基于數(shù)字圖像的混凝土道路裂縫檢測方法綜述

蔣文波，羅秋容，張曉華

(1.西華大學(xué)電氣與電子信息學(xué)院，四川 成都 610039；2.廣島工業(yè)大學(xué)，日本 廣島 731-5193)

公路、隧道和橋梁作為重要的道路交通基礎(chǔ)設(shè)施，關(guān)系到國民生產(chǎn)的各行業(yè)及人們的日常生活?？焖侔l(fā)展的道路交通基礎(chǔ)設(shè)施為人們的日常生活提供便利，同時也給設(shè)施的監(jiān)管和養(yǎng)護帶來了新的挑戰(zhàn)。在公路、橋梁及隧道等交通基礎(chǔ)設(shè)施的建設(shè)中，混凝土發(fā)揮著重要作用，同時在混凝土結(jié)構(gòu)表面的維護中，裂縫是最常見病害之一；因此，加強混凝土結(jié)構(gòu)裂縫的檢查和養(yǎng)護工作尤為重要。

早期的檢查和養(yǎng)護主要依靠人工方式，這種方式不僅費時、費力，結(jié)果也不夠嚴(yán)謹(jǐn)和精確，而且對于隧道和跨山、河而建的橋梁，其危險度高。為滿足經(jīng)濟社會建設(shè)的需要，急需開發(fā)更高效、更穩(wěn)定、更智能的混凝土裂縫檢測新技術(shù)和新方法。

目前，基于數(shù)字圖像的裂縫檢測系統(tǒng)是較為主流的檢測方法，現(xiàn)已用于公路、隧道和橋梁等混凝土結(jié)構(gòu)裂縫檢測中。系統(tǒng)一般由圖像采集硬件系統(tǒng)和圖像處理軟件系統(tǒng)2部分組成。圖像采集常采用多功能道路檢測車，圖像處理常采用圖像預(yù)處理算法、基于閾值分割和邊緣分割的裂縫檢測算法和基于數(shù)學(xué)形態(tài)學(xué)的裂縫檢測算法等。通常，檢測步驟一般分為3步，首先通過車載攝像頭采集裂縫圖像，然后通過檢測算法對采集到的圖像進行處理，最后得到裂縫類型、裂縫位置和病害嚴(yán)重程度等信息。

本文從圖像采集硬件系統(tǒng)和圖像處理軟件系統(tǒng)2方面分別對公路、隧道和橋梁3種混凝土裂縫檢測方法的研究現(xiàn)狀進行全面分析與總結(jié)，重點分析目前存在的問題，并對接下來的研究方向提出建議。

1 公路裂縫檢測

1.1 硬件系統(tǒng)研究現(xiàn)狀

裂縫檢測的第一步是混凝土表面圖像采集，主要依靠硬件系統(tǒng)來實現(xiàn)，如多功能檢測車等。

多功能檢測車的研究始于20世紀(jì)60年代末，國外已開發(fā)了一系列的車載裂縫檢測系統(tǒng)，比較典型的有法國的GERPHO系統(tǒng)[1]、日本的Komatsu系統(tǒng)[2]、加拿大的ARAN(Automatic Road Analyzer)系統(tǒng)[3]和澳大利亞的Hawkeye系統(tǒng)[4]等。具體檢測技術(shù)及優(yōu)缺點如表1所示。

表1 國外車載裂縫檢測系統(tǒng)發(fā)展分析

參照國外多功能道路檢測車的研究，國內(nèi)也研發(fā)了相應(yīng)的車載裂縫檢測系統(tǒng)，如南京理工大學(xué)研發(fā)的N-1系統(tǒng)和JG-1系統(tǒng)[5]、武漢大學(xué)研發(fā)的ZOYON-RTM系統(tǒng)[6-7]、北京公路科學(xué)研究院開發(fā)的CiCS(cracking image collection system)系統(tǒng)[6-7]等。具體檢測系統(tǒng)及優(yōu)缺點如表2所示。

表2 國內(nèi)車載裂縫檢測系統(tǒng)發(fā)展分析

目前，國內(nèi)外許多公司和學(xué)者仍致力于研究新的車載裂縫檢測系統(tǒng)。利用智能檢測車進行裂縫檢測具有廣闊的發(fā)展前景和巨大的經(jīng)濟價值，必將成為未來交通設(shè)施維護的主要發(fā)展方向。

1.2 軟件系統(tǒng)研究現(xiàn)狀

上述采集到的公路裂縫圖像含有大量噪聲，須進行圖像預(yù)處理和圖像分割等操作；因此，軟件系統(tǒng)對于裂縫檢測同樣重要。軟件系統(tǒng)的核心是檢測算法，圖像預(yù)處理包括增強算法和去噪算法，圖像分割包括基于閾值和基于邊緣檢測等分割算法。

下面分別對裂縫預(yù)處理算法和裂縫分割算法的研究進展進行分析。

1.2.1 裂縫預(yù)處理算法

通常情況下，公路裂縫圖像受雜物、油污、陰影和光斑等影響，質(zhì)量低，識別難度大，因此，須對圖像進行增強和去噪等操作，以削弱或消除這些干擾。其中：前者主要是通過消除背景不均勻及陰影的影響來突出識別目標(biāo)，增強圖像識別的能力；后者主要是去除圖像中的噪聲點，同時最大程度地保留圖像的細(xì)節(jié)信息。

常見的圖像增強和去噪方法有傳統(tǒng)圖像增強法[8-10]、數(shù)學(xué)形態(tài)學(xué)法[11-12]、模糊理論法[13-14]、小波變換法[15-16]，以及最新的方法，如多級去噪模型法[17]、多特征融合法[18]等方法。

1)傳統(tǒng)圖像增強法主要是對灰度圖像的處理，有直方圖均衡化法、維納濾波法、差影法等。這些方法降低了光照不均勻的干擾，但增強效果不顯著。

2)數(shù)學(xué)形態(tài)學(xué)法利用形態(tài)學(xué)中4個基本算子的不同組合對裂縫目標(biāo)進行處理。形態(tài)學(xué)濾波作為一種降噪算法，常與圖像分割算法組合起來使用，但該方法結(jié)構(gòu)元素相對不容易確定，且去噪速度慢。

3)模糊理論法利用公路圖像本身的模糊性，將公路裂縫圖像從頻域轉(zhuǎn)到模糊域進行圖像增強研究。該方法對于消除因光照不均勻引起的公路噪聲有很好的效果。

4)小波變換法是對公路圖像進行分解變換，對不同分解尺度上的小波系數(shù)進行處理，從而消除公路裂縫圖像中的噪聲。這種方法可以根據(jù)裂縫圖像的特點選擇不同的小波，以達(dá)到不同的去噪要求，但是在一定程度上會造成重構(gòu)圖像失真，影響去噪效果。

5)最新的方法。公路圖像中常存在各種疊加的復(fù)雜噪聲，若單一采用上述預(yù)處理方法都不能有效去除疊加的多種噪聲；因此，出現(xiàn)結(jié)合多種去噪算法的新方法。文獻[17]提出了適用于公路裂縫檢測的多級去噪模型，該模型結(jié)合灰度去噪、空間濾波和形態(tài)學(xué)濾波等方法，可同時去除不同類型的噪聲。文獻[18]提出了基于多特征融合的裂縫提取算法，該方法能解決復(fù)雜背景下的噪聲去除問題，算法提取結(jié)果如圖1所示：裂縫雖有部分?jǐn)嗔?，但背景噪聲濾除良好，能滿足實際檢測需要。

(a)公路有斑馬線干擾的裂縫信息提取結(jié)果

(b)公路有粉塵遮擋物的裂縫信息提取結(jié)果

(c)公路有不規(guī)則路標(biāo)及油污的裂縫信息提取結(jié)果

1.2.2 裂縫分割算法

圖像分割是將圖像劃分為不同的區(qū)域，把目標(biāo)區(qū)域從背景中分離出來，分割好壞直接影響裂縫的分類和評價。常見分割算法有基于閾值和基于邊緣檢測的分割算法。近幾年陸續(xù)出現(xiàn)新的分割算法。

1)基于閾值的分割算法。

基于閾值的圖像分割方法起源較早，運用范圍十分廣泛。1992年，Kirschke等[19]提出了基于直方圖的公路破損圖像閾值分割方法，這種方法只能用于較明顯的裂縫識別。1997年，Siriphan[20]對比了Otsu閾值法、回歸法、松弛因子法、Kittler閾值法等4種公路破損圖像閾值分割方法，認(rèn)為回歸法效果最好，但不具備通用性。2003年，Cheng等[21]提出了一種減少樣本空間和插值的實時閾值分割算法，該方法提高了樣本的實時性，但未考慮裂縫的空間分布特征，誤檢率和漏檢率都較高。2009年，Katakam[22]采用對公路圖像分塊后，再分別對各子塊閾值分割的方法，得到裂縫目標(biāo)，極大提高了裂縫的識別率。2016年，姜吉榮[23]提出結(jié)合Otsu、多特征和形態(tài)學(xué)的公路裂縫目標(biāo)提取方法，該方法綜合考慮了較多裂縫特征，具有較好的穩(wěn)定性和實用性，并與傳統(tǒng)分割算法提取效果進行了對比，其結(jié)果如圖2所示。

總體而言，閾值分割算法一般適用于背景灰度一致、光照均勻和對比度較高的圖像處理。當(dāng)考慮較多裂縫特征時，裂縫識別率更高。

2)基于邊緣檢測的分割算法。

裂縫邊緣的灰度具有明顯的階躍現(xiàn)象，且背景灰度變化緩慢；因此可以通過檢測裂縫邊緣來分割出裂縫目標(biāo)。

學(xué)者們對邊緣檢測算法展開了研究，提出了許多邊緣檢測算子。常用的邊緣檢測算子有Robert算子、Sobel算子、Canny算子、Prewiit算子和LOG算子等。2007年，Shah[24]和Wang等[25]對基于邊緣檢測的裂縫分割進行了研究，但沒有考慮公路病害的自然屬性，算法的適用范圍不太理想。2008年，張娟等[26]提出采用相位編組法進行裂縫提取，該方法有利于檢測出有強弱對比度的裂縫及細(xì)小裂縫，但算法產(chǎn)生的偽裂縫較多。2014年，瞿中等[27]、Oliveira等[28]采用基于形態(tài)學(xué)的裂縫檢測算法，利用數(shù)學(xué)形態(tài)學(xué)4個基本操作算子來完成線狀裂縫目標(biāo)的檢測、連接等處理，但該類方法需要裂縫有較強的邊緣性，并且過多的閾值設(shè)定降低了此類方法的可用性和檢測效果。

圖2 不同分割算法提取結(jié)果[23]

總之，邊緣檢測的分割算法大都是基于局部灰度和梯度信息識別裂縫邊緣，僅適用于具有較強邊緣信息的裂縫圖，且易將邊緣信息強的背景判斷為裂縫信息點。當(dāng)噪聲較多時，邊緣檢測的效果較差。

3)其他方法。

近年來，也出現(xiàn)了一些高效、準(zhǔn)確的裂縫分割算法，例如基于種子生長的圖像識別算法[29-30]、基于滲流模型的裂縫檢測算法[31]、基于有監(jiān)督學(xué)習(xí)的裂縫識別算法[32]和基于公路裂縫的三維檢測算法[33]等。

基于種子生長的圖像識別算法具有高效、準(zhǔn)確和易自動實時處理等優(yōu)點，受到了許多先進檢測系統(tǒng)的青睞?；跐B流模型的裂縫檢測算法精確率高，但算法耗時長。文獻[31]對基于滲流模型的傳統(tǒng)檢測算法進行了改進，對比了傳統(tǒng)滲流算法與改進滲流算法的裂縫提取效果，其結(jié)果表明改進滲流算法不僅繼承了原算法精確率高的優(yōu)點，還降低了圖像的噪聲率，如圖3所示?；谟斜O(jiān)督學(xué)習(xí)的裂縫識別算法在準(zhǔn)確率方面有所改善，但需要監(jiān)督學(xué)習(xí)、計算成本高，不利于海量公路圖像的自動實時處理?；诠妨芽p的三維檢測算法可以很好識別出裂縫并且完成裂縫特征數(shù)據(jù)的提取，性能穩(wěn)定且準(zhǔn)確率高, 對公路養(yǎng)護管理決策的制定和路表三維形態(tài)重構(gòu)起到了重要的指導(dǎo)作用，發(fā)展前景較好。

(a)精確率

(b)噪聲率

1.2.3 存在的主要問題

綜合分析國內(nèi)外基于數(shù)字圖像的公路裂縫檢測方法，對目前公路裂縫檢測硬件、軟件系統(tǒng)存在的問題總結(jié)如下：

1)數(shù)據(jù)采集率和準(zhǔn)確性不夠高，裂縫信息采集及識別還未完全實現(xiàn)智能化和實時化；

2)破損分類和評價系統(tǒng)的建立還不夠完善；

3)現(xiàn)存的去噪算法和分割算法都具有一定針對性，不具有通用性；

4)裂縫分割時考慮的特征較少，易導(dǎo)致誤檢和漏檢；

5)在提取裂縫時，部分去噪算法和分割算法會造成裂縫的斷裂，這將影響到后期參數(shù)的精確計算。

2 隧道裂縫檢測

隧道裂縫與公路裂縫在外部環(huán)境與圖像特征上存在著區(qū)別，因此，其圖像采集與識別方法相對于公路裂縫有所不同。

當(dāng)前國內(nèi)外隧道裂縫自動檢測技術(shù)可以歸納為2大類：第1類是基于形變數(shù)據(jù)的固定式檢測方法；第2類是基于光學(xué)成像和圖像處理技術(shù)的移動式檢測方法。其中：前者檢測成本高、操作復(fù)雜，不能作為一種普適的檢測方法；后者采用安裝相機的檢測車采集隧道圖像數(shù)據(jù)，利用圖像處理技術(shù)對圖像中的裂縫進行分析識別。

隨著圖像釆集設(shè)備和圖像處理技術(shù)的不斷發(fā)展，基于數(shù)字圖像的裂縫檢測系統(tǒng)的檢測效率和準(zhǔn)確率都飛速提高，因此，它成為隧道裂縫自動檢測的主要發(fā)展方向。

2.1 硬件系統(tǒng)研究現(xiàn)狀

從外部環(huán)境上來說，隧道裂縫硬件采集系統(tǒng)存在以下難點：隧道內(nèi)光線不足，采集的裂縫圖像質(zhì)量不高；隧道內(nèi)檢測時間有限，檢測存在較大的安全隱患；對于處于超長隧道的裂縫，所采集的圖像數(shù)據(jù)量大。針對隧道所處環(huán)境特點，相比于公路裂縫，隧道裂縫硬件采集系統(tǒng)須能解決上述問題。

最初，隧道裂縫圖像采集主要是依靠人工拍攝，這種采集方式需要通過肉眼初步判斷后進行采集，工作量大、危險系數(shù)高且易漏檢。隨著科技的發(fā)展，隧道檢測車運應(yīng)而生，它解決了隧道裂縫檢測速度和安全的問題。

韓國、德國和日本在隧道裂縫檢測車領(lǐng)域處于領(lǐng)先地位，已研發(fā)出一系列基于隧道檢測車的裂縫檢測系統(tǒng)[34-36]，其核心技術(shù)和優(yōu)缺點如表3所示。

表3 國外隧道裂縫檢測系統(tǒng)技術(shù)及優(yōu)缺點分析

年份國家核心技術(shù)優(yōu)缺點2003韓國[34] 收斂傳感器、局部控制單元 優(yōu)點：能檢測隧道形變、裂縫等病害 缺點：成本高，操作復(fù)雜2006德國[35] 隧道激光掃描技術(shù) 優(yōu)點：功能全面，提高了采集圖像質(zhì)量 缺點：不能對裂縫進行分類2012日本[36] 光學(xué)檢測系統(tǒng) 優(yōu)點：檢測精度達(dá)0．2mm，檢測成本低 缺點：檢測不夠快速準(zhǔn)確

在我國，隧道裂縫檢測車最初是以國外進口為主，但2015年武漢卓越科技有限公司的“隧道醫(yī)生”檢測車的下線，打破了國外隧道檢測技術(shù)在我國的壟斷。2017年，武漢長盛公司發(fā)布了JL-PTCDS(A)隧道裂縫全景快速檢測系統(tǒng)，該系統(tǒng)的問世，成功解決了目前隧道檢測的速度、精度和安全問題，填補了國內(nèi)市場空白，標(biāo)志著我國成功攻克隧道快速檢測的世界性難題。

近幾年，針對隧道裂縫特點，國內(nèi)學(xué)者設(shè)計了一系列檢測系統(tǒng)[37-39]，其核心技術(shù)和優(yōu)缺點如表4所示。文獻[37]所述系統(tǒng)，使隧道裂縫檢測不僅僅限于病害檢測，同時能實現(xiàn)病害變化趨勢預(yù)測。文獻[38]所述系統(tǒng)的框圖如圖4所示，其獨特的相機分布與LED光源分布，解決了隧道內(nèi)部光線不足的問題。文獻[39]建立了分布式集群，能實現(xiàn)隧道裂縫圖像分布式存儲與分布式處理，解決了海量隧道裂縫圖像存儲與處理的問題。

表4 國內(nèi)隧道裂縫檢測系統(tǒng)技術(shù)及優(yōu)缺點分析

圖4 隧道裂縫檢測系統(tǒng)框圖[38]

2.2 軟件系統(tǒng)研究現(xiàn)狀

從圖像特征上說，隧道裂縫圖像存在表面紋理復(fù)雜、噪聲污染嚴(yán)重、滲水嚴(yán)重、裂縫與背景對比度低等問題。相比于公路裂縫檢測算法，其軟件系統(tǒng)的檢測算法應(yīng)著重解決以上問題。

2.2.1 預(yù)處理算法

相對于公路裂縫，隧道裂縫噪聲沒有疊加的復(fù)雜噪聲，因此預(yù)處理應(yīng)致力于去除復(fù)雜紋理背景、保護裂縫邊緣信息、提高裂縫圖像信噪比等方面。

在傳統(tǒng)的圖像去噪方法中，維納濾波[40]能較好地保存裂縫的邊緣信息，但噪聲濾除效果不好，對后續(xù)的裂縫提取不利；中值濾波[41]、均值濾波[42]對噪聲的濾除效果好，但不能較好地保存裂縫的細(xì)節(jié)信息，且對邊緣有一定程度的模糊。

學(xué)者們不斷對濾波算法進行改進，提出了基于結(jié)構(gòu)元素的中值濾波[43]、加權(quán)鄰域濾波[44]、自適應(yīng)中值濾波[45]等方法，但是這些方法仍然無法消除隧道中復(fù)雜裂紋背景的影響。文獻[46]在參考上述方法的基礎(chǔ)上，提出一種融合多種處理技術(shù)的SFC結(jié)合法，該方法不但可以有效去除噪聲、消除復(fù)雜裂紋背景的影響，還能銳化裂縫邊緣，解決隧道滲水所導(dǎo)致邊緣模糊的問題。為解決裂縫與背景對比度低的問題， 文獻[47]提出了一種基于圖像融合的新方法，首先采用改進Canny算子對裂縫圖像進行邊緣檢測，接著將小波分解后的兩層圖像融合，最終通過小波反變換得到裂縫圖像。該方法提高了圖像的峰值信噪比和裂縫檢測精度，圖像增強效果良好。文獻[48]提出的全局與局部相結(jié)合的預(yù)處理算法和基于連通區(qū)域的多級濾波算法，在提升裂縫與背景對比度的基礎(chǔ)上，更能濾去隧道圖像大量不規(guī)則噪聲和解決圖像光照不均勻問題，裂縫識別率較高，具體裂縫提取流程如圖5所示。

圖5 裂縫提取流程圖[48]

2.2.2 分割算法

圖像分割算法主要有邊緣檢測法、閾值分割法和基于區(qū)域生長的分割方法。

如公路裂縫分割算法所述，閾值分割算法一般適用于背景灰度一致、光照均勻和對比度較高的圖像處理，而隧道裂縫與背景灰度值相近，直接使用閾值分割法將導(dǎo)致裂縫目標(biāo)信息淹沒在大量的噪聲中，很難將目標(biāo)區(qū)域與背景區(qū)域分開。邊緣檢測的分割算法僅適用于具有較強邊緣信息的裂縫圖，當(dāng)噪聲較多時，邊緣檢測的效果較差。單純的閾值分割算法和邊緣檢測分割算法都不適用于隧道裂縫的分割提取。

文獻[49]在考慮隧道裂縫圖像特點的基礎(chǔ)上，提出基于邊緣信息的改進Otsu分割方法。該方法首先采用八方向的Sobel算子對圖像進行邊緣檢測，然后通過特定點計算分割的最佳閾值，最后利用Otsu方法進行圖像分割。該分割方法能很好地將隧道裂縫從背景中分離出來。

閾值、邊緣分割方法對隧道裂縫圖像分割都有一定的缺陷。為更好地將裂縫從背景中分離出來，需要一種更準(zhǔn)確和細(xì)致的劃分裂縫目標(biāo)的方法。文獻[50]提出一種基于最小路徑的裂縫識別算法，該算法以裂縫點作為起始點，按最小路徑的原則向周圍生長，能快速準(zhǔn)確提取出連續(xù)的裂縫，但起始點需要手動選取。

為更快速、有效地檢測出隧道裂縫圖像，文獻[51]研究了襯砌裂縫遠(yuǎn)距離圖像測量技術(shù)，將采集到的裂縫圖像結(jié)合試驗擬合標(biāo)定曲線，對圖像進行裂縫區(qū)域提取、形態(tài)學(xué)處理等操作，為裂縫檢測提出了新思路。

隧道裂縫的檢測不僅要致力于裂縫病害的檢測，還應(yīng)致力于病害趨勢的分析。文獻[52]對隧道裂縫圖像智能匹配與變化趨勢檢測算法進行研究，通過設(shè)定寬度變化閾值，對隧道裂縫趨勢進行監(jiān)控。該算法處理傳統(tǒng)公路裂縫圖像和隧道裂縫圖像的結(jié)果如表5所示。

表5 公路裂縫圖像和隧道裂縫圖像檢測結(jié)果[52]

2.3 存在的主要問題

綜合對國內(nèi)外基于數(shù)字圖像的隧道裂縫自動檢測技術(shù)分析，對目前隧道裂縫檢測硬件、軟件系統(tǒng)存在的問題總結(jié)如下：

1)我國隧道裂縫檢測車主要是以國外進口為主，現(xiàn)有的檢測設(shè)備不夠成熟；

2)隧道內(nèi)部環(huán)境較差、光照強度低、表面紋理復(fù)雜、噪聲分布無規(guī)律，采集的圖像質(zhì)量不佳，而且現(xiàn)有算法無法同時兼顧這些問題，裂縫檢測精確率有待提高；

3)針對長距離隧道和高速鐵路隧道的檢測，若圖像采集速度過慢，無法滿足檢測需要，但檢測車速度加快又會導(dǎo)致圖像質(zhì)量降低，不利于后期圖像的處理和分析。

3 橋梁裂縫檢測

橋梁裂縫在成因及形態(tài)上與公路裂縫較為接近，但橋梁所處情況相對公路更復(fù)雜(橋梁跨山、河而建，呈圓柱形)，且橋梁底面存在表層脫落、水漬、劃痕等缺陷；因此，可在借鑒公路裂縫檢測技術(shù)的基礎(chǔ)上，進一步研究適合于橋梁裂縫檢測的方法。

最初，國內(nèi)外對橋梁裂縫檢測研究主要采用超聲儀、傳感器等物理設(shè)備進行，針對橋梁裂縫硬件檢測系統(tǒng)的研究相對較少，利用數(shù)字圖像進行裂縫自動檢測起步較晚。目前，國內(nèi)外許多專家都致力于將數(shù)字圖像處理技術(shù)應(yīng)用于橋梁裂縫的檢測中，并取得相應(yīng)的成果。

3.1 硬件系統(tǒng)研究現(xiàn)狀

諸多橋梁都是跨山、跨河而建，裂縫檢測車只適用于采集橋梁上表面的裂縫，對于橋梁側(cè)面與下表面的裂縫，圖像采集存在困難；因此，針對橋梁裂縫的各種硬件采集系統(tǒng)應(yīng)運而生[53-55]，具體系統(tǒng)和工作原理如表6所示。

表6 橋梁裂縫硬件采集系統(tǒng)

3.2 軟件系統(tǒng)研究現(xiàn)狀

橋梁裂縫與公路裂縫在成因及形態(tài)上較為接近，而且基于數(shù)字圖像的公路裂縫檢測技術(shù)較為成熟；因此，可將其用于橋梁裂縫檢測。橋梁底面存在表層脫落、水漬等缺陷，因此，為提高橋梁裂縫檢測精確度，須對其裂縫提取算法進一步研究。

同公路裂縫圖像一樣，橋梁上表面裂縫有大量污染物，在對其進行檢測前需要進行去噪處理，綜合公路裂縫去噪方法分析，采用多級去噪模型[17]和基于多特征融合的裂縫檢測算法[18]能較好地去除復(fù)雜噪聲，從而提取出橋梁裂縫。

在橋梁裂縫檢測中，對于圓柱形橋梁裂縫的檢測需用到基于三維掃描的裂縫檢測技術(shù)。文獻[56]采用三維投影技術(shù)和圖像處理方法對中國臺灣某圓柱形橋梁進行了現(xiàn)場測試，該方法不僅可以檢測圓柱形裂縫，而且可識別并顯示寬度達(dá)0.2像素的肉眼不可見裂縫?；谌S掃描的裂縫檢測技術(shù)具有裂縫檢測精確性好，定位精度高等優(yōu)點[57]。

開發(fā)橋梁裂縫分析軟件對裂縫高效檢測尤為重要。文獻[58]在分析橋梁裂縫圖像特點的基礎(chǔ)上，開發(fā)出一套適用于遠(yuǎn)距離橋梁缺陷檢測的圖像分析軟件。該分析軟件在橋梁缺陷檢測方面實用性較高，但識別精度仍有待提高。文獻[59]采用機器視覺技術(shù)開發(fā)了一套裂縫智能識別軟件。該軟件對橋底圖像進行處理、識別、計算和記錄裂縫的特征參數(shù)，以評估橋梁的裂縫損傷情況。

3.3 存在的主要問題

盡管關(guān)于基于數(shù)字圖像的橋梁裂縫自動檢測系統(tǒng)取得了一定成績，但還存在很多問題。

1)橋梁所處環(huán)境復(fù)雜，基于數(shù)字圖像處理的橋梁裂縫檢測主要集中在公路橋梁上，對于環(huán)境復(fù)雜的橋梁并不一定適用。

2)目前研究多集中在對橋梁裂縫圖像的采集，對于如何進行裂縫的參數(shù)識別，還沒有足夠深入的研究。

3)橋梁底面存在大量噪聲，裂縫信息難以識別，目前的裂縫檢測算法都存在一定的缺陷。

4 對比分析

公路、隧道、橋梁裂縫由于特點各異，因此所需采集設(shè)備和識別算法不同。本文對3種類型裂縫的特點及檢測難點進行了詳細(xì)的對比，如表7所示。

表7 3種類型裂縫檢測對比

5 討論

基于數(shù)字圖像的自動檢測技術(shù)是混凝土裂縫檢測的發(fā)展趨勢，具有廣泛的應(yīng)用前景；但是還有不少有待完善和改進之處。

1)急需建立科學(xué)完善的公路破損分析和評價系統(tǒng)，將破損形式、類別、等級及地點等傳回系統(tǒng)，做到檢測與修補的規(guī)范化和標(biāo)準(zhǔn)化。

2)針對特殊情況下(長距離、高速鐵路隧道，跨山、跨河而建的橋梁等)的裂縫，現(xiàn)有自動檢測方法在圖像采集與目標(biāo)提取方面較為困難，需要一種不同于公路檢測且快速準(zhǔn)確的裂縫檢測系統(tǒng)。

3)現(xiàn)有裂縫自動檢測方法的數(shù)據(jù)采集率和準(zhǔn)確率有待進一步提高，裂縫信息采集及自動檢測有待進一步智能化和實時化。

4)針對檢測指標(biāo)單一、檢測算法不具有通用性的不足，今后應(yīng)致力于研究功能更全面、檢測效果更好的混凝土裂縫自動檢測系統(tǒng)。

此外，基于數(shù)字圖像的三維重構(gòu)技術(shù)的裂縫自動檢測具有更穩(wěn)定的性能和更高的檢測精度，可作為未來的重點研究方向之一。

6 總結(jié)

本文分別從采集設(shè)備和識別算法2方面對公路、隧道和橋梁3種類型混凝土裂縫的檢測方法進行了全面分析。分析發(fā)現(xiàn)，由于3種類型混凝土裂縫特點不同，因此所需硬件設(shè)備和檢測算法不同。總體來說，混凝土裂縫檢測的硬件設(shè)備功能有待進一步完善，且準(zhǔn)確度和實時性等方面還未達(dá)到滿意的效果，檢測算法尚存在精度與速度的矛盾。

不難預(yù)測，研究實時、高效、功能全面的裂縫檢測系統(tǒng)和基于數(shù)字圖像的三維重構(gòu)技術(shù)的裂縫自動檢測是未來混凝土裂縫檢測發(fā)展的重要方向之一，具有良好前景。

[1]FUKUHARA Toshihiko,TERADA Keiji,NAGAO makoto, et al. Automatic pavement-distress-survey system[J]. Journal of Transportation Engineering, 1990, 116(3):280.

[2]WANG K C P. Designs and implementations of automated systems for pavement surface distress survey[J]. Journal of Infrastructure Systems, 2000, 6(1):24.

[3]MATE Sr?en. Automatic road analyzer-ARAN[J]. Gradevinar, 2002, 54(5):275.

[4]孫波成. 基于數(shù)字圖像處理的瀝青路面裂縫識別技術(shù)研究[D]. 成都:西南交通大學(xué),2014.

[5]郝靈恩. 多功能道路檢測車發(fā)展綜述[J]. 四川水泥, 2017(2):136.

[6]高飛. 道路綜合信息采集系統(tǒng)的研究與實現(xiàn)[D]. 西安:長安大學(xué), 2009.

[7]啜二勇. 國內(nèi)路面自動檢測系統(tǒng)研究歷程及展望[J]. 中國高新技術(shù)企業(yè), 2009(19):195.

[8]張娟, 沙愛民, 孫朝云,等. 路面裂縫自動識別的圖像增強技術(shù)[J]. 中外公路, 2009, 29(4):301.

[9]CHENG H D, CHEN J R, GLAZIER C, et al. Novel approach to pavement distress detection based on fuzzy set theory[J]. Journal of Computing in Civil Engineering, 1999, 13(4):270.

[10]高建貞, 任明武, 唐振民,等. 路面裂縫的自動檢測與識別[J]. 計算機工程, 2003, 29(2): 149.

[11]WU Jinhui, ZHAO Maotai, WU Bo. Improved pavement distress detection based on contourlet transform and multi-direction morphological structuring elements[J]. Advanced Materials Research, 2012, 466:371.

[12]陳利利. 基于多尺度圖像分析的路面病害檢測方法研究與分析[D]. 南京:南京理工大學(xué), 2009.

[13]閆茂德,伯紹波,李雪,等.一種自適應(yīng)模糊的局部區(qū)域圖像增強算法[C]//第二十六屆中國控制會議論文集.北京:北京航空航天大學(xué)出版社,2007:308-311.

[14]歐陽琰, 陳先橋, 初秀民. 路面破損圖像的模糊增強方法研究[J]. 計算機工程與應(yīng)用, 2012, 46(10):184.

[15]鄧若曦, 王展青. 基于小波變換的路面破損圖像降噪增強算法[J]. 武漢理工大學(xué)學(xué)報(信息與管理工程版), 2013, 35(5):678.

[16]ZUO Y, WANG G, ZUO C. Wavelet packet denoising for pavement surface cracks detection.[C]// International Conference on Computational Intelligence and Security. Suzhou:IEEE, 2008:481-484.

[17]王興建, 秦國鋒, 趙慧麗. 基于多級去噪模型的路面裂縫檢測方法[J]. 計算機應(yīng)用, 2010, 30(6):1606.

[18]王澍.復(fù)雜背景下路面裂縫圖像自動檢測與識別算法研究[D]. 武漢:武漢工程大學(xué), 2013.

[19]KIRSCHKE K R, VELINSKY S A. Histogram-based approach for automated pavement-crack sensing[J]. Journal of Transportation Engineering, 1992, 118(5):700.

[20]SIRIPHAN J. Development of a new digital pavement image processing algorithm for unified crack index computation[D]. Utah:The University of Utah, 1997.

[21]CHENG H D, SHI X J, GLAZIER C. Real-time image thresholding based on sample space reduction and interpolation approach[J]. Journal of Computing in Civil Engineering, 2003, 17(4):264.

[22]KATAKAM N. Pavement crack detection system through localized thresholding[D]. Toledo:The University of Toledo, 2009.

[23]姜吉榮. 基于圖像分析的路面裂縫檢測方法與識別研究[D]. 南京:南京郵電大學(xué), 2016.

[24]SHAH S. Automatic cell image segmentation using a shape classification model[C]//Proceeding of LAPR Conference on Machine Vision Applications. Tokyo: Machine Vision Applications, 2007:428-432.

[25]WANG Hua, ZHU Ning, WANG Qi. Segmentation of pavement cracks using differential box-counting approach[J]. Journal of Harbin Institute of Technology, 2007, 39(1):142.

[26]張娟, 沙愛民, 孫朝云,等. 基于相位編組法的路面裂縫自動識別[J]. 中國公路學(xué)報, 2008, 21(2):39.

[27]瞿中, 林麗丹, 郭陽. 形態(tài)學(xué)與區(qū)域延伸相結(jié)合的圖像裂縫檢測算法研究[J]. 計算機科學(xué), 2014, 41(11):297.

[28]OLIVEIRA H, CORREIA P L. CrackIT-An image processing toolbox for crack detection and characterization[C]//IEEE International Conference on Image Processing (ICIP). Paris:IEEE, 2014:798-802.

[29]SORNCHAREAN S, PHIPHOBMONGKOL S. Crack detection on asphalt surface image using enhanced grid cell analysis[C]//Proceedings of the 4th IEEE International Symposium on Electronic Design, Test and Applications. Hong Kong:IEEE, 2008: 49-54.

[30]MIGUEL G, DAVID B, OSCAR M, et al. Adaptive road crack detection system by pavement classification[J]. Sensors, 2011, 11(10):9628.

[31]郭陽. 改進滲流模型的混凝土路面圖像裂縫檢測算法研究[D]. 重慶:重慶郵電大學(xué), 2016.

[32]LEE JUN S, CHOI Il-Yoon, LEE Hee-Up，et al.隧道檢測系統(tǒng)及其在韓國高速鐵路隧道的應(yīng)用[J]. 中國鐵道科學(xué), 2004, 25(3):21.

[33]趙海偉. 路面裂縫三維檢測算法研究[D]. 西安:長安大學(xué), 2015.

[34]YU S N, JANG J H, HAN C S. Auto inspection system using a mobile robot for detecting concrete cracks in a tunnel[J]. Automation in Construction, 2007(16):255.

[35]肖書安. 隧道測量技術(shù)的發(fā)展新方向：隧道掃描技術(shù)在德國紐倫堡—英戈施塔特高速鐵路竣工測量中的應(yīng)用[C]//2006中國高速鐵路隧道國際技術(shù)交流會論文集. 北京:中國鐵道出版社，2006:653-657.

[36]LEUNG C K Y, WAN K T, INAUDI D, et al. Review: optical fiber sensors for civil engineering applications[J]. Materials & Structures, 2015, 48(4):871.

[37]胡皙. 基于圖像處理的地鐵隧道裂縫檢測技術(shù)研究[D]. 北京:北京交通大學(xué), 2014.

[38]成艷枝. 基于圖像處理的隧道襯砌裂縫檢測系統(tǒng)設(shè)計與研究[D]. 太原:太原理工大學(xué), 2015.

[39]亓大鵬. 地鐵隧道圖像數(shù)據(jù)分析系統(tǒng)[D]. 北京:北京交通大學(xué), 2016.

[40]BISWAS P, SUFIAN S A, MYNUDDIN M. Deblurring. Images using a Wiener filter [J]. International Journal of Computer Applications, 2015, 109(7):36.

[41]鐘濤, 張建國, 左俊彥. 一種改進的中值濾波算法及其應(yīng)用[J]. 云南大學(xué)學(xué)報(自然科學(xué)版), 2015, 37(4):505.

[42]李晉惠. 公路路面裂縫類病害圖像處理算法研究[J]. 計算機工程與應(yīng)用, 2003, 39(35):212.

[43]GAN Shuwei, WANG Shoudong, CHEN Yangkang, et al. Separation of simultaneous sources using a structural-oriented median filter in the flattened dimension[J]. Computers & Geosciences, 2016, 86(C):46.

[44]朱磊, 徐佩霞. 一種倒數(shù)加權(quán)的窗口自適應(yīng)鄰域圖像濾波算法[J]. 測控技術(shù), 2006, 25(5):33.

[45]朱其剛. 基于像素特征的路面裂縫圖像自適應(yīng)濾噪[J]. 山東師范大學(xué)學(xué)報(自然科學(xué)版), 2005, 20(3):37.

[46]劉曉瑞, 謝雄耀. 基于圖像處理的隧道表面裂縫快速檢測技術(shù)研究[J]. 地下空間與工程學(xué)報, 2009, 5(S2):1624.

[47]MUDULI P R, PATI U C. A novel technique for wall crack detection using image fusion[C]//2013 International Conference on Computer Communication and Informatics (ICCCI). Coimbatore:IEEE, 2013:1-6.

[48]王耀東, 余祖俊, 白彪,等. 基于圖像處理的地鐵隧道裂縫識別算法研究[J]. 儀器儀表學(xué)報, 2014, 35(7):1489.

[49]朱鑫. 隧道結(jié)構(gòu)表面病害特征快速檢測研究[D]. 成都:西南交通大學(xué), 2014.

[50]AMHAZ R, CHAMBON S, IDIER J, et al. Automatic crack detection on two-dimensional pavement images: an algorithm based on minimal path selection[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 17(10):2718.

[51]劉學(xué)增, 葉康. 隧道襯砌裂縫的遠(yuǎn)距離圖像測量技術(shù)[J]. 同濟大學(xué)學(xué)報(自然科學(xué)版), 2012, 40(6):829.

[52]王春薇. 隧道裂縫圖像智能匹配與變化趨勢檢測算法研究[D]. 北京:北京交通大學(xué), 2017.

[53]陳瑤,梅濤,王曉杰,等. 基于爬壁機器人的橋梁裂縫圖像檢測與分類方法[J]. 中國科學(xué)技術(shù)大學(xué)學(xué)報, 2016, 46(9):788.

[54]OH J K, JANG G, OH S, et al. Bridge inspection robot system with machine vision[J]. Automation in Construction, 2009, 18(7):929.

[55]鄒大鵬, 吳百海, 賴亞勇,等. 智能視頻橋梁檢測車工作臂超聲探障系統(tǒng)研究[J]. 機床與液壓, 2010, 38(13):74.

[56]YANG Y S, YANG C M, HUANG C W. Thin crack observation in a reinforced concrete bridge pier test using image processing and analysis[J]. Advances in Engineering Software, 2015, 83:99.

[57]曾凌, 李紹彬. 三維激光掃描的龍腦橋裂縫檢測技術(shù)[J]. 激光雜志, 2017, 38(2):13.

[58]張維峰, 劉萌, 楊明慧. 基于數(shù)字圖像處理的橋梁裂縫檢測技術(shù)[J]. 現(xiàn)代交通技術(shù), 2008, 5(5):34.

[59]尹周平, 宋俊, 余其競,等. 一種混凝土橋梁底面裂縫檢測裝置:中國, CN201110094062.X [P]. 2011-11-16.