隧道襯砌分岔裂縫特征提取研究

蒲炳榮,漆泰岳,黃曉東,陳桂龍

(1.西南交通大學(xué)土木工程學(xué)院,成都 610031； 2.西南交通大學(xué)交通隧道工程教育部重點(diǎn)實(shí)驗(yàn)室,成都 610031)

引言

近年來我國高速鐵路發(fā)展迅速，到2020年全國高鐵運(yùn)營里程將達(dá)到3萬km。與此同時(shí)，截至2017年底，我國共建成高速鐵路隧道2 835座，總長4 537 km[1]，已成為全世界擁有高速鐵路隧道最多的國家。伴隨著高鐵隧道建設(shè)，隧道的養(yǎng)護(hù)也變得越發(fā)重要。

襯砌裂縫是最常見的隧道病害之一，依照裂縫形狀，常見的襯砌裂縫主要有縱向或環(huán)向的單線裂縫、分岔裂縫以及單線裂縫與分岔裂縫組合而成的復(fù)雜裂縫。對于高速鐵路隧道結(jié)構(gòu)，分岔裂縫的出現(xiàn)表明結(jié)構(gòu)已經(jīng)存在較嚴(yán)重的病害，尤其是分岔裂縫發(fā)育所形成的“孤石”襯砌塊體，將會直接威脅到高鐵列車的行車安全。1999年日本山陽新干線福崗隧道就發(fā)生了襯砌混凝土掉塊砸中列車頂部，造成列車破損的重大事故，引起了日本運(yùn)輸省的高度重視，并開展了大規(guī)模的檢查和研究[2]。因此對于分岔裂縫的檢測與防治是十分必要的。

目前國內(nèi)最主要的隧道裂縫檢測方法是利用自動化檢測系統(tǒng)進(jìn)行檢測，該系統(tǒng)采用CCD面陣相機(jī)對隧道襯砌進(jìn)行圖像采集，然后利用數(shù)字圖像處理技術(shù)完成裂縫的識別與特征提取。

在基于數(shù)字圖像處理的裂縫特征提取上，國內(nèi)外學(xué)者已經(jīng)做過許多研究。方志[3]在混凝土表面粘貼純色標(biāo)定塊來標(biāo)定、修正原始圖像從而提取出裂縫寬度，并以正拍和斜拍圖像兩種方式對提取方法進(jìn)行了驗(yàn)證；王平讓[4]提出一種基于圖像局部網(wǎng)格特征的隧道襯砌裂縫自動識別方法，其在將離散的裂縫種子像素連接成為完整的連續(xù)裂縫過程中自動計(jì)算裂縫的走向、長度和寬度；劉學(xué)增[5]采用基于Zernike正交矩的圖像亞像素邊緣檢測算法獲得了裂縫邊緣，并進(jìn)行裂縫寬度測量；楊松[6]結(jié)合數(shù)字圖像處理技術(shù)和分形理論，提取了圖像中裂縫及其他元素的自相似特征；Hoang-Nam Nguyen[7]利用裂縫分支呈線狀且具有局部對稱性兩個(gè)幾何性質(zhì)來檢測裂縫邊緣，并與非預(yù)期物體的邊緣進(jìn)行區(qū)分；王耀東[8]提出了一種根據(jù)裂縫局部均值和標(biāo)準(zhǔn)差計(jì)算裂縫寬度的算法，用于檢測和自動標(biāo)識地鐵隧道表面的裂縫特征區(qū)域；彭博[9]將裂縫輪廓進(jìn)行矢量化處理，提取了傾角、塊度、空洞等裂縫幾何特征；Baohua Shan[10]提出了一種基于立體視覺的裂縫寬度檢測方法，用于定量評價(jià)混凝土結(jié)構(gòu)表面的裂縫寬度；王睿[11]提取了裂縫的周長、平均寬度、集中度等多種特征，根據(jù)RBF-SVM算法建立了裂縫識別的自動判別模型；朱力強(qiáng)[12]利用Harris檢測算子獲取裂縫的角點(diǎn)為特征點(diǎn)集，采用基于Fréchet距離及Hausdorff距離的點(diǎn)集配準(zhǔn)算法進(jìn)行特征點(diǎn)的配準(zhǔn)；張玉雪[13-14]依據(jù)裂縫區(qū)域的形狀特征，使用形狀分析法進(jìn)行去噪和目標(biāo)提取，實(shí)現(xiàn)了裂縫的精確定位，此外還通過提取裂縫的統(tǒng)計(jì)、紋理和形狀特征，利用稀疏表示分類方法實(shí)現(xiàn)對裂縫子塊的識別；邱延峻[15]以圖像截面為研究對象，依次進(jìn)行傾斜度、高斯分布、邊緣梯度3種特征檢驗(yàn)，從而獲得了三維裂縫截面。

上述研究雖然能有效提取裂縫特征，但都是基于研究對象為單線裂縫的情況。本文對萬宇[16]提出的隧道襯砌單線裂縫拐點(diǎn)特征提取方法進(jìn)行了改進(jìn)，通過MATLAB軟件編程，成功地對襯砌分岔裂縫的拐點(diǎn)特征進(jìn)行了提取，并加入了分岔點(diǎn)生長編碼這一分岔裂縫獨(dú)有的裂縫特征，共同為分岔裂縫的機(jī)器自動化識別提供依據(jù)，進(jìn)而為實(shí)現(xiàn)隧道襯砌剝落掉塊預(yù)警奠定了基礎(chǔ)。

1 分岔裂縫骨架提取

要提取出分岔裂縫的拐點(diǎn)特征，需要對裂縫進(jìn)行骨架提取。骨架提取流程包含圖像預(yù)處理及骨架提取。

1.1 圖像預(yù)處理

裂縫圖像的預(yù)處理主要包括圖像去噪、閾值分割以及形態(tài)學(xué)處理。首先將試驗(yàn)圖像由RGB圖像轉(zhuǎn)換為灰度圖像并對圖像進(jìn)行去噪。馬金祥[17]結(jié)合改進(jìn)暗通道先驗(yàn)和導(dǎo)向?yàn)V波方法，實(shí)現(xiàn)了圖像去噪增強(qiáng)；彭博[18]采用基于連通性檢測的二值圖像去噪算法和裂縫子塊去噪算法，獲得了完整連續(xù)的裂縫圖像；洪曉江[19]根據(jù)Prewitt算子推導(dǎo)出了新的5×5梯度模板進(jìn)行圖像增強(qiáng)處理；范新南[20]通過水下生物仿生的側(cè)抑制增強(qiáng)機(jī)制對圖像進(jìn)行增強(qiáng)；Qu Z[21]提出了利用亮度特征和裂紋長度特征來去除噪聲區(qū)域的基于滲流模型的去噪方法；Guo C[22]提出了一種新的核各向異性擴(kuò)散濾波器用于低信噪比裂紋圖像的去噪。

沿用已有的單線裂縫圖像去噪的研究成果，本文采用自適應(yīng)Wiener濾波器對分岔圖像進(jìn)行平滑處理。自適應(yīng)Wiener濾波的原則是使原始圖像與恢復(fù)圖像之間的均方誤差最小，其根據(jù)鄰域窗口的局部方差來調(diào)整濾波器效果，是一種自適應(yīng)濾波器。本文采用的鄰域窗口尺寸為10×10，處理結(jié)果如圖1所示。可以看出，該方法在保存裂縫邊緣信息的同時(shí)有效地平滑了圖像噪聲。

圖1 自適應(yīng)Wiener濾波器處理

平滑處理后，需要對圖像進(jìn)行閾值分割，即通過設(shè)置閾值參數(shù)將圖像轉(zhuǎn)化為二值圖像，設(shè)置閾值過大將會使背景區(qū)域與裂縫區(qū)域混淆，閾值過小則會丟失部分裂縫信息。本文采用全局閾值分割的方法，經(jīng)過多種閾值下處理結(jié)果的比選，確定采用軟件內(nèi)閾值為0.5的分割方法，處理結(jié)果如圖2(a)所示。經(jīng)過閾值分割后的圖像完整地保留了裂縫信息，并且沒有出現(xiàn)裂縫斷裂的情況。

形態(tài)學(xué)處理包括連通區(qū)域標(biāo)記以及空洞填充。連通區(qū)域標(biāo)記是對圖像中的連通區(qū)域進(jìn)行標(biāo)記，并計(jì)算出各標(biāo)記區(qū)域的像素面積，從而提取出面積最大的連通區(qū)域，即為裂縫區(qū)域。該方法可以完全消除背景區(qū)域中的干擾噪聲，只保留裂縫信息。本文采用8連通區(qū)域標(biāo)記，處理結(jié)果如圖2(b)所示，可以看到圖像四周的噪聲被完全消除。

圖2 閾值分割及標(biāo)記運(yùn)算

此時(shí)放大標(biāo)記后的圖像，可以看到裂縫區(qū)域有明顯空洞，如圖3(a)所示。為了提取完整的裂縫骨架，需要對裂縫區(qū)域進(jìn)行空洞填充，填充結(jié)果如圖3(b)所示。

圖3 空洞填充前后圖像對比

1.2 骨架提取

圖像預(yù)處理完成后便可進(jìn)行裂縫骨架提取。所謂骨架，就是由單個(gè)像素的點(diǎn)組成，可以有效地反映出原物體形狀的連通性和拓?fù)浣Y(jié)構(gòu)[23]。本文首先采用拓?fù)浼?xì)化算法對圖像進(jìn)行骨架的初步提取，拓?fù)浼?xì)化算法的原理是從裂縫邊界開始進(jìn)行反復(fù)的迭代計(jì)算，逐層剝離裂縫的邊界像素點(diǎn)，直至裂縫削減為單像素寬度骨架。初步提取的結(jié)果如圖4(a)所示，可以看出裂縫骨架仍存在大量毛刺。接下來采用萬宇[16]提出的毛刺追蹤剔除算法對骨架進(jìn)行處理，剔除毛刺后的裂縫骨架如圖4(b)所示?？梢钥闯鎏蕹Ч己?，骨架已達(dá)到拐點(diǎn)識別的要求，至此分岔裂縫的骨架提取工作全部完成。

圖4 骨架初步提取及毛刺剔除

2 骨架的分支化

為了簡化后續(xù)的拐點(diǎn)識別及特征值提取工作，提出對分岔裂縫骨架進(jìn)行分支化處理，即將骨架拆分為多條分支，并將各分支的骨架像素坐標(biāo)按順序進(jìn)行排列。

2.1 骨架的拆分

根據(jù)單像素寬度骨架的特點(diǎn)，將8鄰域內(nèi)骨架像素?cái)?shù)量為1的像素點(diǎn)定義為骨架端點(diǎn)，將8鄰域內(nèi)骨架像素?cái)?shù)量≥3的像素點(diǎn)定義為分岔點(diǎn)。

首先提取分岔裂縫所有骨架像素點(diǎn)坐標(biāo)到集合A中，通過遍歷A中各像素點(diǎn)的8鄰域信息，對每個(gè)像素點(diǎn)鄰域內(nèi)的骨架像素?cái)?shù)量進(jìn)行記錄。隨后將鄰域內(nèi)骨架像素?cái)?shù)量為1的像素點(diǎn)坐標(biāo)放入集合B中，作為端點(diǎn)坐標(biāo)集合；將鄰域內(nèi)骨架像素?cái)?shù)量≥3的像素點(diǎn)坐標(biāo)放入集合C中，作為分岔點(diǎn)集合。對兩個(gè)集合中的像素點(diǎn)在圖像中進(jìn)行標(biāo)注，得到如圖5(a)所示的骨架端點(diǎn)和分岔點(diǎn)示意。

在骨架端點(diǎn)及分岔點(diǎn)的基礎(chǔ)上，將裂縫骨架劃分為枝干段與主干段兩類分支。枝干段定義為任意端點(diǎn)與其連通區(qū)域上與之距離最近的分岔點(diǎn)之間的骨架段，而各分支段之外的骨架部分則定義為主干段，據(jù)此本試驗(yàn)中裂縫骨架拆分情況如圖5(b)所示。

圖5 骨架拆分示意

2.2 元胞數(shù)組的引入

元胞數(shù)組是MATLAB軟件的一種特殊數(shù)據(jù)類型，可以將其看作一種通用矩陣，或者廣義矩陣。組成元胞數(shù)組的元素稱為元胞，元胞可以是任何一種數(shù)據(jù)類型的常數(shù)或者常量，也可以是集合。本文引入元胞數(shù)組的概念，將整條分岔裂縫信息看成是一個(gè)元胞數(shù)組，而元胞數(shù)組中的每一個(gè)元胞則代表了各分支信息，包括骨架像素坐標(biāo)及拐點(diǎn)特征值等。以本文試驗(yàn)中的裂縫為例，整條裂縫信息可以用規(guī)格為5×1的元胞數(shù)組D來表示，D中的5個(gè)元胞分別包含了4條枝干段及1條主干段信息。

2.3 分支坐標(biāo)的提取

在引入元胞數(shù)組D的基礎(chǔ)上，對骨架各分支進(jìn)行坐標(biāo)提取并按順序排列，流程如下。

(1)以端點(diǎn)坐標(biāo)集合B中第一個(gè)端點(diǎn)(B(1，1)，B(1，2))為起點(diǎn)，將其坐標(biāo)放入元胞D{1，1}中，隨后遍歷該點(diǎn)的8鄰域，找到下一個(gè)骨架像素點(diǎn)作為中心點(diǎn)，并提取其坐標(biāo)放入D{1，1}中。

(2)遍歷該中心點(diǎn)的8鄰域，找到鄰域內(nèi)的骨架像素點(diǎn)，判斷各點(diǎn)是否已存在于D{1，1}中，若已存在則將其忽略，將余下的骨架像素點(diǎn)作為下一個(gè)中心點(diǎn)，并提取其坐標(biāo)放入D{1，1}中。

(3)按步驟(2)繼續(xù)循環(huán)，直至某中心點(diǎn)坐標(biāo)與分岔點(diǎn)集合C中的任意坐標(biāo)重合時(shí)結(jié)束循環(huán)，最終得到以端點(diǎn)為起點(diǎn)、分岔點(diǎn)為終點(diǎn)的按順序排列的分支坐標(biāo)集合D{1，1}。

(4)改變起點(diǎn)，重復(fù)步驟(1)～步驟(3)，同理可得D{2，1}、D{3，1}、D{4，1}。

(5)提取出D{2，1}、D{3，1}、D{4，1}中的所有坐標(biāo)并合并為集合E。因?yàn)榉植砹芽p的形狀特點(diǎn)，將會出現(xiàn)多條分支“終點(diǎn)”為同一分岔點(diǎn)的情況，故將重復(fù)的分岔點(diǎn)坐標(biāo)進(jìn)行剔除。剔除后的集合E與骨架像素點(diǎn)坐標(biāo)集合A的差集即為主干段的骨架坐標(biāo)集合，令其為元胞數(shù)組D中的最后一個(gè)元胞D{5，1}。

分支坐標(biāo)提取流程如圖6所示。

圖6 分支坐標(biāo)提取流程

3 拐點(diǎn)識別及特征值提取

3.1 拐點(diǎn)的初步識別

拐點(diǎn)顧名思義是指裂縫走向發(fā)生劇烈變化的點(diǎn)，根據(jù)Freeman鏈碼的識別算法，裂縫走向計(jì)算式為

(1)

(2)

本文針對每一段裂縫骨架分支，將其看作一條單線裂縫骨架并參照單線裂縫拐點(diǎn)的識別方法進(jìn)行拐點(diǎn)識別，識別過程中采用8方向Freeman鏈碼，如圖7(a)所示。為了獲取更多拐點(diǎn)以利于后續(xù)裂縫匹配試驗(yàn)的進(jìn)行，取像素長度l為10個(gè)像素長度，閾值T為0.5，即當(dāng)?shù)趇點(diǎn)前后l長度的裂縫走向之差>22.5°時(shí)判定該點(diǎn)為拐點(diǎn)。經(jīng)過初步識別后的裂縫拐點(diǎn)如圖7(b)所示。

圖7 8方向Freeman鏈碼與拐點(diǎn)初步識別結(jié)果

3.2 拐點(diǎn)特征值的提取

初步識別后便可以對拐點(diǎn)進(jìn)行特征值的提取，選取到前相鄰拐點(diǎn)的距離h1、到后相鄰拐點(diǎn)的距離h2、與前后相鄰拐點(diǎn)形成的夾角α、到前間隔拐點(diǎn)的距離s1、到后間隔拐點(diǎn)的距離s2、與前后間隔拐點(diǎn)形成的夾角β六類參數(shù)作為拐點(diǎn)特征值，如圖8所示，其中α與β均為≤180°的夾角。這6類特征值可以準(zhǔn)確地反映各拐點(diǎn)間的位置關(guān)系，從而描繪出分支的走向情況。由于各拐點(diǎn)的坐標(biāo)已知，以上6類特征值可以通過程序計(jì)算獲得。

圖8 拐點(diǎn)特征示意

3.3 拐點(diǎn)的篩選

從拐點(diǎn)初步識別的結(jié)果中可以看出存在大量連續(xù)拐點(diǎn)，為了降低運(yùn)算量，剔除特征不夠明顯的拐點(diǎn)，需要對初步識別后的拐點(diǎn)進(jìn)行篩選。篩選工作共分3步進(jìn)行：第一步，在一段連續(xù)拐點(diǎn)中保留Δμi最大的拐點(diǎn)，即前后裂縫走向變化最大的拐點(diǎn)，余下的拐點(diǎn)剔除；第二步，提取到后間隔拐點(diǎn)的距離s2<10個(gè)像素長度的拐點(diǎn)，剔除該點(diǎn)和其后間隔拐點(diǎn)中與前后相鄰拐點(diǎn)形成的夾角α較大的一點(diǎn)；第三步，剔除與前后相鄰拐點(diǎn)形成的夾角α>170°的拐點(diǎn)。篩選工作的每一步完成后都需要重新計(jì)算余下拐點(diǎn)的特征值，篩選工作結(jié)束后的拐點(diǎn)識別結(jié)果如圖9所示。

圖9 篩選后的拐點(diǎn)識別結(jié)果

4 分岔點(diǎn)生長編碼的提取

不同于單線裂縫的單一生長方向，分岔裂縫具有多方向生長的特點(diǎn)，因此僅對分岔裂縫各分支的特征進(jìn)行分析不足以準(zhǔn)確判斷兩條裂縫是否具有“遺傳性”。本文引入分岔點(diǎn)生長編碼這一分岔裂縫獨(dú)有的骨架特征，借其量化分岔裂縫的初始生長方向。

首先，提取分岔點(diǎn)附近各分支沿其生長方向一定像素長度h內(nèi)的鏈碼均值，以表示各分支的初始生長方向。隨后參照8方向Freeman鏈碼的排序方式對各分支的鏈碼均值進(jìn)行排序，將最終得到的排列結(jié)果定義為該分岔點(diǎn)的生長編碼。本文取h為10個(gè)像素長度，從而提取出本試驗(yàn)中裂縫分岔點(diǎn)1和分岔點(diǎn)2的生長編碼，分別為1.3-4.3-6.9和0.1-2.4-4.8。由于生長編碼是基于8方向Freeman鏈碼得到的，因此兩條編碼所代表的分岔點(diǎn)附近分支初始生長方向分別如圖10(a)和圖10(b)所示，圖10中黑色實(shí)心方形為分岔點(diǎn)，加粗黑色箭頭為附近分支的初始生長方向。

圖10 分岔點(diǎn)鄰近分支初始生長方向

5 裂縫匹配試驗(yàn)

為了檢驗(yàn)拐點(diǎn)及分岔點(diǎn)生長編碼兩種特征能否為分岔裂縫的機(jī)器自動化識別提供可靠依據(jù)，設(shè)計(jì)了裂縫匹配試驗(yàn)進(jìn)行模擬。首先通過對初始裂縫進(jìn)行“截肢”以模擬裂縫早期的形狀，同時(shí)改變裂縫在圖像中的位置以模擬CCD相機(jī)在不同位置拍攝時(shí)產(chǎn)生的偏差，得到初始裂縫的父輩裂縫圖像，如圖11所示。

圖11 父子裂縫圖像對比

隨后利用Matlab程序?qū)Ω缸觾煞鶊D像分別進(jìn)行處理和識別，并提取出兩條裂縫的拐點(diǎn)特征值及分岔點(diǎn)生長編碼，其中兩條裂縫的分岔點(diǎn)生長編碼分別列入表1和表2。

表1 父輩裂縫分岔點(diǎn)生長編碼

表2 子輩裂縫分岔點(diǎn)生長編碼

匹配試驗(yàn)的第一步是對兩條裂縫的分岔點(diǎn)生長編碼進(jìn)行比對，即判斷兩條分岔裂縫的初始生長方向是否一致。為了方便比較，引入生長編碼偏差率Gp，即滿足

(3)

式中，b1，b2，…，bn為分岔點(diǎn)B的生長編碼；c1，c2，…，cn為分岔點(diǎn)C的生長編碼；Gp為分岔點(diǎn)B的生長編碼相對于分岔點(diǎn)C的生長編碼的偏差率。

按式(3)進(jìn)行計(jì)算，由表1及表2中的結(jié)果可以得出子輩裂縫的1號分岔點(diǎn)相對于父輩裂縫的1號分岔點(diǎn)的生長編碼偏差率Gp1=0.022，子輩裂縫的2號分岔點(diǎn)相對于父輩裂縫的2號分岔點(diǎn)的生長編碼偏差率Gp2=0。本文取所有分岔點(diǎn)生長編碼偏差率的算術(shù)平均值來表示兩條裂縫的生長編碼偏差度，進(jìn)而得到兩條裂縫的生長編碼相似度。在本試驗(yàn)中，兩條裂縫的生長編碼偏差度為1.1%，生長編碼相似度達(dá)到了98.9%，結(jié)果表明兩條裂縫的初始生長方向高度一致。

匹配試驗(yàn)的第二步是對兩條裂縫的拐點(diǎn)特征值進(jìn)行比對，即判斷兩條裂縫的拐點(diǎn)是否具有“遺傳性”，因此需要在子輩裂縫拐點(diǎn)中找到與父輩裂縫拐點(diǎn)相匹配的子拐點(diǎn)。以篩選父輩裂縫中13號拐點(diǎn)的子拐點(diǎn)為例，其拐點(diǎn)特征值如表3所示。為了方便討論，定義同種特征值之間的偏差率為特征偏差率。以特征值h1為例，子輩拐點(diǎn)相對于父輩拐點(diǎn)的特征偏差率h1p按式(4)計(jì)算

(4)

式中，h1f為父輩任一拐點(diǎn)的h1特征值；h1z為子輩任一拐點(diǎn)的h1特征值。

首先篩選出父輩裂縫13號拐點(diǎn)的疑似子拐點(diǎn)，步驟如下。

(1)參照式(4)，計(jì)算得到每一個(gè)子輩拐點(diǎn)相對于父輩13號拐點(diǎn)的各類特征偏差率。

(2)在各類特征偏差率中取最大值Pc，作為該拐點(diǎn)相對于父輩13號拐點(diǎn)的初始偏差率，即Pc=max(h1p，h2p，αp，s1p，s2p，βp)。

(3)在所有子輩拐點(diǎn)對應(yīng)的初始偏差率中取最小值作為父輩13號拐點(diǎn)的疑似偏差率Py，即Py=min(Pc1，Pc2，…，Pcm)，其中m為子輩拐點(diǎn)總數(shù)；而Py所對應(yīng)的子輩拐點(diǎn)，稱為父輩13號拐點(diǎn)的疑似子拐點(diǎn)。

以上篩選過程如表4所示，最終得到父輩13號拐點(diǎn)的疑似偏差率Py=0.024，疑似子拐點(diǎn)為子輩24號拐點(diǎn)(表中框選部分)。

表3 父輩13號拐點(diǎn)特征值

表4 父輩13號拐點(diǎn)疑似子拐點(diǎn)篩選

注：由于各分支的首/尾拐點(diǎn)只含有“到后/前相鄰拐點(diǎn)的距離h2/h1”一個(gè)特征值，易造成錯(cuò)誤匹配，因此篩選過程不考慮兩條裂縫中各分支的首/尾拐點(diǎn)，稱其為無效拐點(diǎn)，與之對應(yīng)的含有兩個(gè)及以上特征值的拐點(diǎn)稱為有效拐點(diǎn)。

同理，將余下的父輩裂縫拐點(diǎn)的特征值依次代入程序進(jìn)行計(jì)算，得到各拐點(diǎn)的疑似偏差率及疑似子拐點(diǎn)序號，如表5所示。

表5 父輩裂縫拐點(diǎn)的疑似子拐點(diǎn)

由以上篩選過程可知，疑似子拐點(diǎn)是各類特征值與父輩拐點(diǎn)最接近的子輩拐點(diǎn)，而疑似偏差率則代表了該疑似子拐點(diǎn)與父輩拐點(diǎn)之間的最低相似程度。以Py≤0.1作為判定疑似子拐點(diǎn)真實(shí)性的標(biāo)準(zhǔn)，即認(rèn)為當(dāng)疑似拐點(diǎn)與父輩拐點(diǎn)的相似程度達(dá)到90%以上時(shí)，判定該疑似拐點(diǎn)即是父輩拐點(diǎn)真正的子拐點(diǎn)。從表4結(jié)果可以得出，在該標(biāo)準(zhǔn)下父子拐點(diǎn)匹配成功的概率達(dá)到了9/10，可以認(rèn)為兩條裂縫的拐點(diǎn)基本重合。

綜合兩條裂縫分岔點(diǎn)生長編碼和拐點(diǎn)特征值的比對結(jié)果，可以判定兩幅圖像來源于同一裂縫，判定結(jié)果符合預(yù)期，從而驗(yàn)證了兩種特征能夠?yàn)榉植砹芽p的機(jī)器自動化識別提供可靠依據(jù)。

6 結(jié)論

(1)在隧道襯砌單線裂縫特征提取研究的基礎(chǔ)上，成功對分岔裂縫的拐點(diǎn)進(jìn)行了識別和特征值提取，并提出分岔點(diǎn)生長編碼這一新的裂縫特征，該特征能夠?qū)Ψ植砹芽p的初始生長方向進(jìn)行量化。

(2)通過設(shè)計(jì)裂縫匹配試驗(yàn)，對拐點(diǎn)和分岔點(diǎn)生長編碼兩種特征的可靠性進(jìn)行驗(yàn)證，試驗(yàn)得出父子裂縫的生長編碼相似度達(dá)到98.9%，拐點(diǎn)匹配成功概率達(dá)到90%。試驗(yàn)結(jié)果印證了兩條裂縫的遺傳性，符合試驗(yàn)預(yù)期，兩種特征能夠作為分岔裂縫機(jī)器自動化識別的可靠依據(jù)。

(3)本文提出的特征提取算法適用于未形成閉合區(qū)域的隧道襯砌分岔裂縫，以該算法為基礎(chǔ)，進(jìn)一步建立的自動化檢測系統(tǒng)能夠?qū)Ψ植砹芽p的發(fā)育進(jìn)行監(jiān)測和預(yù)判，為實(shí)現(xiàn)隧道襯砌剝落掉塊預(yù)警打下基礎(chǔ)。