隧道快速檢測(cè)系統(tǒng)圖像處理技術(shù)研究

摘 要：當(dāng)前，機(jī)器視覺(jué)等技術(shù)正逐漸應(yīng)用于隧道檢測(cè)，而圖像處理是其中最重要的環(huán)節(jié)。由于隧道襯砌圖像特征復(fù)雜、數(shù)據(jù)量龐大，如何在保證圖像處理速度的同時(shí)提高圖像處理準(zhǔn)確度，是一個(gè)難題?，F(xiàn)提出一種基于改進(jìn)分水嶺分割法的圖像預(yù)處理方法，使用基于支持向量機(jī)與最近鄰法相結(jié)合的快速分類算法，對(duì)病害進(jìn)行了有效分類。通過(guò)實(shí)際工程采集的數(shù)據(jù)進(jìn)行驗(yàn)證，該方法對(duì)裂縫有較好的識(shí)別效果。

關(guān)鍵詞：機(jī)器視覺(jué);隧道檢測(cè);圖像處理

0? ? 引言

對(duì)隧道進(jìn)行有效的養(yǎng)護(hù)維修，前提是對(duì)隧道進(jìn)行全面準(zhǔn)確的檢測(cè)。隧道病害主要有裂縫、剝落、滲水、錯(cuò)臺(tái)等，傳統(tǒng)方法是進(jìn)行人工檢查，由于隧道內(nèi)光照條件差、粉塵多、封路不方便等因素，這種檢測(cè)方式受限于檢測(cè)人員的主觀性，難以對(duì)隧道進(jìn)行全面檢查。為了解決上述問(wèn)題，近年來(lái)機(jī)器視覺(jué)技術(shù)逐步開始應(yīng)用到隧道檢測(cè)當(dāng)中。其基本原理是利用相機(jī)對(duì)隧道襯砌表面進(jìn)行連續(xù)拍照，將照片進(jìn)行圖像拼接，形成完整的隧道襯砌表觀圖，在表觀圖中識(shí)別病害并進(jìn)行標(biāo)注，統(tǒng)計(jì)分析之后制定養(yǎng)護(hù)策略。

山西省交通科技研發(fā)有限公司自主研發(fā)的隧道檢測(cè)車，集機(jī)器視覺(jué)、慣性導(dǎo)航、激光測(cè)量等多種先進(jìn)技術(shù)于一體，能以不低于70 km/h的行駛速度，實(shí)現(xiàn)對(duì)裂縫、滲水、剝落等隧道表觀病害的全自動(dòng)采集與識(shí)別，大幅降低檢測(cè)時(shí)間和成本。截至目前，檢測(cè)車已在重慶、四川、貴州、陜西、山西等省市進(jìn)行了大量應(yīng)用，完成了50余條高速公路600多座隧道的檢測(cè)業(yè)務(wù)，累計(jì)檢測(cè)隧道1 706 km。

將機(jī)器視覺(jué)應(yīng)用在隧道檢測(cè)中，可以大大提高檢測(cè)效率;但如何在保證圖像處理速度的同時(shí)提高圖像處理準(zhǔn)確度，是一個(gè)難題。本文通過(guò)分析隧道環(huán)境不同干擾情況下病害目標(biāo)成像機(jī)理，提出基于改進(jìn)分水嶺分割法的圖像預(yù)處理方法，探索隧道病害的多維深度卷積網(wǎng)絡(luò)特征優(yōu)選方法，為后續(xù)病害目標(biāo)自動(dòng)識(shí)別研究奠定了理論基礎(chǔ)。

1? ? 自適應(yīng)圖像分割算法

病害識(shí)別軟件中有人工識(shí)別和人工輔助智能識(shí)別兩種方式。人工輔助智能識(shí)別是圖像處理軟件的核心模塊，隧道襯砌各種病害的特征是邊緣，通過(guò)計(jì)算機(jī)建模與仿真獲得穩(wěn)定可行的裂縫邊緣檢測(cè)算法，并針對(duì)不同環(huán)境對(duì)閾值分割方法進(jìn)行特定修正，建立一套穩(wěn)定的閾值分割方法，并且通過(guò)機(jī)器學(xué)習(xí)剔除掉襯砌施工縫、蓋板縫隙等“假病害”，從分割后的圖像中結(jié)合三維掃描儀和微型陀螺儀數(shù)據(jù)獲取修正過(guò)的病害外部幾何特征。所有識(shí)別到的病害中都會(huì)存在一些高相似性的噪聲，例如蜘蛛網(wǎng)、機(jī)械劃痕等，通過(guò)人工輔助的方式對(duì)所有智能識(shí)別出的病害進(jìn)行復(fù)核，即可完成全部的病害檢測(cè)工作。

分水嶺算法[1]是一種比較有效的圖像特征分割方法，但圖像中病害信息與其他干擾信息在圖像灰度上有可能存在重疊，導(dǎo)致該算法在進(jìn)行分割時(shí)會(huì)產(chǎn)生過(guò)度分割的問(wèn)題。本文提出一種邊緣后驗(yàn)概率模型約束下的自適應(yīng)分割算法，利用邊緣后驗(yàn)概率模型自適應(yīng)的選擇對(duì)改進(jìn)分水嶺的分割結(jié)果用邊緣閾值分割算法做進(jìn)一步的精細(xì)分割。

本文的邊緣后驗(yàn)概率模型是在隱馬爾科夫模型思想基礎(chǔ)上建立起來(lái)的，兩部分算法由模型統(tǒng)一約束。對(duì)圖像進(jìn)行基于分水嶺算法的圖像特征分割，以此結(jié)果作為輸入，此處建立圖像分割的邊緣契合度概念[2]，即分割結(jié)果邊緣像素點(diǎn)的鄰域相似性。設(shè)像素點(diǎn)p的坐標(biāo)為（x，y），則在它的水平和垂直方向上一共有4個(gè)相鄰的像素點(diǎn)，它們的坐標(biāo)如下：（x+1，y），（x-1，y），（x，y+1），（x，y-1）。這4個(gè)像素點(diǎn)再結(jié)合像素點(diǎn)p的對(duì)角的像素點(diǎn)統(tǒng)稱為p的四鄰域，記為N4（p）。則p的n鄰域?yàn)镹n（p），n=4×i，其中i=1，2，3，…

對(duì)分割后的圖像得到其邊緣點(diǎn)集合E，總數(shù)為Q。隨機(jī)點(diǎn)集合為S（邊緣集，edge set）是定義在E上的一族個(gè)數(shù)為m的隨機(jī)點(diǎn)集合，每個(gè)點(diǎn)有鄰域空間（neighbor space）為L(zhǎng)={1，2，3，…，i}，表示該點(diǎn)的鄰域范圍。邊緣后驗(yàn)概率模型包含兩個(gè)要素，即邊緣集和鄰域空間。邊緣集S中的每個(gè)位置通過(guò)一個(gè)鄰域系統(tǒng)發(fā)生聯(lián)系，邊緣集S的鄰域定義如下：

N={Np|p∈S}

式中，Np是位置p的鄰域。

當(dāng)鄰域空間L取為i時(shí)，邊緣集S中每個(gè)點(diǎn)與其鄰域（n=4×i）點(diǎn)的像素值差的均值為：

Gmean（p）=

式中，f（p）代表像素點(diǎn)p處的灰度值;k=（1+2i）2-1為鄰域內(nèi)像素點(diǎn)的總數(shù)。

則邊緣集S鄰域的像素值差小于z的邊緣契合度為：

P（S）=

式中，∑k（Gmean（p）>z）為像素差均值大于z的個(gè)數(shù)。

裂縫病害預(yù)處理效果如圖1所示。

2? ? 圖像特征分類算法

本文基于支持向量機(jī)[3]與最近鄰法相結(jié)合的分類器對(duì)圖像目標(biāo)進(jìn)行識(shí)別與分類，將有病害與無(wú)病害的圖像分隔開來(lái)，減少需要進(jìn)一步處理的數(shù)據(jù)量，提高隧道檢測(cè)圖像處理的效率。

算法拓?fù)鋱D如圖2所示。SVM分類器核心是建立一個(gè)超平面作為深度學(xué)習(xí)特征分類決策曲面，使得裂紋病害優(yōu)選特征正例和反例之間的隔離邊緣最大化。對(duì)于圖像二維線性可分情況，需要進(jìn)行圖像裂紋信息和背景信息最優(yōu)分類面的構(gòu)建，旨在保證兩類樣本正確分割，而且需要使得正負(fù)樣本分類間隔最大。在高維空間，最優(yōu)分類面代表的核函數(shù)就是最優(yōu)分類面函數(shù)。

本文利用SVM線性分類器構(gòu)建一個(gè)圖像超平面將裂紋信息和背景信息分離，利用深度學(xué)習(xí)網(wǎng)絡(luò)構(gòu)造的樣本特征描述進(jìn)行裂紋和背景的聚類，實(shí)現(xiàn)目標(biāo)圖像ROI（感興趣區(qū)域）和非ROI（非感興趣區(qū)域）的分類選擇。利用實(shí)際工程中采集的數(shù)據(jù)進(jìn)行驗(yàn)證，選取1 000張有病害的圖像進(jìn)行識(shí)別分類，采用本文方法裂縫病害的分類準(zhǔn)確率可達(dá)到90%以上。

3? ? 結(jié)語(yǔ)

文中提出了一種基于改進(jìn)分水嶺分割法的圖像預(yù)處理方法，使用基于支持向量機(jī)與最近鄰法相結(jié)合的快速分類算法，對(duì)病害進(jìn)行了有效分類。隨著數(shù)據(jù)的不斷積累，該算法的準(zhǔn)確率會(huì)不斷提高，最終達(dá)到完全自動(dòng)識(shí)別的目標(biāo)。

[參考文獻(xiàn)]

[1] 吳宏濤.多形態(tài)幾何約束的道路障礙物檢測(cè)新方法[J].山西交通科技，2019（4）：48-49.

[2] 葉柳波，陳晨，陳鑫，等.基于圖像識(shí)別技術(shù)的零部件表面裂紋檢測(cè)系統(tǒng)研究[J].科技信息，2010（20）：16-17.

[3] 康健，杜向黨，白龍.火車輪對(duì)熒光磁粉探傷圖像的裂紋識(shí)別技術(shù)研究[J].機(jī)械與電子，2013（12）：44-46.

收稿日期：2020-03-25

作者簡(jiǎn)介：劉博（1988—），男，山西太原人，工學(xué)碩士，工程師，研究方向：機(jī)電一體化。