基于局部圖像紋理計算的隧道裂縫視覺檢測技術

王耀東，朱力強，史紅梅，方恩權，楊玲芝

(1.北京交通大學 機械與電子控制工程學院，北京 100044；2.北京交通大學 載運工具先進制造與測控技術教育部重點實驗室，北京 100044；3.廣州地鐵集團有限公司 工程技術研發(fā)中心，廣東 廣州 510335)

近年來，國內(nèi)地鐵進入快速發(fā)展期，以北京、上海、廣州為例，2016年底城市軌道交通總里程已超過1 500 km。早期地鐵隧道已經(jīng)進入養(yǎng)護維修期，而新建成的地鐵隧道，也會誘發(fā)洞體形變而出現(xiàn)裂縫、漏水等隧道病害隱患[1]。如果對地鐵隧道裂縫不及時預警，隧道基礎設施會進一步破壞，一旦發(fā)生事故，將會帶來巨大的生命財產(chǎn)損失，所以隧道裂縫病害成為地鐵隧道周期性巡檢的重要任務之一。

我國隧道裂縫檢測主要依靠人工巡檢和手工標記，隨著計算機視覺技術的發(fā)展，利用圖像采集和處理技術，代替人眼完成隧道裂縫的自動檢測，成為一個新的發(fā)展方向。隧道裂縫圖像采集和檢測系統(tǒng)，可以實現(xiàn)隧道裂縫圖像的快速采集和裂縫區(qū)域檢測，為隧道襯砌裂縫的檢測提供一種準確、便捷的方法，對保證隧道長期安全穩(wěn)定的運行具有重要意義，也是未來地鐵隧道綜合檢測的研究方向。

目前，地鐵隧道表面裂縫圖像采集系統(tǒng)往往利用大型車載式結(jié)構，針對小型檢測車的緊湊型采集系統(tǒng)研究較少。本文基于小型檢測車，設計了移動可調(diào)節(jié)的隧道裂縫圖像采集系統(tǒng)。利用多目高速線陣相機，配合大功率激光光源，采集隧道表面的裂縫圖像。針對地鐵隧道的檢測環(huán)境，高速線陣相機和激光光源安裝于一個可調(diào)角度的圓柱形旋轉(zhuǎn)支架上，可以對準局部區(qū)域進行靈活的圖像采集，整體視覺系統(tǒng)可以在小型移動式檢測車上左右滑動，以得到目標分辨率和視場范圍的隧道裂縫圖像。在裂縫圖像處理的算法研究中，本文提出基于分塊圖像的特征識別算法，在分塊圖像預處理的基礎上，設計圖像子區(qū)域紋理骨架特征計算模型，濾除偽裂縫紋理圖像的干擾，實現(xiàn)裂縫圖像的檢測。

1 相關工作與研究方案

1.1 隧道裂縫檢測技術研究現(xiàn)狀

在國外，歐美、日韓等國家和地區(qū)在隧道裂縫檢測技術的研究起步較早，文獻[2]設計了基于線陣CCD相機的圖像采集裝置，利用傳統(tǒng)的圖像處理算法進行裂縫檢測，但圖像分辨率不高，且所支持的運行速度較慢。文獻[3]設計了一種裂縫快速檢測系統(tǒng)，并提出一種客觀的評價裂縫的方法，但在圖像識別算法上研究較少，且使用的鹵素燈照度較低，難以應用于高速采集。德國和瑞士等研究機構，利用激光掃描技術進行隧道裂縫檢測，但像素分辨率和檢測精度有待提高[4]。日本研制了公路隧道裂縫檢測車，主要利用面陣相機采集圖像，但后期需要大量的圖像拼接處理，效率較低[5]。

在國內(nèi)，文獻[6]利用數(shù)碼相機進行定點拍照采集圖像，并進行裂縫的邊緣提取。文獻[7]設計了圖像采集方案，并對裂縫圖像進行簡單的預處理。文獻[8]構造了兩個分類器分別檢測路面裂縫和區(qū)分裂縫種類，但針對紋理復雜、噪點較多的地鐵隧道裂縫，分類檢測算法適用性較差。文獻[9]針對襯砌裂縫圖像的特征提取，結(jié)合邊緣檢測與通用的OTSU算法，設計了梯度類間閾值法，圖像背景簡單，不涉及實際隧道中虛假裂縫的識別，所用采集方案為單目低速采集，也沒有采集系統(tǒng)的樣機介紹。文獻[10]利用面陣數(shù)碼相機拍攝隧道裂縫圖像，進行圖像處理和參數(shù)檢測，但不具有自動圖像采集功能和硬件系統(tǒng)；所設計的識別算法基于全局紋理檢測，對于線陣相機采集的圖像，裂縫檢測速度慢、噪聲較多、識別精度低，需要進行算法改進。文獻[11]提出基于最小代價路徑搜索的路面裂縫檢測算法，通過裂縫種子點提取裂縫，但不適用于地鐵隧道裂縫圖像。

國內(nèi)外針對公路、隧道、混凝土結(jié)構的裂縫，研制了圖像采集系統(tǒng)和算法理論[12]。然而，圖像采集系統(tǒng)的分辨率和清晰度有待提高，緊湊型檢測設備較少，使用靈活性有待提高，對于復雜的暗光環(huán)境，適用性不高。理論研究中，針對路面和混凝土面的裂縫檢測算法較多，對于地鐵隧道圖像處理算法，不適用于噪聲多紋理復雜的圖像。本研究針對地鐵隧道場景，設計了多目高速線陣相機和特殊光源相結(jié)合的緊湊型、移動式圖像采集系統(tǒng)，并研究了圖像識別算法，從而實現(xiàn)隧道裂縫的自動檢測。

1.2 裂縫圖像采集與檢測技術系統(tǒng)方案

圖1 裂縫圖像采集與檢測技術方案

利用軌道交通的特點，設計可在鋼軌上運行的檢測車，實現(xiàn)移動式圖像采集。由于隧道光照條件差，且需要高質(zhì)量圖像進行后續(xù)圖像處理，為了避免圖像數(shù)據(jù)冗余，選用高速線陣相機，配合大功率激光源實現(xiàn)裂縫圖像的連續(xù)采集。設計光源與相機采集模塊、可調(diào)節(jié)支架的機械裝置，對裂縫區(qū)域進行成像。采集系統(tǒng)安裝于移動式檢測平臺上，進行隧道裂縫圖像的連續(xù)高速采集，并將圖像數(shù)據(jù)存儲于工業(yè)計算機中，如圖1所示。

在裂縫圖像處理算法研究中，針對采集到的連續(xù)高分辨率裂縫圖像中整圖全局檢測精度較低的難點，設計隧道圖像區(qū)域分割算法，將裂縫圖像分成子區(qū)域，并通過區(qū)域裂縫特征分析算法完成檢測。

2 隧道裂縫圖像處理的檢測算法

線陣相機圖像采集系統(tǒng)可以連續(xù)采集裂縫圖像，避免了面陣相機采集圖像的重疊和數(shù)據(jù)冗余。線陣相機分辨率高、圖像數(shù)據(jù)量大，為提高局部檢測效果，將圖像分塊為子區(qū)域圖像，最后實現(xiàn)裂縫的檢測和區(qū)域標記。

裂縫檢測算法流程如圖2所示，對原始圖像進行全局圖像的預處理操作，并進行分塊化處理。對子區(qū)域圖像進行勻光和增強處理，突出裂縫紋理特征。利用直方圖分析法濾除非裂縫區(qū)域，減少計算量，并將圖像進行二值化分割。對于二值圖像，研究紋理提取和特征判斷，最后實現(xiàn)裂縫識別。

圖2 裂縫圖像檢測算法流程

2.1 圖像預處理與區(qū)域分割

隧道襯砌表面紋理不具有RGB三通道的色彩空間分布，線陣相機以8位灰度值采集連續(xù)圖像，其像素灰度值記為G(w，h)，其中圖像高度h對應線陣相機的分辨率，寬度w為線陣相機采集定義的連續(xù)像素列數(shù)，由用戶需求定義，一般取w≥h。

線陣相機與激光光源配合采集圖像，存在中心與周邊圖像灰度值的差異，影響圖像處理效果，需要進行圖像灰度級均衡化和歸一化處理。計算圖像G(w，h)中灰度值為g的像素的累計概率值PG(w，h)(g)。

( 1 )

式中：n(i)為灰度值為i的像素出現(xiàn)的次數(shù)；N=w·h為圖像G(w，h)中所有的像素數(shù)；L為可能的圖像灰度級數(shù)目。

利用圖像灰度值累計概率值，將所對應的像素灰度值變換到歸一化的像素域中，定義H(w，h)為歸一化后的圖像，則新的圖像中每個像素對應的灰度值gH(w，h)為

gH(w，h)=PG(w，h)(g)·(gmax-gmin)+gmin

( 2 )

式中：gmax為原始圖像中最大的像素灰度值；gmin為原始圖像中最小的灰度值。調(diào)整圖像灰度值對比度時，會增強一些散點噪聲。

利用圖像濾波算法降低噪聲，本文利用均值濾波進行圖像預處理。定義矩形窗口大小為s×t，均值濾波后的圖像M(w，h)為

( 3 )

式中：Sw，h為均值濾波窗口的中心點與均衡化圖像H(w，h)重合時，窗口內(nèi)所有像素點的坐標集合。

由于線陣相機采集的圖像具有較高的分辨率，對于預處理后的圖像M(w，h)直接進行裂縫檢測的精度較低，所以，將其進行分塊化處理，在分塊區(qū)域內(nèi)完成局部裂縫特征的識別。將圖像分為大小為x×y的子區(qū)域圖像，則濾波后的圖像M(w，h)可以表示為

M(w，h)=I1(x，y)+I2(x，y)+…+IN(x，y)

( 4 )

式中：下角N為子區(qū)域圖像的數(shù)量，N=w·h/(x·y)。整幅圖像分割為區(qū)域圖像In(x，y)，n=1，2，…，N，分塊參數(shù)取值，保證w，h可被x，y整除，以便后續(xù)針對分塊圖像設計裂縫檢測算法。

2.2 圖像勻光拉伸處理與背景濾波

試驗中發(fā)現(xiàn)，對于整幅圖像使用勻光處理，往往使圖像的局部紋理灰度和對比度降低，影響裂縫特征的分析。本文對分塊后的子區(qū)域圖像進行勻光計算，以保護裂縫紋理在局部區(qū)域的灰度表現(xiàn)?；趫D像加性模型，光照不均圖像In(x，y)可以表示為均勻圖像ID(x，y)與背景圖像IG(x，y)的和。對于目標得到的均勻圖像，可以表示為原始圖像與背景圖像的差值。

ID(x，y)=In(x，y)-IG(x，y)+λ

( 5 )

為保證運算前后圖像灰度值分布的一致性，引入灰度偏移量λ進行補償。本文的勻光算法利用二維離散高斯平滑得到背景圖像IG(x，y)，其卷積核函數(shù)H(i，j)為3×3離散高斯卷積核；灰度偏移量λ通常取原始圖像的全像素灰度均值。

IG(x，y)=In(x，y)*H(i，j)

( 6 )

式中：X，Y為圖像In(x，y)的寬度和高度，N(x，y)為圖像的像素點個數(shù)。因此，可以得到均勻圖像ID(x，y)為

ID(x，y)=In(x，y)-In(x，y)*H(i，j)+

原始圖像勻光處理后，由于圖像相減造成了對比度偏低，所以利用對比度線性拉伸算法，增加圖像的反差和細節(jié)紋理信息，如式( 9 )所示。

( 9 )

式中：β為處理拉伸參數(shù)，根據(jù)經(jīng)驗取β=32。對于裂縫圖像的紋理特性，其背景圖像占據(jù)較大面積，而裂縫紋理數(shù)據(jù)信息較少?；诖颂卣鳎梢詫Ψ謮K圖像進行直方圖分析，初步濾除大面積的背景圖像，保留裂縫紋理區(qū)域。對區(qū)域拉伸圖像IE(x，y)進行灰度均值計算。

式中：NE為圖像IE(x，y)中所有像素點的個數(shù)。計算圖像區(qū)域內(nèi)所有像素點灰度值的方差，分析圖像區(qū)域的紋理特征灰度變化量。

利用背景灰度值分布相似性，根據(jù)式(11)，可以計算得出圖像中每個分塊區(qū)域的像素灰度方差為VE，定義一幅圖像中所有分塊圖像的灰度方差為Vn，n=1，2，…，N，其中N為一幅圖像的分塊區(qū)域數(shù)量。最后，對每一幅待檢測圖像，利用分塊圖像灰度值方差的最大值和最小值計算閾值。

TB=f[max(Vn)-min(Vn)]

(12)

式中：f為背景濾波系數(shù)。因為圖像的背景濾波為初級濾波，所以為了盡可能保留裂縫紋理，濾波系數(shù)一般取0.5～0.6，可以去除明顯的背景區(qū)域。由此，利用式(13)進行背景濾波，簡化運算。

對于圖像區(qū)域像素值大于TB的保留其圖像紋理灰度值，進行下一步紋理特征分析，其他區(qū)域則視為背景圖像，不參與后續(xù)計算。

2.3 區(qū)域特征判斷與裂縫識別

目標圖像經(jīng)過上述算法處理后，按照閾值分割后的二值圖像進行裂縫特征判斷。利用圖像最大類間方差法進行閾值分割，對待測圖像IB(x，y)進行二值化處理。對于不同的圖像，計算得到對應的最佳閾值kB，則二值化圖像為

二值分割后的圖像，裂縫紋理灰度值與背景灰度值，分別按照0和255表示。對于圖像中灰度值為0的像素點，包括主要的裂縫紋理成分、虛假裂縫及噪點成分，設定其最大外接正方形表示連通區(qū)域，即為可能的裂縫紋理像素區(qū)域，定義為αk(x，y)。

根據(jù)裂縫圖像處理試驗的經(jīng)驗，候選裂縫像素區(qū)域αk(x，y)的噪點主要為離散點狀或塊狀紋理，虛假裂縫則為污漬或水痕，如圖3所示。對于點狀和塊狀噪點圖像，利用連通區(qū)域的二值紋理占空率可以去除虛假裂縫圖像。檢測過程為

式中：τk為候選裂縫像素區(qū)域αk(x，y)的二值目標紋理的像素點個數(shù)；Nk為像素區(qū)域αk(x，y)的總像素點個數(shù)；βk為二值紋理占空率。

對于類似裂縫的隧道表面污漬和水痕等紋理，本文根據(jù)真實裂縫和虛假裂縫的特征差異性進行識別。真實裂縫紋理寬度小，而虛假裂縫紋理寬度較大；真實裂縫紋理區(qū)域走向單一，而虛假裂縫紋理區(qū)域走向復雜；真實裂縫二值紋理的骨架與原圖差異小，虛假裂縫二值紋理骨架與原圖差異大。

基于以上特性，提出候選裂縫像素區(qū)域αk(x，y)的骨架圖與二值圖的比例，從而自動識別真實的裂縫圖像。首先進行連通區(qū)域圖像紋理的骨架提取[13]，設目標像素點標記為1，背景點標記為0。定義邊界點是本身標記為1，而其8連通鄰域中至少有一個標記為0的點。以邊界點為中心的8鄰域，定義中心點為P1，其鄰域的8個點順時針分別為P2，P3，…，P9，如圖4所示，算法對邊界點進行兩步處理。

P9P2P3P8P1P4P7P6P5

圖4 細化算法示意

步驟1標記同時滿足下列條件的邊界點。

式中：N(P1)為P1的非零鄰點的個數(shù)；S(P1)為以P2，P3，…，P9，P2為序時，這些點的值從0到1變化的次數(shù)。當對全部邊界點都檢驗完畢后，將所有標記的點去掉。

步驟2標記同時滿足下列條件的邊界點。

式(18)的前面兩個條件同式(17)，后兩個條件不同。同理，對全部邊界點計算完成后，將所有標記點刪除。式(17)、式(18)組成一次迭代運算，對連通區(qū)域αk(x，y)進行反復迭代運算，直至沒有滿足標記條件的像素點出現(xiàn)，此時剩下的點成為本圖像區(qū)域的二值骨架圖φk(x，y)。

如圖5所示，骨架提取算法對于裂縫紋理的整體形態(tài)影響不大，二值分割后的圖像與骨架圖像的像素點總數(shù)差異較小。對于虛假裂縫，由于其自身的紋理復雜性，骨架提取后的整體形態(tài)有明顯改變。故利用此紋理特征進行裂縫識別。

圖5 裂縫紋理與虛假裂縫紋理的骨架示意

計算二值圖像中目標點個數(shù)τk與骨架圖像中目標點個數(shù)ωk的比值。

利用式(20)結(jié)合地鐵隧道圖像進行試驗判斷，對于裂縫紋理圖像，裂縫寬度一般在5個像素以內(nèi)，寬度變化均勻，其比值γk不超過5。對于虛假裂縫紋理，連通區(qū)域形態(tài)復雜，其比值γk一般在5以上，所以此方法可以較好地判斷辨別裂縫的真?zhèn)巍?/p>

3 移動式裂縫圖像采集系統(tǒng)

移動式裂縫圖像采集系統(tǒng)可在軌道上運行，并對隧道表面進行快速圖像采集，主要包括隧道圖像采集系統(tǒng)和移動式軌道小車兩部分。圖像采集系統(tǒng)將成像設備集成于可調(diào)節(jié)支架上，設備支架安裝于軌道小車上，可以根據(jù)不同的隧道尺寸調(diào)節(jié)。

3.1 多目相機圖像采集方案設計

線陣相機每次采集一列一維像素，通過相機的定向移動形成二維圖像。對于地鐵隧道的定向移動式特點，圖像采集方案選用線陣相機。

(1)線陣相機具有連續(xù)采集性能。隧道中檢測設備為軌道上定向移動，選用線陣相機可以進行連續(xù)拍攝形成二維圖像，避免了圖像重疊和數(shù)據(jù)冗余。

(2)隧道中照明不佳，面陣相機需要大面積的強光源進行補光，但仍存在暗角現(xiàn)象。大功率激光光源具有穩(wěn)定聚集的特點，適用于弱光下的圖像采集。

(3)線陣相機具有高分辨率采集性能，通過設備的定向運動，對隧道表面進行掃略式圖像采集，分辨率和采樣速率高于面陣相機，可用于寬度細小隧道裂縫的圖像采集和分析。

結(jié)合以上線陣相機的特性，本系統(tǒng)采用多目高速線陣相機，如圖6、圖7所示，利用線陣相機與大功率線光源交替安裝，高速相機采用圖像采集卡進行設置和實時數(shù)據(jù)的傳輸、存儲。工控機采用固態(tài)硬盤配合Raid卡實現(xiàn)圖像數(shù)據(jù)的快速存儲。

1941年4月4日，熊式輝向蔣介石進言:“領袖只宜以思想領導干部，功名利祿，只能奔走一般中下之士，凡為革命奮斗冒險犯難而不辭者，皆思想上信仰力之驅(qū)使，故把握正確的思想路線是第一要務。”?實則亦是針對蔣以功名利祿籠絡干部的做法提出的改進意見。

圖6 多目相機圖像采集方案設計

圖7 多目相機圖像采集裝置

3.2 多目相機圖像采集系統(tǒng)設計

3.2.1 多目相機采集裝置

本文利用3個高速線陣相機，配合兩個特制激光光源進行圖像采集，對于隧道裂縫病害集中部分，可以調(diào)節(jié)相機位置，采集重點裂縫區(qū)域，如圖7所示。

圖7(a)中的旋臂裝置，可間隔安裝三個相機和兩個光源，對于不同尺寸的隧道斷面和不同距離的裂縫病害，可以調(diào)節(jié)成像位置。圖7(b)中旋臂裝置為可以左右平移和繞軸心旋轉(zhuǎn)的導軌支架，用于線陣相機與線狀光源的對齊調(diào)節(jié)。整體采集裝置可以安裝于檢測車上，實現(xiàn)橫向和縱向的位置調(diào)節(jié)。采集裝置參數(shù)見表1。

表1 采集裝置參數(shù)

3.2.2 高速線陣相機與配套光源的選型

本系統(tǒng)選擇高速工業(yè)線陣CMOS相機ral6144，水平/垂直分辨率為6 144 pixels，最大線速率80 kHz，理論上可以滿足檢測小車最大20 km/h的運行速度，并預留外觸發(fā)接口用于不同速度的圖像采集。圖像采集中，間隔1 024行像素保存圖像，即圖像尺寸為6 144×1 024 pixels，分塊圖像為384×256 pixels。本系統(tǒng)選擇波長808 nm、最大功率50 W的線狀激光光源。該光源利用特制鏡頭將光集中成一條線狀光帶，提供穩(wěn)定的強光源用于高速線陣相機的拍照。

為保證通光量和成像穩(wěn)定性，選擇機械固定的大光圈定焦鏡頭FL-YFL5028工業(yè)鏡頭，焦距為50 mm，光圈范圍F2.8～F22，可以滿足線陣相機的成像要求，對于不同尺寸的隧道，需要計算手動調(diào)試參數(shù)。試驗中，本樣機利用不超過2 m/s的速度進行圖像采集，后續(xù)可基于自主運行的軌道小車進行編碼器外觸發(fā)圖像采集。

4 試驗結(jié)果與分析

4.1 檢測系統(tǒng)軟硬件參數(shù)設置

線陣相機與光源通過手動調(diào)節(jié)與配準，設置相機與采集卡參數(shù)：增益為600，對比度為2，曝光時間為300 μs，采樣頻率(行頻)為3 000 Hz，鏡頭光圈F4，在人工手推速度下可獲取清晰的裂縫圖像。本文利用Matlab軟件的GUI功能設計界面，對圖像進行離線處理，圖8表示處理前后的圖像結(jié)果。系統(tǒng)處理6 144×1 024 pixels的裂縫圖像，平均處理時間為2.6 s。本系統(tǒng)利用線陣相機進行高速圖像采集，算法軟件在后期離線處理裂縫圖像。

圖8 裂縫圖像處理軟件界面

4.2 裂縫圖像檢測算法分步驗證試驗

分步試驗如圖9所示，其中圖9(a)為原始圖像，圖9(b)為背景濾波與二值化分割后的圖像，即圖像中裂縫紋理和灰度值接近裂縫的噪聲紋理像素點灰度值是0，呈現(xiàn)黑色；背景呈白色，像素值是255。圖9(c)為基于分塊區(qū)域裂縫特征分析后的圖像，可將圖像中的噪聲大部分濾除掉。圖9(d)為裂縫紋理識別后的圖像，即將濾除噪聲后的圖像中的裂縫骨架提取出來，完成真?zhèn)瘟芽p的辨別，可清晰地觀察到裂縫的紋理走勢。圖9(e)為使用紅色矩形框?qū)⒘芽p標注出來的圖像，將裂縫區(qū)域從識別的圖像區(qū)域中自動標記，可為裂縫參數(shù)計算提供數(shù)據(jù)支持。

(a)原始裂縫圖像

(b)預處理后的二值圖像

(c)分塊區(qū)域特征分析圖像

(d)裂縫紋理細化骨架圖像

(e)裂縫特征提取與標注圖像圖9 典型裂縫圖像的檢測試驗

從結(jié)果看出，對于圖像背景和裂縫對比度較好、灰度值差異較大的圖像，在勻光算法和二值化分割后，圖像中裂縫特征明顯，背景干擾少，可快速實現(xiàn)裂縫區(qū)域的識別與標記。而對于圖像中裂縫紋理與背景灰度接近的圖像，會出現(xiàn)較多的噪點，通過區(qū)域分析算法，也可以較好地濾除背景噪聲，識別裂縫區(qū)域。然而對于細小裂縫紋理，存在一部分像素點灰度值與背景灰度值相近的情況，導致裂縫區(qū)域分析和骨架提取的過程中產(chǎn)生一定的裂縫區(qū)域斷裂情況，但是仍可以分段識別標記裂縫區(qū)域。

4.3 裂縫圖像檢測試驗

為了驗證本文設計算法的適用性，選取了50幅混凝土表面裂縫圖像進行檢測試驗。圖10所示為6幅選取的裂縫圖像，其裂縫紋理區(qū)域具有不同的寬度、長度和走向，圖像背景的噪聲干擾較小。本算法可以正確地檢測普通混凝土表面裂縫圖像，對于50幅背景簡單的圖像，裂縫識別率達到0.92，由于分塊處理的細節(jié)像素點損失，存在一定的裂縫斷裂現(xiàn)象，但不影響整體裂縫的判斷。

圖10 普通裂縫圖像檢測試驗

地鐵隧道表面圖像紋理多樣，圖像背景噪點干擾較多。為了驗證算法對隧道紋理圖像檢測的有效性，對50張實際地鐵隧道的裂縫圖像進行試驗，裂縫區(qū)域的檢測率為0.84。圖11為選取的6幅地鐵隧道裂縫圖像試驗效果圖，其中圖像背景簡單的裂縫圖像，本算法可以快速準確地檢測出裂縫區(qū)域；對于背景噪點干擾多、背景灰度值接近的裂縫圖像，其裂縫紋理出現(xiàn)一定的斷裂情況，但同樣不影響整體裂縫紋理區(qū)域的識別。

圖11 復雜紋理的隧道裂縫圖像檢測試驗

4.4 試驗討論

采集系統(tǒng)按照成像方式分為面陣和線陣，按照尺寸分為大型車和小型車。本文研究目標為小型車線陣成像方式，此方案更加緊湊穩(wěn)定。而大型車的采集則具有更高的復雜度和速度，對圖像質(zhì)量要求更高，本團隊也正在進行此檢測技術的研究。

理論算法的研究，對于背景簡單、噪點少的裂縫圖像，識別效果基本滿足需求，見表2，基于采集的圖像樣本數(shù)據(jù)，試驗的識別率達到0.96。然而，真實隧道圖像存在更多的干擾，特別是老舊線路中滲漏水、噪點和低對比往往降低了檢測精度，本文所用50張裂縫樣本的檢測精度為0.84。在圖像處理算法上，為了達到更高的識別率，避免漏檢裂縫，通常會造成一定的誤檢，將圖像中部分虛假裂縫誤識別為真實裂縫，本文所提算法對綜合裂縫圖像樣本的誤檢率為0.19。對于實際中遇到的識別精度問題，未來在算法研究上，我們將引入深度學習理論和半監(jiān)督學習理論，努力改進以提高真實裂縫圖像的識別率，并降低虛假裂縫的誤檢率。

表2 試驗結(jié)果分析

本文在試驗中對比了幾種典型的隧道圖像檢測算法，包括基于圖像勻光處理的裂縫檢測算法[14]，基于SVM的裂縫識別算法[15]，基于最大熵分割的裂縫檢測算法[16]?；趫D像勻光的算法可以保留裂縫特征，但對噪聲的濾除效果最差?；谧畲箪胤指畹臋z測算法對普通裂縫圖像檢測精度為0.76，對復雜裂縫圖像的檢測精度為0.71?；赟VM的裂縫識別算法對于普通裂縫圖像的識別率達到0.97，但其主要針對線型結(jié)構噪聲具有良好的濾除效果，對地鐵隧道裂縫圖像的識別率為0.82。本算法對隧道裂縫圖像的識別率為0.84，效果最好，但對普通裂縫圖像以及線型噪聲的濾除效果低于基于SVM的識別算法。

表3 試驗結(jié)果對比

在圖像處理時間上，基于圖像勻光的檢測算法處理時間為2.9 s；基于最大熵分割的算法處理時間為1.8 s；基于SVM的裂縫檢測算法對每幅圖像的處理時間平均為15.2 s，時間最長；本文提出的分塊處理算法的平均處理時間為2.6 s。從計算時間和檢測精度上分析，本算法的處理時間適中，后續(xù)可在提升算法性能的同時，利用GPU平行處理提高運算速度。以上算法對隧道表面裂縫圖像進行檢測，結(jié)果對比如圖12所示。其中，圖12(a)為原始圖像，包括典型裂縫圖像、對比度較低的裂縫圖像和線型噪聲裂縫圖像；圖12(b)為基于圖像勻光算法的處理結(jié)果，由于勻光算法對相似灰度值的像素整體均衡，造成低對比圖的較多噪聲干擾；圖12(c)為基于最大熵分割的算法，其對高對比的裂縫紋理具有較好的增強作用，噪聲抑制好于勻光算法，但對大塊噪聲的濾出效果不佳；圖12(d)為基于SVM的裂縫檢測算法，對裂縫特征提取準確，濾除線型噪聲效果最好，但對于塊狀噪聲，不能完全濾除；圖12(e)為本文算法，對于普通裂縫的檢測效果最好，但對于線型噪聲干擾存在一定的誤檢現(xiàn)象，需要后期持續(xù)改進。

(a)原始圖像

(b)基于圖像勻光的檢測算法

(c)基于最大熵分割的檢測算法

(d)基于SVM的檢測算法

(e)本文提出的檢測算法圖12 裂縫圖像檢測算法對比試驗

5 結(jié)束語

本研究針對地鐵隧道裂縫病害，設計了軌道移動式隧道表面圖像采集系統(tǒng)，并針對隧道裂縫紋理特性，研究了裂縫自動識別檢測算法。本文設計的圖像采集設備裝置，可以繞中心旋轉(zhuǎn)、調(diào)節(jié)角度，對感興趣區(qū)域進行圖像采集，且該采集裝置可整體安裝于軌道檢測小車上。提出的圖像處理算法，將圖像分塊化處理，利用連通區(qū)域的骨架紋理特性，設計了虛假裂縫紋理的識別算法。

基于研制的樣機和圖像處理算法，利用Matlab編制了裂縫區(qū)域自動識別軟件界面，可以對裂縫圖像進行自動識別和裂縫特征標記。通過對普通裂縫圖像和實際地鐵隧道裂縫圖像的檢測試驗，可以達到0.96的普通裂縫檢測識別率，以及0.84的真實裂縫圖像檢測率。未來在檢測算法上需要加強對不同類型紋理噪聲的適用性，在運算速度上，利用高性能服務器進行多線程平行處理設計，提高圖像處理的計算效率。在圖像采集裝置的研制中，將簡化機械結(jié)構尺寸，可以更加靈活、便捷地適于地鐵隧道實際應用。

參考文獻：

[1]郭一詩.融合攝影測量與激光掃描技術的隧道全斷面高速動態(tài)檢測技術研究[D].北京:北京交通大學,2011.

[2]YU S,JANG J,HAN C.Auto Inspection System Using a Mobile Robot for Detecting Concrete Cracks in a Tunnel[J].Automation in Construction,2007,16(3):255-261.

[3]LEE S Y,SANG H L,DONG I S,et al.Development of an Inspection System for Cracks in a Concrete Tunnel Lining[J].Canadian Journal of Civil Engineering,2007,34(8):966-975.

[4]肖書安.隧道測量技術的發(fā)展新方向[C]//2006中國高速鐵路隧道國際技術交流會論文集,2006:653-657.

[5]鐵信.日本新干線隧道襯砌檢測車[J].現(xiàn)代城市軌道交通,2012,1(2):101.

TIE Xin.Japan Xinganxian Tunnel Lining Detection Train[J].Modern Urban Transit,2012,1(2):101.

[6]劉學增,葉康.隧道襯砌裂縫的遠距離圖像測量技術[J].同濟大學學報:自然科學版,2012,40(6):829-836.

LIU Xuezeng,YE Kang.A Long-distance Image Measuring Technique for Crack on Tunnel Lining[J].Journal of Tongji University:Natural Science,2012,40(6):829-836.

[7]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研究[J].地下空間與工程學報,2009,5(S2):1624-1628.

LIU Xiaorui,XIE Xiongyao.Rapid Crack Inspection of Tunnel Surface Based on Image Processing[J].Chinese Journal of Underground Space and Engineering,2009,5(S2):1624-1628.

[8]OLIVEIRA H,CORREIA P L.Automatic Road Crack Detection and Characterization[J].IEEE Intelligent Transportation Systems Society,2013,14(1):155-168.

[9]王睿,漆泰岳,雷波,等.隧道襯砌裂縫特征提取方法研究[J].巖石力學與工程學報,2015,34(6):1211-1217.

WANG Rui,QI Taiyue,LEI Bo,et al.Study on the Characteristic Extraction of Tunnel Lining Cracks[J].Chinese Journal of Rock Mechanics and Engineering,2015,34(6):1211-1217.

[10]BAI B,ZHU L,WANG Y.Subway Tunnel Crack Identification Algorithm Research Based on Image Processing[C]//International Conference on Digital Image Processing,2014.

[11]李清泉,鄒勤,毛慶洲.基于最小代價路徑搜索的路面裂縫檢測[J].中國公路學報,2010,23(6):28-33.

LI Qingquan,ZOU Qin,MAO Qingzhou.Pavement Crack Detection Based on Minimum Cost Path Searching[J].China Journal of Highway and Transport,2010,23(6):28-33.

[12]錢彬,唐振民,沈肖波,等.基于多特征流形學習和矩陣分解的路面裂縫檢測[J].儀器儀表學報,2016,37(7):1639-1646.

QIAN Bin,TANG Zhenmin,SHEN Xiaobo,et al.Pavement Crack Detection Based on Multi-feature Manifold Learning and Matrix Factorization[J].Chinese Journal of Scientific Instrument,2016,37(7):1639-1646.

[13]ZHANG T Y,SUEN C Y.A Fast Parallel Algorithm for Thinning Digital Patterns[J].Communications of the ACM,1984,27(3):236-239.

[14]李清泉,胡慶武.基于圖像自動勻光的路面裂縫圖像分析方法[J].公路交通科技,2010,27(4):1-5.

LI Qingquan,HU Qingwu.A Pavement Crack Image Analysis Approach Based on Automatic Image Dodging[J].Journal of Highway and Transportation Research and Development,2010,27(4):1-5.

[15]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 Liqiang,BAI Biao,WANG Yaodong,et al.Subway Tunnel Crack Identification Algorithm Based on Feature Analysis[J].Journal of the China Railway Society,2015,37(5):64-70.

[16]洪霞,周牧,田增山,等.基于二維最大熵閾值分割的SIFT圖像匹配算法[J].半導體光電,2013,34(4):156-160,172.

HONG Xia,ZHOU Mu,TIAN Zengshan,et al.SIFT Image Matching Algorithm Based on Two-dimensional Maximum Entropy-aided Threshold Segmentation[J].Semiconductor Optoelectronics,2013,34(4):156-160,172.