結(jié)構(gòu)表觀病害人工標(biāo)記數(shù)據(jù)標(biāo)準(zhǔn)化批處理方法

董一慶 王達(dá)磊 潘玥 李曉婭

(1.同濟(jì)大學(xué) 土木工程學(xué)院，上海 200092;2.同濟(jì)大學(xué) 電子與信息工程學(xué)院，上海 201804;3.浙江省交通運(yùn)輸科學(xué)研究院，浙江 杭州 311305)

我國在役大跨橋梁眾多，橋梁的日常運(yùn)營和管理涉及大量的檢查和維護(hù)工作。由于人工檢測方法的便捷性和適用性，使其在大跨橋梁的日常管理養(yǎng)護(hù)中被大量采用；主要是通過目檢或借助輔助工具，由專業(yè)檢修人員對橋塔、主梁、橋面系等不同位置進(jìn)行檢測，并記錄其病害或缺損信息[1]，由此產(chǎn)生了各種類型的檢測和養(yǎng)護(hù)數(shù)據(jù)[2]。

然而，由于檢測任務(wù)面廣、量大，在檢測完成后會(huì)形成體量龐大的構(gòu)件病害原始數(shù)據(jù)。一方面，人工檢測數(shù)據(jù)龐雜且往往缺少統(tǒng)一標(biāo)準(zhǔn)，難以形成批量化的處理方法；另一方面，以手動(dòng)記錄為主的檢測數(shù)據(jù)難以高效處理，人工病害統(tǒng)計(jì)分類的工作非常繁瑣、易出差錯(cuò)[3]；最后，長期積累的海量人工檢測結(jié)果往往未形成結(jié)構(gòu)化數(shù)據(jù)，導(dǎo)致檢測數(shù)據(jù)難以支持進(jìn)一步的橋梁劣化分析。以上諸多原因，導(dǎo)致了長期以來大跨橋梁人工檢測獲得的海量數(shù)據(jù)未得到有效利用，難以有效支撐實(shí)橋的管理養(yǎng)護(hù)，更難服務(wù)于劣化規(guī)律探究和機(jī)理分析。

近年來，新型的計(jì)算機(jī)視覺檢測識別方法雖有一定程度上的發(fā)展[4- 5]，但仍存在設(shè)備硬件昂貴，算法調(diào)試及使用代價(jià)大、定量化使用困難等問題[6]；對傳統(tǒng)檢測方式進(jìn)行根本性變革尚需時(shí)日。因此，建立標(biāo)準(zhǔn)化編碼和數(shù)據(jù)批處理方法，不僅有利于人工方法和機(jī)器方法的數(shù)據(jù)兼容，而且能夠更有效地實(shí)現(xiàn)橋梁性能長期跟蹤，進(jìn)一步挖掘數(shù)據(jù)價(jià)值。

目前，工程技術(shù)領(lǐng)域的研究者已在對人工檢測數(shù)據(jù)進(jìn)行有效處理方面開展了一些研究。如通過人工檢測數(shù)據(jù)進(jìn)行橋梁有限元模型修正，融合健康監(jiān)測與人工檢測進(jìn)行綜合的橋梁技術(shù)狀況評價(jià)[7]；通過條件隨機(jī)場模型，從橋梁的檢測報(bào)告中有效提取病害信息實(shí)體，實(shí)現(xiàn)了基于特定內(nèi)容的文本分析[8]；利用自然語言處理技術(shù)，對橋梁定期檢查報(bào)告中的語言部分進(jìn)行識別和信息提取，獲取結(jié)構(gòu)化數(shù)據(jù)并存入對應(yīng)的數(shù)據(jù)庫[9]。但是，針對量大面廣的人工檢測病害標(biāo)記數(shù)據(jù)，無論是統(tǒng)一合理的編碼體系，還是自動(dòng)高效的處理算法，國內(nèi)外相關(guān)研究尚少。

有鑒于此，本研究以人工標(biāo)記的橋面鋪裝表觀病害數(shù)據(jù)為例，提出了一種基于圖像處理的人工檢測數(shù)據(jù)標(biāo)準(zhǔn)化批處理方法。首先通過標(biāo)準(zhǔn)編碼方法，按照構(gòu)件網(wǎng)格進(jìn)行病害區(qū)域柵格化，生成標(biāo)準(zhǔn)節(jié)段圖；其次基于數(shù)字圖像處理技術(shù)，進(jìn)行病害檢測和類型劃分，提取病害面積、長度等信息；最后根據(jù)檢測結(jié)果進(jìn)行數(shù)理統(tǒng)計(jì)分析，獲得病害類型和分布的分析結(jié)果。該方法可實(shí)現(xiàn)人工檢測病害數(shù)據(jù)處理的標(biāo)準(zhǔn)化和批量化，生成了可供計(jì)算機(jī)快速分析的結(jié)構(gòu)化數(shù)據(jù)，從而能夠有效支撐對鋪裝病害發(fā)展規(guī)律的揭示與趨勢預(yù)測等，為橋梁管理養(yǎng)護(hù)決策提供科學(xué)化依據(jù)。

1 鋪裝病害數(shù)據(jù)的標(biāo)準(zhǔn)化批處理方法

1.1 概述

文中提出了一種人工檢測病害數(shù)據(jù)的標(biāo)準(zhǔn)化批處理方法，其過程示意圖如圖1所示。首先開展長期化的病害數(shù)據(jù)獲取，比如裂縫、破損、坑槽等，通過人工定期檢測，標(biāo)記為構(gòu)件病害分布CAD圖。其次進(jìn)行標(biāo)準(zhǔn)化病害數(shù)據(jù)處理，第一步是標(biāo)準(zhǔn)化轉(zhuǎn)換方法，將全橋病害分布圖按照位置進(jìn)行區(qū)域劃分和編碼，實(shí)現(xiàn)網(wǎng)格式柵格化的標(biāo)準(zhǔn)尺寸病害分布圖像批量生成；第二步是進(jìn)行數(shù)字圖像處理，包括連通域分析和形態(tài)學(xué)分類技術(shù)，提取病害定量信息，按照網(wǎng)格預(yù)設(shè)標(biāo)簽生成結(jié)構(gòu)化病害數(shù)據(jù)。最后，對病害數(shù)據(jù)按時(shí)間、空間等因素進(jìn)行統(tǒng)計(jì)分析，包括病害類型分析、位置分析、橫向分布分析和縱向分布分析等。

圖1 人工檢測病害數(shù)據(jù)的標(biāo)準(zhǔn)化批處理Fig.1 Standardized manual-marked damage data batch-processing flow

1.2 鋪裝病害分類編碼

從鋪裝病害的形態(tài)來看，可分為面狀病害和線狀病害[10]。對于橋梁結(jié)構(gòu)而言，鋪裝病害的形態(tài)和位置在一定程度上反映了橋梁結(jié)構(gòu)的受力特點(diǎn)和重載分布，因此首先對鋪裝病害按表觀特征和位置特征進(jìn)行分類和編碼，結(jié)果如表1所示。

表1 鋪裝病害的分類編碼Table 1 Type coding for pavement damages

此外，對于大跨徑懸索橋，對吊桿、主梁橫隔板和主梁加勁肋進(jìn)行編號，實(shí)現(xiàn)對病害位置的描述：

行車方向(Direction):North、South

吊桿(Hanger):001、002、003、…

橫隔板(Diaphragm):001、002、003、…

加勁肋(Rib):001、002、003、…

對于單次檢測的單個(gè)病害，使用表2中所示字段進(jìn)行病害描述，形成病害處理結(jié)果標(biāo)準(zhǔn)化方案。

表2 病害描述字段Table 2 Fields of damage description

1.3 病害分布圖像網(wǎng)格式柵格化方法

為進(jìn)行批量式的鋪裝病害提取和定位，首先整合人工檢測標(biāo)記的CAD鋪裝病害數(shù)據(jù)，按照位圖圖像格式標(biāo)準(zhǔn)進(jìn)行批量導(dǎo)出，形成病害描述標(biāo)準(zhǔn)圖像，如圖2(a)所示，以相鄰吊桿或斜拉索的錨固點(diǎn)作為上下邊界，以道路中心線和護(hù)欄線作為左右邊界，對橋面區(qū)域進(jìn)行網(wǎng)格式柵格化的劃分，形成單張標(biāo)準(zhǔn)圖像范圍，實(shí)現(xiàn)對應(yīng)病害的區(qū)域分配。

因此，通過吊桿和道路中心線將全橋鋪裝范圍劃分為(n-1)×2個(gè)網(wǎng)格區(qū)域，其中n表示吊桿數(shù)量，從而得到單個(gè)標(biāo)準(zhǔn)圖，即圖2(b)，將標(biāo)準(zhǔn)圖像命名格式定義為：{年份月份}-{方向}-{吊桿起點(diǎn)}-{吊桿終點(diǎn)}.jpg，如201102-North-001-002.jpg。

對于標(biāo)準(zhǔn)圖，按照橫隔板和U肋進(jìn)行子網(wǎng)格劃分，用于病害定位和分類，如圖2(c)所示。

圖2 鋪裝病害分布圖像網(wǎng)格式柵格化方法Fig.2 Image gridding and rasterization method of pavement damage distribution

1.4 病害圖像關(guān)鍵參數(shù)提取方法

獲取標(biāo)準(zhǔn)圖后，通過基于數(shù)字圖像處理的分析算法[11- 13]，自動(dòng)化提取病害關(guān)鍵參數(shù)，流程如圖3所示。針對單張標(biāo)準(zhǔn)圖，依次進(jìn)行圖像灰度化、圖像二值化和連通域查找處理，得到圖像中包含的連通域，與病害進(jìn)行一一對應(yīng)。對于每個(gè)連通域，通過圖像細(xì)化算法，進(jìn)一步提取其骨架，從而得到連通域的完整特征。最后，通過流程式的連通域判定算法，進(jìn)行病害信息化和分類。

圖3 標(biāo)準(zhǔn)圖像處理方法Fig.3 Processing method of the standard images

1.4.1 灰度化和二值化

首先針對原始彩色圖像進(jìn)行灰度化，按式(1)對RGB三分量進(jìn)行加權(quán)平均，得到灰度圖像。

Gray(i,j)=0.299×R(i,j)+0.578×G(i,j)+

0.114(i,j)

(1)

然后采用最大類間差分法[11](Otsu提出的方法)進(jìn)行灰度圖像的二值化，該方法按照圖像灰度特性，通過求取前景和背景之間的類間方差函數(shù)、進(jìn)而取最大方差的方法進(jìn)行前景背景分割，實(shí)現(xiàn)了全局閾值場景下的圖像二值化；該方法計(jì)算簡單快速，受圖像亮度和對比度的影響小。

1.4.2 連通域查找

對于檢測病害結(jié)果，反映在數(shù)字圖像中即為連通域。連通域是指圖像中具有相同像素值且位置相鄰的像素點(diǎn)組成的圖像區(qū)域，往往針對僅有一類前景信息的二值圖像使用。二值圖像連通區(qū)域標(biāo)記(Connected Components Labeling,CCL)是圖像處理中的常用操作，設(shè)X為與數(shù)字圖像A大小相同，且滿足在A的前景像素點(diǎn)記1、背景像素點(diǎn)記0的陣列，對X按照式(2)進(jìn)行迭代，從而提取到各個(gè)連通域。

Xk=(Xk-1⊕B)∩A

(2)

式中:k=1,2,3,…;Xk-1⊕B表示結(jié)構(gòu)元B對Xk-1的膨脹運(yùn)算。

膨脹運(yùn)算的定義如式(3):

A⊕B={x,y[(B)x,y∩A]?A}

(3)

式中，通過結(jié)構(gòu)元B沿?cái)?shù)字圖像A進(jìn)行按行按列滑動(dòng)，每次提取B所在區(qū)域的最大值，即作為該點(diǎn)的運(yùn)算結(jié)果，其中x和y分別表示行方向和列方向。

Wu等[12]提出的掃描數(shù)組聯(lián)合查找(Scan plus Array-based Union-Find,SAUF)算法是CCL經(jīng)過效率優(yōu)化的算法之一，它是一種兩遍掃描法，先后進(jìn)行像素標(biāo)記和區(qū)域歸并，從而快速得到具有不同標(biāo)簽的連通域。

1.4.3 細(xì)化運(yùn)算

對于數(shù)字圖像，連通域只能得到面積、角點(diǎn)、形心點(diǎn)，在物體形狀復(fù)雜時(shí)不能獲得其線性特征(比如曲線連通域的長度信息)，因此引入圖像細(xì)化運(yùn)算。在數(shù)字圖像處理中，將數(shù)字圖像A的細(xì)化運(yùn)算定義為式(4):

A?B=A-(A#B)=A∩(A#B)c

(4)

式中，A#B表示結(jié)構(gòu)元B對數(shù)字圖像A的擊中擊不中運(yùn)算(Hit-or-Miss Transformation)。

A#B定義為

A#B=(A?B1)∩(Ac?B2)

(5)

式中,A?B1表示結(jié)構(gòu)元B1對數(shù)字圖像A的腐蝕運(yùn)算,Ac?B2表示結(jié)構(gòu)元B2對Ac的腐蝕運(yùn)算，Ac表示將A的前景和背景進(jìn)行互換。

腐蝕運(yùn)算定義如式(6):

A?B={x,y|(B)x,y?A}

(6)

式中，通過結(jié)構(gòu)元B沿?cái)?shù)字圖像A進(jìn)行按行按列滑動(dòng)，每次提取所在區(qū)域的最小值，即作為該點(diǎn)的運(yùn)算結(jié)果，其中x和y分別表示行方向和列方向。

采用Zhang等[13]提出的優(yōu)化并行細(xì)化方法，實(shí)現(xiàn)高效提取連通域骨架，由于骨架寬度為1像素，因此骨架面積即為原連通域的實(shí)際長度。

1.4.4 連通域判定算法

在獲取連通域后，需要通過算法進(jìn)行參數(shù)判定和分類，從而準(zhǔn)確獲得單個(gè)連通域所對應(yīng)的的病害標(biāo)簽。整個(gè)判定過程如圖4所示，分為連通域?qū)傩蕴崛　⒌鯒U區(qū)域判定、橫隔板區(qū)域判定、加勁肋區(qū)域判定、病害大類劃分和病害細(xì)類劃分6個(gè)子過程。

圖4 連通域判定算法Fig.4 Assessment method of the connected components

(1)連通域?qū)傩蕴崛。和ㄟ^SAUF算法獲取連通域本身屬性信息，加上細(xì)化運(yùn)算獲取連通域骨架，獲得的數(shù)據(jù)包括長度l、面積a、平均寬度w=a/l、形心橫坐標(biāo)xw、形心縱坐標(biāo)yw，左上角點(diǎn)橫坐標(biāo)x1，左上角點(diǎn)縱坐標(biāo)y1，右下角點(diǎn)橫坐標(biāo)x2，右下角點(diǎn)縱坐標(biāo)y2。

(2)吊桿區(qū)域判定：通過文件名獲取吊桿分布參數(shù)，得到吊桿起始編號hstart，結(jié)束編號hend。

(3)橫隔板區(qū)域判定：通過圖紙獲取相應(yīng)吊桿區(qū)間范圍內(nèi)的橫隔板間距參數(shù)，得到橫隔板起始編號dstart，結(jié)束編號dend。

(4)加勁肋區(qū)域判定：通過圖紙獲取相應(yīng)吊桿區(qū)間范圍內(nèi)的加勁肋間距參數(shù)，得到加勁肋起始編號rstart，結(jié)束編號rend。

(5)病害大類劃分：以連通域的長寬比作為大類劃分的依據(jù)，若長寬比不小于3，表示區(qū)域呈線狀，劃分為L類;否則表示區(qū)域呈面狀，劃分為A類。

(6)病害細(xì)類劃分：對于A類病害，判斷橫隔板起止編號之差，若差不小于2，則病害穿過橫隔板，細(xì)類為A-1;否則病害不穿過橫隔板，為A-2，如圖4右上角示意。對于L類病害，首先通過像素取值運(yùn)算I(x,y)，獲取左上角點(diǎn)、形心點(diǎn)、右下角點(diǎn)的像素值，若值大于零則表示該點(diǎn)存在病害點(diǎn)，定義病害為直線型，否則定義為曲線型；然后判斷橫隔板起止編號之差，若差不小于2則病害穿過橫隔板，否則病害不穿過橫隔板；最后判斷上下角點(diǎn)連線的斜率，若超過tan 65°，則定義病害為縱橋向，否則定義為橫橋向。

2 實(shí)例分析

以某大跨懸索橋梁多年的人工檢測鋪裝病害數(shù)據(jù)為例，按上述流程進(jìn)行數(shù)據(jù)處理，通過結(jié)果分析和效率計(jì)算，對文中提出的鋪裝病害標(biāo)準(zhǔn)化批處理方法的可行性及其快速化、標(biāo)準(zhǔn)化的優(yōu)勢進(jìn)行驗(yàn)證。

2.1 橋梁信息

背景工程為華東地區(qū)某大跨懸索橋梁(雙向6車道+兩側(cè)應(yīng)急車道)，主跨采用1 395 m扁平鋼箱梁，梁寬36.9 m，梁高3.0 m，主梁斷面如圖5所示，橋面使用環(huán)氧瀝青混凝土鋪裝。橫向分布從外向內(nèi)依次為臨時(shí)停車道、重車道、變換車道、快車道和中央分隔帶，對應(yīng)的U肋編號分別為1#-3#、4#-10#、11#-16#、17#-23#和24#，如圖6所示。

圖5 主梁斷面圖(單位：mm)Fig.5 Section drawing of the tested girder(Unit：mm)

圖6 車道和U肋分布Fig.6 Distribution of lanes and U-ribs

文中采用2011年到2014年的鋪裝人工檢測數(shù)據(jù)，檢測周期為2個(gè)月，檢測范圍涵蓋全橋。

2.2 鋪裝病害數(shù)據(jù)處理

2.2.1 數(shù)據(jù)處理過程

首先，按1.3節(jié)中所述的病害圖像網(wǎng)格式柵格化方法，以吊桿錨點(diǎn)和道路中心線為分界，對背景懸索橋橋面鋪裝的人工檢測結(jié)果進(jìn)行區(qū)域劃分和批量導(dǎo)出，形成具有時(shí)序和位置信息的病害標(biāo)準(zhǔn)圖。

然后，按照圖3所示的圖像處理算法流程，進(jìn)行基于數(shù)字圖像處理的鋪裝病害快速化批量處理，全過程示例如圖7所示。以2014年2月份的鋪裝檢查結(jié)果為例，已導(dǎo)出的201402-North-001-002.jpg如圖7(a)所示，圖像左邊界為道路中心線，右邊界為護(hù)欄線，上邊界延長線經(jīng)過2#吊桿，下邊界延長線經(jīng)過1#吊桿?；叶然蟮膱D像如圖7(b)所示，將原彩色圖像轉(zhuǎn)化為灰度圖像。采用Otsu[11]提出的全局閾值二值化方法處理后的結(jié)果如圖7(c)所示，將前景(病害)和背景(無病害區(qū)域)進(jìn)行二值分離，背景區(qū)域處理為亮度為1的白域，病害區(qū)域處理為亮度為0的黑域。

圖7 鋪裝病害圖像處理過程示例Fig.7 Example for image processing of pavement damage

接下來通過SAUF算法進(jìn)行連通域查找，為區(qū)分不同病害，分別采用不同顏色或不同編號表達(dá)，結(jié)果如圖7(d)、7(e)所示，由此獲得連通域的面積、坐標(biāo)等信息。此外，通過Zhang等[13]提出的并行細(xì)化算法進(jìn)行連通域細(xì)化處理，結(jié)果如圖7(f)所示，可見算法提取到各連通域的骨架，由此獲得連通域的長度等信息。然后，根據(jù)1.2節(jié)的病害分類編碼規(guī)則，獲得連通域?qū)?yīng)病害的類型信息。最后，將每條病害提取的結(jié)果進(jìn)行保存和入庫，形成病害數(shù)字化信息。

此外，對北向1#到2#吊桿間的鋪裝區(qū)域進(jìn)行按時(shí)序統(tǒng)計(jì)，結(jié)果如圖8所示，由圖8可看出病害發(fā)展和數(shù)量增加的過程。因此，為進(jìn)一步分析病害演化過程及規(guī)律，需將識別到的鋪裝病害按時(shí)間和空間進(jìn)行歸并，實(shí)現(xiàn)病害時(shí)空信息獲取。

圖8 同位置不同時(shí)刻的鋪裝檢測記錄Fig.8 Pavement inspection records in the same location at different time

使用配置為Intel(R) Core(TM) i7-6800K CPU @ 3.40 GHz，32 GB RAM，NVIDIA GeForce GTX 1080 Ti的計(jì)算機(jī)，對3年的數(shù)據(jù)進(jìn)行批量化圖像處理和病害數(shù)據(jù)生成，結(jié)果顯示，僅花費(fèi)183 s的時(shí)間即可完成，體現(xiàn)出了該方法相對于人工計(jì)數(shù)明顯的速度優(yōu)勢及標(biāo)準(zhǔn)化結(jié)果。

2.2.2 算法對比研究

為進(jìn)一步驗(yàn)證所使用算法的效率，本節(jié)對其中核心算法進(jìn)行同類別對比分析。圖像二值化算法主要包括Otsu[11]提出的全局閾值法和自適應(yīng)閾值法；連通域查找主要包括兩遍掃描法和多遍掃描法[14]；細(xì)化運(yùn)算主要包括Zhang等[13]提出的并行算法和Guo等[15]提出的迭代算法。各算法的效率對比結(jié)果如表3所示，由表3可見，文中所用Otsu算法、SAUF兩遍掃描法和Zhang等提出的算法在同類別算法中均為效率更優(yōu)的方法。

表3 算法效率對比Table 3 Efficiency analysis of core algorithms

2.3 病害統(tǒng)計(jì)分析

2.3.1 數(shù)量和位置分析

分析統(tǒng)計(jì)2011年2月、4月及2013年2月、4月的縱向病害數(shù)量分布，結(jié)果如圖9、圖10所示。由圖9、圖10可見，鋪裝病害沿橋梁縱向分布較為均勻。此外，根據(jù)橋梁維護(hù)報(bào)告，該橋僅在2011年8月進(jìn)行過鋪裝的整體人工修復(fù)，從圖9、圖10也可看出，未進(jìn)行人工修復(fù)干預(yù)情況下，鋪裝在承載一段時(shí)間后病害數(shù)量有明顯上升。

圖9 2011年2月和4月的縱向病害數(shù)量分布Fig.9 Quantitative distribution of longitudinal damages at February and April 2011

圖10 2013年2月和4月的縱向病害數(shù)量分布Fig.10 Quantitative distribution of longitudinal damages at February and April 2013

分析統(tǒng)計(jì)2011年2月、4月及2013年2月、4月的縱向病害數(shù)量分布，結(jié)果如圖11、圖12所示。由圖11、圖12可見，鋪裝病害沿橋梁橫向分布不均勻，在臨時(shí)停車道(1#-3#區(qū)域)、快車道(17#-23#區(qū)域)和中央分隔帶(24#區(qū)域)的病害數(shù)量很少，而較多出現(xiàn)在重車道(4#-10#區(qū)域)和變換車道(11#-16#區(qū)域)，其中5#、10#、11#、16#為較常出現(xiàn)的車轍位置，因此病害檢測結(jié)果與橋面行車規(guī)則具有一定的關(guān)聯(lián)性。

圖11 2011年2月和4月的橫向病害數(shù)量分布Fig.11 Quantitative distribution of transverse damages at February and April 2011

圖12 2013年2月和4月的橫向病害數(shù)量分布Fig.12 Quantitative distribution of transverse damages at February and April 2013

2.3.2 類型分析

對自動(dòng)識別的鋪裝病害類型分別進(jìn)行統(tǒng)計(jì)，結(jié)果如圖13所示。由圖13可見，裂縫類的線狀病害數(shù)量遠(yuǎn)多于坑槽、鼓包等面狀病害數(shù)量，且在線狀病害中，L-3型占到了大多數(shù)，即直線型且不穿過橫隔板的病害數(shù)量占主導(dǎo)。

圖13 病害類型分布示例Fig.13 Examples of distribution of pavement damage types

3 結(jié)語

針對長期以來人工檢測積累的海量數(shù)據(jù)的有效處理問題，提出了基于圖像處理的人工檢測表觀病害數(shù)據(jù)標(biāo)準(zhǔn)化批處理方法，并以某大跨橋梁鋪裝人工檢測標(biāo)記病害CAD數(shù)據(jù)為例進(jìn)行了實(shí)際處理。首先基于長期化的實(shí)橋鋪裝人工檢測CAD標(biāo)記數(shù)據(jù)，按照形態(tài)和位置進(jìn)行病害分類及編碼；其次進(jìn)行病害分布圖像的網(wǎng)格式柵格化，定義和導(dǎo)出標(biāo)準(zhǔn)位圖；然后基于數(shù)字圖像處理算法進(jìn)行標(biāo)準(zhǔn)圖像的標(biāo)準(zhǔn)化批處理，包括灰度化和二值化、連通域查找、細(xì)化運(yùn)算和連通域判定算法等，從而按照預(yù)設(shè)標(biāo)簽生成病害表，保存了規(guī)范化的鋪裝病害結(jié)構(gòu)化信息；最后進(jìn)行了鋪裝病害數(shù)據(jù)分析，包括數(shù)量和位置分析、類型分析等。

該方法引入了數(shù)字圖像處理技術(shù)，大大提高了標(biāo)準(zhǔn)化程度和處理效率，生成了結(jié)構(gòu)化的鋪裝病害信息，從而實(shí)現(xiàn)了快速化和標(biāo)準(zhǔn)化的病害數(shù)據(jù)處理和整理，獲取了一定的病害規(guī)律，為后續(xù)進(jìn)行鋪裝劣化研究提供了行之有效的數(shù)據(jù)基礎(chǔ)，通過病害劣化判斷，進(jìn)一步指導(dǎo)橋梁養(yǎng)護(hù)。此外，所提出的批量和標(biāo)準(zhǔn)化方法對于橋梁人工檢測的其他構(gòu)件病害數(shù)據(jù)、其他類型數(shù)據(jù)等，具有較強(qiáng)的可復(fù)制或可移植性。