòng)檢測(cè)在無(wú)損檢測(cè)中非常有效。梁體裂縫的定期檢測(cè)還可以用來(lái)評(píng)估混凝土橋梁結(jié)構(gòu)的安全性和可靠性，防止發(fā)生事故［2-3］。隨著圖像采集及識(shí)別技術(shù)的發(fā)展，采用高清相機(jī)對(duì)橋梁的待檢測(cè)區(qū)域進(jìn)行拍照，并用圖像處理算法對(duì)圖像進(jìn)行處理從而提取裂縫，成為鐵路橋梁靜載彎曲試驗(yàn)中梁底裂縫自動(dòng)識(shí)別的新方法。

在近幾年的裂縫圖像識(shí)別算法中，文獻(xiàn)［4］利用原圖與中值濾波的差值圖像來(lái)移除圖像中的陰影，然后利用黑森矩陣構(gòu)造多尺度線性濾波器剔除斑塊、污點(diǎn)，通過概率松弛法濾除噪聲，最后使用自適應(yīng)閾值分割裂縫。文獻(xiàn)［5］利用圖像增強(qiáng)、圖像分割和啟發(fā)式規(guī)則從復(fù)雜環(huán)境中提取裂縫。文獻(xiàn)［6］利用滲濾圖像處理算法來(lái)進(jìn)行大尺寸圖像的快速裂縫識(shí)別。文獻(xiàn)［7］通過各種啟發(fā)式規(guī)則來(lái)篩選裂縫，并通過裂縫成分的最小外包矩形的相互關(guān)系來(lái)剔除非裂縫成分。在分析已有圖像處理算法的基礎(chǔ)上，本文提出采用自適應(yīng)閾值的基于裂縫方向分布的局部二值化算法進(jìn)行裂縫識(shí)別。

1　裂縫圖像分析

人工觀察裂縫憑借的是裂縫與周圍環(huán)境的顏色差異和經(jīng)驗(yàn)。通過數(shù)字相機(jī)采集的圖像識(shí)別裂縫，依據(jù)的是每一像素點(diǎn)的像素值，其值在0～255。

圖1（a）為鐵路橋梁的裂縫圖像，通過裂縫觀測(cè)儀測(cè)量其寬度為0. 03～0. 04 mm。其中①～③處的裂縫依次對(duì)應(yīng)于圖1（b）左上、左下和右圖的細(xì)節(jié)放大圖像。圖1（c）給出了裂縫片段①和②周圍像素值的分布。可知：2條曲線的變化趨勢(shì)是一致的，中心像素值最?。挥闪芽p中心到兩側(cè)無(wú)裂縫區(qū)域，像素值逐漸增大，直至趨于動(dòng)態(tài)平衡。不同的是，裂縫片段①，②的最小像素值分別為44，29；裂縫片段①，②周圍像素值均值分別為63，60。因此，裂縫檢測(cè)需要觀測(cè)某點(diǎn)像素值與周圍像素值的差異，而不能通過單一閾值直接進(jìn)行閾值分割。

裂縫在圖像中可能由多個(gè)線段組合而成。如圖1（b）中裂縫片段③所示，1條裂縫往往會(huì)分成幾段。除此之外，鐵路橋梁表面的裂縫還存在表皮脫落，表面不平整、污斑、劃痕等（如圖2所示）。這給裂縫檢測(cè)增加了難度。

2　裂縫檢測(cè)算法

從采集到的橋梁底部圖像中檢測(cè)到裂縫成分，需要將圖像進(jìn)行二值化處理，這屬于圖像分割的范疇。圖像二值化的關(guān)鍵是確定閾值。如果能確定一個(gè)合適的閾值就可準(zhǔn)確地將目標(biāo)分割開來(lái)。由于裂縫所處的復(fù)雜背景，全局閾值的二值化處理很難將目標(biāo)全部提取出來(lái)。通過對(duì)多幅裂縫圖像的分析，同時(shí)考慮到裂縫的紋理分布特性，排除雜散點(diǎn)、團(tuán)塊的干擾，本文提出一種基于裂縫方向分布的局部二值化的裂縫檢測(cè)算法。算法流程見圖3。

圖1　裂縫圖像分析過程

圖2　混凝土橋梁表面示例

圖3　裂縫檢測(cè)算法流程

2. 1預(yù)處理及高頻成分提取

將采集到的圖像進(jìn)行灰度化預(yù)處理得到單通道圖像。為了排除混凝土橋梁表面污漬、漸變的凸起、坑洼造成的干擾，在圖像二值化操作前先提取圖像的高頻成分。提取過程如下：①通過高斯低通濾波得到1個(gè)基準(zhǔn)圖像。高斯低通濾波是利用某像素點(diǎn)鄰域像素的加權(quán)平均所得，是一種考慮鄰域像素影響的低通濾波方法。考慮到裂縫的尺寸，高斯核的尺寸不應(yīng)過小，以免裂縫成分無(wú)法提取。②將原圖與基準(zhǔn)圖像作差，每點(diǎn)的像素值取差值的絕對(duì)值。圖4中從上到下依次為原圖、基準(zhǔn)圖、高頻成分圖像（為使顯示清晰，對(duì)高頻成分圖像稍作了處理）。

圖4　原圖、基準(zhǔn)圖與高頻成分圖像

2. 2方向信息提取

為了得到圖像中各點(diǎn)的方向信息，首先需要得到x，y方向的梯度值。梯度值?x（u，v）和?y（u，v）的獲取采用了Sobel算子。為了使每個(gè)像素點(diǎn)的方向信息盡可能準(zhǔn)確，采用了局部區(qū)域像素作為參考來(lái)進(jìn)行計(jì)算。在一像素點(diǎn)I（i，j）內(nèi)，以該點(diǎn)為中心選取高度h、寬度w的矩形區(qū)域，計(jì)算該點(diǎn)x，y方向梯度值的平均值Vx（i，j），Vy（i，j）。計(jì)算式為

式中：（i，j）為矩形塊的中心點(diǎn)；u，v分別為沿x，y方向的自變量。

每個(gè)點(diǎn)的相位θ（i，j）的計(jì)算式為

θ（i，j）的空間方向正交于所選h×w窗口內(nèi)傅里葉頻譜的主方向［8］。

由于噪聲、橋梁表面雜質(zhì)等可能造成計(jì)算的方向出現(xiàn)偏差，采用高斯低通濾波來(lái)減少這種影響，即用某像素點(diǎn)鄰域內(nèi)的方向的加權(quán)平均來(lái)替代該點(diǎn)的方向。這樣即使裂縫出現(xiàn)分段的情況，對(duì)斷點(diǎn)處的像素仍可計(jì)算其方向。

2. 3結(jié)合方向的局部二值化

動(dòng)態(tài)閾值的局部二值化方法以Niblack方法為基礎(chǔ)，對(duì)其進(jìn)行了改進(jìn)。將Niblack二值化方法與圖像中各點(diǎn)的相位相結(jié)合的算法為

式中：tanθ為直線斜率；j - itanθ為直線方程的截距。

對(duì)點(diǎn)（i，j）首先根據(jù)其相位和坐標(biāo)求出通過該點(diǎn)的直線方程。根據(jù)直線方程可得圖像上通過該直線的若干點(diǎn)，如圖5所示。

圖5　圖像中經(jīng)過某點(diǎn)的直線

取該直線的上半平面、下半平面各N個(gè)點(diǎn)，計(jì)算該直線上2N + 1個(gè)點(diǎn)的均值m（x，y）與方差s（x，y）。計(jì)算式為

傳統(tǒng)的Niblack方法是以目標(biāo)點(diǎn)為中心，選取一矩形區(qū)域，通過矩形區(qū)域內(nèi)的均值與標(biāo)準(zhǔn)差來(lái)判定該點(diǎn)的像素值。在改進(jìn)的二值化算法中，在目標(biāo)點(diǎn)上取該點(diǎn)相位直線上的像素作為參考，以該直線作為模板，得到的閾值T（x，y）為

式中，k為修正系數(shù)，通常據(jù)工程需要取值。

得到目標(biāo)像素的判定閾值后，便可對(duì)該點(diǎn)的像素值I（x，y）進(jìn)行判定，計(jì)算式為

經(jīng)過以上計(jì)算后，便得到裂縫圖像（圖6（a））的方向二值化圖像（圖6（b））。

圖6　某裂縫的原圖像與二值化圖像

2. 4裂縫成分篩選

為了彌合狹窄的缺口，首先采用數(shù)學(xué)形態(tài)學(xué)閉運(yùn)算平滑二值化圖像。但是圖像存在很多雜散的點(diǎn)、線、團(tuán)塊。為了濾除這些成分，首先采用啟發(fā)式規(guī)則進(jìn)行限制，如目標(biāo)外包矩形縱橫比限制、長(zhǎng)度限制、面積限制等，對(duì)雜點(diǎn)（線、團(tuán)塊）加以過濾，篩選出狹長(zhǎng)的成分，見圖7（a）。然后通過裂縫間的鄰接關(guān)系，剔除孤立的非裂縫成分。求出檢測(cè)到各線段的最小外包矩形，并將其擴(kuò)展。按照相鄰矩形框的角度關(guān)系、鄰接關(guān)系和包含關(guān)系來(lái)判斷某一片段是否為裂縫上的成分，從而篩選出所需的裂縫成分（圖7（a）中矩形框包圍的部分）。最后在原圖中標(biāo)注出裂縫成分以便觀察，見圖7（b）。

圖7　裂縫檢測(cè)處理過程

3　裂縫檢測(cè)系統(tǒng)

裂縫檢測(cè)系統(tǒng)采用高清面陣相機(jī)在特定的機(jī)械裝置上往復(fù)運(yùn)動(dòng)，對(duì)梁體下表面關(guān)鍵區(qū)域進(jìn)行掃描，采集圖像，運(yùn)用圖像處理算法檢測(cè)裂縫。系統(tǒng)主要由圖像采集單元、走行機(jī)構(gòu)單元和圖像處理單元組成，見圖8。

圖8　裂縫檢測(cè)系統(tǒng)的組成

在靜載彎曲試驗(yàn)過程中，第1加載循環(huán)的1. 00級(jí)持荷階段和第2加載循環(huán)的1. 20級(jí)持荷階段，需要對(duì)梁體下緣底面和下緣側(cè)面進(jìn)行裂縫檢測(cè)［9］。走行機(jī)構(gòu)單元搭載圖像采集單元，通過脈沖計(jì)數(shù)發(fā)送圖像采集觸發(fā)信號(hào)，對(duì)梁體關(guān)鍵區(qū)域進(jìn)行掃描，將掃描圖像及圖像的空間坐標(biāo)傳輸至圖像處理單元，檢測(cè)裂縫并提取該幅圖像的空間坐標(biāo)。圖像處理單元將檢測(cè)到的裂縫坐標(biāo)傳輸?shù)阶咝袡C(jī)構(gòu)單元進(jìn)行自動(dòng)定位，由人工對(duì)該處裂縫進(jìn)行復(fù)核。在裂縫檢測(cè)過程中，為保證檢測(cè)結(jié)果的實(shí)時(shí)性、準(zhǔn)確性，裂縫檢測(cè)算法成為整個(gè)流程中的核心單元。

4　試驗(yàn)結(jié)果與分析

試驗(yàn)數(shù)據(jù)為石濟(jì)客專橋梁的圖像。采集到的圖像場(chǎng)景較為復(fù)雜，存在各種干擾（參見圖2）。裂縫觀測(cè)儀測(cè)得裂縫的寬度大部分集中于0. 03～0. 07 mm。這要求采集單元具有很好的穩(wěn)定性。整條裂縫通常呈現(xiàn)多段分布且每段所處的背景不固定。

為了驗(yàn)證算法的有效性和正確性，共選取4組圖像進(jìn)行試驗(yàn)，每組有1 000幅圖像。各組分別有30，35，37，42幅裂縫圖像。裂縫檢測(cè)統(tǒng)計(jì)結(jié)果見表1。

表1　裂縫檢測(cè)統(tǒng)計(jì)結(jié)果

由表1可知，試驗(yàn)的準(zhǔn)確率達(dá)96. 8％，召回率為88. 2％，證明算法是有效性的，剔除雜散成分的能力很強(qiáng)。誤報(bào)的圖像多是由于模板接縫處、水漬的邊緣、脫皮等邊緣梯度較為明顯的情況所造成的。試驗(yàn)的召回率偏低主要與系統(tǒng)的裂縫分辨能力有關(guān)，有的裂縫寬度＜0. 03 mm，其高頻特性在圖像中極不明顯。圖9給出了一些檢測(cè)到的裂縫圖像。

圖9　檢測(cè)到的裂縫圖像

5　結(jié)論

通過裂縫檢測(cè)系統(tǒng)對(duì)鐵路橋梁表面裂縫進(jìn)行識(shí)別，對(duì)裂縫檢測(cè)算法進(jìn)行了驗(yàn)證。檢測(cè)系統(tǒng)采用自給光源，避免了室外復(fù)雜的光照環(huán)境的干擾。檢測(cè)算法通過原圖與高斯低通濾波圖像的差值圖像來(lái)提取圖像的高頻成分，有效抑制了黑斑、臟點(diǎn)造成的干擾。通過提取圖像的方向信息，并利用方向?qū)鹘y(tǒng)的Niblack算法加以改進(jìn)，使用動(dòng)態(tài)閾值對(duì)圖像進(jìn)行二值化處理。用啟發(fā)式規(guī)則對(duì)裂縫成分進(jìn)行篩選，并利用相鄰裂縫的空間關(guān)系進(jìn)一步濾除非裂縫成分。試驗(yàn)結(jié)果表明該裂縫檢測(cè)系統(tǒng)是穩(wěn)定的，裂縫檢測(cè)算法準(zhǔn)確、有效。

寬度更小裂縫的檢測(cè)以及干擾成分的進(jìn)一步篩除是一個(gè)技術(shù)難點(diǎn)。在今后的研究中需要進(jìn)一步提高算法的檢測(cè)能力，使其具有更好的適應(yīng)性。

參考文獻(xiàn)

［1］NISHIKAWA T，YOSHIDA J，SUGIYAMA T，et al. Concrete Crack Detection by Multiple Sequential Image Filtering［J］. Computer-aided Civil and Infrastructure Engineering，2012，27 （1）：29-47.

［2］PRASANNA P，DANA K J，GUCUNSKI N，et al. Automated Crack Detection on Concrete Bridges［J］. IEEE Transactions on Automati，2014，13（2）：591-599.

［3］CHEN Z Q，HUTCHINSON T C. Image-based Framework for ConcreteSurfaceCrackMonitoringandQuantification ［J/OL］/ /Advances in Civil Engineering，2010［2015-12-26］. http：/ /www. oalib. com/paper/26490#. V0QXXYKA5Q4.

［4］FUJITA Y，HAMAMOTO Y. A Robust Automatic Crack Detec-tion Method from Noisy Concrete Surfaces［J］. Machine Vision and Applications，2011，22（2）：245-254.

［5］TONG X，GUO J，LING Y，et al. A New Image-based Method for Concrete Bridge Bottom Crack Detection［C］/ /Image Analysis and Signal Processing（IASP），2011 International Conference. NY，USA：IEEE，2011：568-571.

［6］YAMAGUCHI T，HASHIMOTO S. Fast Crack Detection Method for Large-size Concrete Surface Images Using Percolation-based Image Processing［J］. Machine Vision and Applications，2010，21（5）：797-809.

［7］LIU F，XU G，YANG Y，et al. Novel Approach to Pavement Cracking Automatic Detection Based on Segment Extending ［C］/ /Knowledge Acquisition and Modeling. NY，USA：IEEE，2008：610-614.

［8］HONG L，WAN Y，JAIN A. Fingerprint Image Enhancement：Algorithm and Performance Evaluation［J］. Pattern Analysis and Machine Intelligence，1998，20（8）：777-789.

［9］中華人民共和國(guó)鐵道部. TB/T 2092—2003預(yù)應(yīng)力混凝土鐵路橋梁簡(jiǎn)支梁靜載彎曲試驗(yàn)方法及評(píng)定標(biāo)準(zhǔn)［S］.北京：中國(guó)鐵道出版社，2003.

（責(zé)任審編李付軍）

Railway Bridge Crack Detection Technology Based on Digital Image Processing

JIANG Huizeng
（Standards & Metrology Research Institute，China Academy of Railway Sciences，Beijing 100081，China）

AbstractT he surface crack detection of railway bridge is a vital task for assessing the structural health and reliability of concrete bridges. In order to detect cracks from concrete surface images with complicated background，a robust automatic crack-detection method was proposed. T he first step was a high-frequency component extraction process using the difference between Gaussian low-pass filtered image and grayscale image. Second，the orientation of image was obtained and binary threshold was obtained by dynamic pixels in this direction. Finally，the heuristic rules were used to filter out non-crack components，and spatial relations among the crack fragments were used for further screening of cracks. Experimental results showed that the proposed algorithm could effectively and accurately detect cracks，and the detection was automatic.

Key wordsRailway bridge；Crack detection；Digital image processing；Orientation binarization

中圖分類號(hào)U446. 2

文獻(xiàn)標(biāo)識(shí)碼A

DOI：10. 3969 /j. issn. 1003-1995. 2016. 05. 18

文章編號(hào)：1003-1995（2016）05-0082-05

收稿日期：2016-01-27；修回日期：2016-03-11

基金項(xiàng)目：中國(guó)鐵路總公司科技研究開發(fā)計(jì)劃（2015D001-A）

作者簡(jiǎn)介：姜會(huì)增（1971—），男，副研究員，工程碩士。