一種基于紋理特征分析的地鐵隧道裂縫檢測方案

張秋元，劉志全

(1.廣州南方測繪科技股份有限公司廣州分公司 智能精密測量技術(shù)部，廣東 廣州 510663；2.暨南大學(xué) 網(wǎng)絡(luò)空間安全學(xué)院，廣東 廣州 510632)

近年來，我國地鐵處于跨越式發(fā)展階段。據(jù)《2019年上半年中國內(nèi)地城軌交通線路概況》顯示，截止到2019年6月底，我國已有37座城市投入城軌交通運營，其中運營地鐵總長度達到4 656.83 km。地鐵隧道裂縫是影響地鐵安全的重要因素[1-2]，其量化檢測對營運地鐵的維護和在建地鐵的驗收都具有重要意義[3]。

當前，裂縫檢測主要依賴于傳統(tǒng)的人工巡檢方式[3-4]?；趫D像的裂縫檢測技術(shù)具有高效、精準、高度智能化等特點，能夠克服人工巡檢中工作效率低、安全風(fēng)險高等缺點，正逐漸成為裂縫檢測的主流方向[5]。文獻[2]在分塊圖像區(qū)域內(nèi)進行圖像預(yù)處理，并基于隧道裂縫紋理特征進行裂縫信息提取。文獻[6]提取公路路面的點云數(shù)據(jù)，然后對其進行插值，得到具有地理參照特征的公路路面影像圖，并通過迭代張量投票算法提取寬度大于2 cm的裂縫數(shù)據(jù)。文獻[7]提出了一種基于裂縫概率圖的裂縫檢測方法，將概率生成模型導(dǎo)出的裂縫概率圖和支持向量機計算的像素鄰域信息概率圖融合為多重概率分布圖來進行裂縫檢測。文獻[8]首先對橋梁裂縫圖像進行預(yù)處理，然后通過卷積神經(jīng)網(wǎng)絡(luò)分類模型對裂縫的嚴重程度進行分類，并根據(jù)分類結(jié)果建立橋梁結(jié)構(gòu)健康檢測系統(tǒng)。文獻[9]提出了一種阿拉伯數(shù)字方法，首先對隧道表面裂縫圖像進行裂縫粗提取，然后通過連通區(qū)域標記法和形態(tài)學(xué)方法實現(xiàn)裂縫的精細化檢測。

現(xiàn)有方案的研究對象大多為公路、橋梁和混凝土表面的裂縫圖像。與這些圖像相比，地鐵隧道中的裂縫圖像背景復(fù)雜、光照不足，其噪聲類型和現(xiàn)有方案中已考慮的類型差別也較大，因此直接將現(xiàn)有方案應(yīng)用于地鐵隧道場景時效果不佳。此外，針對地鐵隧道場景的現(xiàn)有方案較少，當裂縫圖像表面覆蓋塊狀噪聲時，存在裂縫漏識別問題。針對以上問題，本文提出了一種基于紋理特征分析的地鐵隧道裂縫檢測方案。該方案能夠高效、準確地檢測地鐵隧道裂縫信息，并自動標識裂縫區(qū)域。此外，當裂縫圖像表面覆蓋塊狀噪聲時，本文所提方案的檢測效果明顯優(yōu)于現(xiàn)有方案。

1 地鐵隧道裂縫檢測的整體框架

地鐵隧道裂縫檢測的整體框架如圖1所示，其中隧道三維激光掃描系統(tǒng)主要由三維激光掃描儀、工控機、移動小車、加速度計、光纖陀螺儀和里程計組成。在移動小車作業(yè)中，三維激光掃描儀螺旋式連續(xù)掃描生成海量的地鐵隧道空間三維點云數(shù)據(jù)。三維點云數(shù)據(jù)經(jīng)去噪、拼接等處理后，生成地鐵隧道三維模型，并同步生成地鐵隧道正射影像圖。本文以“地鐵隧道正射影像圖”為原始掃描圖像來研究地鐵隧道裂縫的自動化檢測。

圖1 地鐵隧道裂縫檢測的整體框架

2 地鐵隧道裂縫檢測算法

針對地鐵隧道正射影像圖中背景復(fù)雜、裂縫灰度與背景灰度高度相似等問題，本文提出了裂縫檢測算法的流程圖如圖2所示。首先對原始掃描圖像進行腐蝕、對比度拉伸、加權(quán)鄰域濾波等預(yù)處理以改善圖像質(zhì)量；然后對圖像進行分塊，并對分塊區(qū)域采用改進的最大類間方差法[10-11]將裂縫從背景圖像中分割出來；接著利用紋理特征分析濾除虛假裂縫信息，再進行圖像細化以得到裂縫骨架圖像；經(jīng)裂縫毛刺剔除操作后，即可實現(xiàn)地鐵隧道裂縫的自動化檢測。

圖2 本文裂縫檢測算法流程圖

2.1 圖像預(yù)處理

三維激光掃描儀利用目標反射的激光強度，在0～255范圍內(nèi)投影生成隧道正射影像圖。該圖像丟失了RGB信息，屬于灰度圖像，圖像質(zhì)量低于工業(yè)相機采集的高清隧道影像圖。對于隧道正射影像圖，采用單種圖像增強算法并不能取得滿意的效果，因此本文結(jié)合多種圖像預(yù)處理技術(shù)(腐蝕、多次限幅拉伸和改進的加權(quán)鄰域濾波)對原始掃描圖像進行預(yù)處理。

首先通過腐蝕，在小范圍內(nèi)加深裂縫灰度。相比于高斯濾波和直方圖均衡化，腐蝕能夠更好地保護圖像細節(jié)。上述幾種算法的處理效果對比如圖3所示。

圖3 圖像增強算法對比

考慮到在地鐵隧道正射影像圖中的裂縫灰度信息在灰度值一定的范圍內(nèi)波動，為了增強后續(xù)圖像二值分割的效果，本文摒棄了傳統(tǒng)的全域線性拉伸，采用改進的限幅拉伸方法對圖像進行對比度拉伸，以便加深裂縫灰度。本文還采用多次限幅拉伸來突出裂縫灰度信息。具體而言，對比度拉伸后的灰度圖f(x，y)的計算式為

f(x，y)=

(1)

式中，g(x，y)為對比度拉伸前的灰度圖；[gmin，gmax]為對比度拉伸前的灰度區(qū)間；[fmin，fmax]為對比度拉伸后的灰度區(qū)間。為增強裂縫與背景區(qū)域的對比度拉伸效果，本文進行兩次重復(fù)拉伸。

接著采用改進的平均濾波法對圖像進行加權(quán)鄰域濾波以消除圖像的噪聲和濾除突變的像素點。與常規(guī)均值濾波、中值濾波[12]等傳統(tǒng)鄰域濾波不同，為了充分利用隧道裂縫走勢特征，本文減弱了一定方向上的像素信息，其中卷積核模板W為

(2)

加權(quán)鄰域濾波后的圖像I(x，y)可由式(3)導(dǎo)出。

f(x，y)+f(x+1，y)+f(x，y+1))

(3)

圖4(b)展示了多個原始掃描圖像在預(yù)處理后的實際效果。

2.2 圖像二值分割

地鐵隧道正射影像圖的灰度直方圖大多無法呈現(xiàn)明顯的雙峰特性。地鐵隧道正射影像圖灰度信息來源于三維激光掃描儀接受目標反射的激光強度，裂縫灰度與周圍噪聲灰度相似度較高。真實地鐵隧道裂縫寬度為毫米級及亞毫米級，在本文2 mm精度的地鐵隧道正射影像圖上表現(xiàn)為2～5個像素。以上裂縫特征給圖像二值分割帶來諸多困難。若整個裂縫區(qū)域圖像直接采用改進的最大類間方差法[10-11]，利用一個閾值進行二值分割，將很難達到二值分割的目的。因此，本文將裂縫區(qū)域圖像分塊，采用多個自動化閾值進行二值分割。本文對預(yù)處理后的圖像I(x，y)進行分塊，并將分塊區(qū)域記為I1(x，y)、I2(x，y)等，分塊區(qū)域的大小默認為50×50像素，并根據(jù)圖像尺寸進行微調(diào)。然后，對每個分塊區(qū)域分別采用改進的最大類間方差法[10-11]進行二值分割，再將每個二值分塊區(qū)域拼接為完整的圖像。

最大類間方差法[10-11]將每個分塊區(qū)域分為目標區(qū)域和背景區(qū)域兩部分，并計算得到最佳閾值ti。由于地鐵隧道正射影像圖中目標區(qū)域和背景區(qū)域的灰度值相差不大，為減少背景噪聲，本文將ti改進為ti-10，并將其作為每個分塊區(qū)域二值分割的閾值。每個分塊區(qū)域二值分割后的圖像zi(x，y)可由式(4)導(dǎo)出

(4)

接著將每個zi(x，y)進行拼接以導(dǎo)出二值分割后的完整圖像z(x，y)。圖4(c)展示了多個原始掃描圖像在二值分割后的實際效果。

2.3 紋理特征分析

地鐵隧道噪聲主要分為3種：(1)點狀的離散類噪聲，例如粉塵等；(2)塊狀噪聲，例如地鐵隧道管片上的螺栓、吊裝孔、洇濕等；(3)近似裂縫的虛假噪聲，例如水痕、劃痕、細長鉤狀結(jié)構(gòu)等。單一特征的閾值控制無法一次性濾除這3類噪聲。本文選取裂縫二值圖像連通區(qū)域的面積S、周長L、矩形度R、最小外接矩形的長寬較大值M、分散度D、集中度C、圓形度e和二值紋理占有率a等8個特征作為裂縫紋理特征，并為其設(shè)置閾值，隨后提取符合閾值條件的裂縫紋理。有別于常規(guī)面積、周長、矩形度紋理特征參數(shù)，本文提出將二值紋理占有率結(jié)合7個特征參數(shù)來濾除裂縫噪聲背景，并忽略裂縫寬度近似值這一限制條件。采用該方法可在提取裂縫紋理的同時，解決塊狀噪聲覆蓋裂縫紋理的問題。本文考慮的8個裂縫紋理特征定義如下(其中二值圖像連通區(qū)域的最小外接矩形的長和寬分別設(shè)為l和w)：

(1)面積S為二值圖像連通區(qū)域包含的像素點個數(shù)；

(2)周長L為二值圖像連通區(qū)域輪廓邊緣的像素點個數(shù)；

(3)矩形度R=S/(lw)；

(4)最小外接矩形的長寬較大值為M，M=max(l，w)；

(5)分散度為D[13]，D=L2/S；

(7)圓形度為e[15]，e=4πS/L；

(8)二值紋理占有率a為

(5)

式中，β(x，y)為二值圖像z(x，y)連通區(qū)域內(nèi)的像素值。

裂縫紋理提取的具體步驟為：首先在二值分割后的完整圖像z(x，y)中計算每個連通區(qū)域Ak(x，y)的8個特征值，其中k=1，2，…，N，N為連通區(qū)域的個數(shù)；然后進行裂縫紋理的提取

Ak(x，y)=

(6)

式中，TS為面積閾值；TL為周長閾值；TR為矩形度閾值；TM為最小外接矩形的長寬較大值閾值；TD為分散度閾值；TC為集中度閾值；Te為圓形度閾值；Ta為二值紋理占有率閾值；在紋理特征分析后，進行形態(tài)學(xué)的腐蝕膨脹運算以修復(fù)裂縫斷裂的部分。多個原始掃描圖像在紋理特征分析后的實際效果如圖4(d)所示。

2.4 裂縫毛刺剔除

為完成后續(xù)裂縫長度、寬度測量和裂縫紋理的標注工作，本文采用文獻[16]的快速并行細化算法對紋理特征分析后的二值圖像進行細化以得到裂縫骨架圖像。該算法屬于拓撲細化法，利用火燒稻草模型，從二值圖像的邊界開始，向內(nèi)層層剝離，反復(fù)迭代，直至生成單像素的裂縫骨架圖像。多個原始掃描圖像在圖像細化后的實際效果如圖4(e)所示。

在以上圖像細化過程中會產(chǎn)生一系列毛刺，它們作為裂縫骨架的無用短小分支，嚴重影響裂縫長度和寬度的計算，因此本文進行了裂縫毛刺剔除。

設(shè)每個骨架分支為Nk(i，j)，其中k=1，2，…，N′，N′為骨架分支的個數(shù)。對Nk(i，j)中的任意點(i，j)，取其3×3鄰域

Dk(i，j)=

{(m，n)|i-1≤m≤i+1，j-1≤n≤j+1}

(7)

如果Dk(i，j)中(m，n)坐標的像素值Pk(m，n)滿足式(8)，則稱點(i，j)為端點，即骨架分支Nk(i，j)的結(jié)束點；如果Pk(m，n)滿足式(9)，則稱點(i，j)為節(jié)點，即骨架分支Nk(i，j)的起始點。

(8)

(9)

此外，骨架分支Nk(i，j)的長度Lk采用8方向鏈碼(即Freeman編碼)[17]進行計算

(10)

式中，Nek為偶數(shù)鏈碼的個數(shù)；Nok為奇數(shù)鏈碼的個數(shù)。若Lk小于骨架分支長度閾值，則將Nk(i，j)視為毛刺并剔除，其具體過程如式(11)所示。

(11)

多個原始掃描圖像在裂縫毛刺剔除后的實際效果如圖4(f)所示。

圖4 裂縫檢測效果分步顯示

3 實驗測試與結(jié)果分析

本文首先采用移動小車(運行速度為800 m·h-1)和Faro掃描儀(型號為FocusS150，正射影像圖的檢測精度為2 mm)實地掃描廣州地鐵4號線萬勝圍站到車陂南站的隧道表面以獲得真實的裂縫圖像，并將其作為實驗的原始掃描圖像。然后，根據(jù)廣州地鐵4號線、7號線、深圳地鐵2號線等隧道表面真實裂縫圖像的灰度信息，并結(jié)合紋理特征分析為方案中各參數(shù)設(shè)置經(jīng)驗值，其中Ts=6×min(l，w)，TL=20，TR=0.75，TM=20，TD=25，TC=0.6，Te=0.4，Ta=0.19，Tl=15。選中裂縫區(qū)域并進行裂縫的自動化檢測與標注，部分的裂縫檢測結(jié)果如圖5所示，其中裂縫標注的第1個數(shù)字為地鐵隧道環(huán)號，第2個數(shù)字為該環(huán)的裂縫序號。值得注意的是，在裂縫檢測中出現(xiàn)了裂縫斷裂(如21-2裂縫和366-1裂縫)、局部裂縫丟失(如503-1裂縫)等現(xiàn)象，但這并不影響對裂縫整體走勢的判斷。針對三維激光掃描獲得的地鐵隧道裂縫圖像，本文所提算法在選中裂縫區(qū)域后能夠較好地將裂縫從背景灰度中分離出來。裂縫骨架圖像在裂縫毛刺剔除后得到單像素裂縫骨架圖能夠較為準確地描述裂縫主體走勢。在裂縫區(qū)域圖像上利用若干個像素寬度的曲線繪制裂縫骨架圖的輪廓，即可實現(xiàn)裂縫的自動化檢測與標注。

此外，本文以文獻[2]所提的算法(簡稱Wang算法)作為對照方案。由于三維激光掃描與工業(yè)相機的圖像采集方式和圖像分辨率均存在差異，因此Wang算法的圖像預(yù)處理部分采用本文所提算法。裂縫檢測效果對比如圖6所示。由圖可知，當裂縫表面不存在塊狀噪聲時，兩種算法均能夠準確地檢測出裂縫。然而，當裂縫表面存在塊狀噪聲時，Wang算法會出現(xiàn)裂縫漏識別，而本文所提方案仍然能夠準確地檢測出裂縫。其原因是Wang算法在進行紋理特征分析時，將裂縫二值圖像中目標點總數(shù)與裂縫骨架圖像中目標點總數(shù)的比值近似計算為裂縫寬度，并將真實裂縫寬度的像素點個數(shù)作為閾值來篩除虛假裂縫，導(dǎo)致裂縫漏識別。而本文所提算法通過8個特征值來濾除虛假裂縫，當裂縫表面存在塊狀噪聲時的檢測效果優(yōu)于現(xiàn)有方案。

圖6 裂縫檢測效果對比

當裂縫表面不存在塊狀噪聲時，或在復(fù)雜環(huán)境存在塊狀噪聲覆蓋裂縫表面區(qū)域時，本文算法均可有效地檢測出裂縫信息，體現(xiàn)了本文算法檢測的完備性與全面性。

4 結(jié)束語

為實現(xiàn)對地鐵隧道裂縫的自動化檢測，本文提出了一種基于紋理特征分析的地鐵隧道裂縫檢測方案。該方案首先對裂縫圖像采用多種圖像增強、去噪手段相結(jié)合的預(yù)處理算法以改善圖像質(zhì)量；然后對圖像進行分塊并對分塊區(qū)域采用改進的最大類間方差法進行二值分割，并利用8個特征值濾除虛假裂縫；接著采用一種新穎的裂縫毛刺剔除算法以濾除骨架的無用短小分支并保留主體走勢；最終實現(xiàn)地鐵隧道裂縫的自動化檢測。此外，本文基于實地采集的地鐵隧道真實裂縫圖像進行了諸多實驗，并與現(xiàn)有方案進行了對比。實驗結(jié)果表明，針對三維激光掃描獲得的地鐵隧道裂縫圖像，本文所提算法在選中裂縫區(qū)域后能夠較好地將裂縫從背景灰度中分離出來，并可實現(xiàn)裂縫的自動化檢測與標注，且當裂縫表面存在塊狀噪聲時，本文所提算法的檢測效果明顯優(yōu)于現(xiàn)有方案。在后續(xù)工作中，本文將對裂縫圖像的8個特征和灰度共生矩陣的多個統(tǒng)計參數(shù)進行特征篩選，然后引入機器學(xué)習(xí)算法對圖像分塊并進行真假裂縫的自動分類，使地鐵隧道裂縫檢測算法更加智能化。