馬正軍，英紅，付琴，談至明，陳智杰

（1.同濟大學道路與交通工程教育部重點實驗室，上海 201804；2.桂林電子科技大學建筑與交通工程學院，廣西桂林 541004；3.廣西交通投資集團有限公司，廣西南寧 530028）

嵌縫料損壞誘發(fā)眾多水泥混凝土路面病害，如錯臺、脫空等.在進行水泥混凝土路面狀況評定時，嵌縫料損壞程度是必須考察的一個重要指標［1］.嵌縫料損壞程度與路面接縫（橫向）完好性密切相關［2－6］.目前，嵌縫料損壞評價主要依靠人工，費時費力且不安全.隨著道路圖像檢測車在路面病害檢測中的應用，采用數(shù)字圖像處理技術對水泥混凝土路面嵌縫料損壞進行評價，準確度高，速度快，具有重要的實際應用價值.

1 接縫定位

根據(jù)水泥混凝土路面接縫圖像具有的特征，對接縫進行定位，具體步驟（見圖1）為：先將水泥混凝土路面接縫的彩色圖像變換為灰度圖像，利用中值濾波過濾灰度圖像中的隨機噪聲；利用圖像的灰度特征對接縫進行粗定位，定位的邊界是通過傅里葉正逆變換過濾投影數(shù)組中的低頻分量，將接縫板邊投影峰值凸顯出來，根據(jù)接縫板邊投影峰值提取包括接縫以及小部分水泥板邊緣的圖像；對上述圖像進行Kirsch 邊緣檢測［7］，增強接縫板邊緣圖像能量，并用最大熵閾值分割法［8］對圖像做二値化處理，然后利用接縫的直線特征，用Hough變換［9］找到1條或2條接縫邊緣，得到接縫的傾角，再通過圖像的旋轉校正，使接縫或垂直或平行于圖像底邊，最后在旋轉后的圖像內分別做灰度、邊緣投影，并用一維傅里葉變換過濾高頻分量，根據(jù)邊緣和灰度投影的峰態(tài)找到接縫的準確位置，完成接縫的精定位.

接縫處的灰度投影呈多峰或單峰狀況（見圖2），單峰又分為單主峰和單偏峰，單主峰和單偏峰可通過峰值和峰寬來辨別.一般，單主峰的峰值遠大于單偏峰的峰值.

當接縫處的灰度投影呈多峰狀況（見圖2（a））時，接縫處的邊緣投影一般有2個最大峰，但這2個最大峰可能并不對應接縫的2條邊界.水泥混凝土路面接縫處的嵌縫料由于老化與水泥板塊脫離，留下狹長的縫隙.另外，由于啃邊的大量存在，接縫邊界變得模糊.綜合這些因素，將邊緣投影最大2個峰外側第1個灰度投影峰值作為接縫邊界：首先確定邊緣投影的2個最強峰A 峰和B峰，然后根據(jù)A 峰找到其左側距離最近的灰度投影峰C 峰，由B 峰找到其右側距離最近的灰度投影峰D 峰，最后由C 峰和D 峰所在位置確定接縫的邊界.

接縫處灰度投影呈單主峰狀況（見圖2（b））一般是由于接縫處嵌縫料全部脫落，該處完全由空隙占據(jù)所造成的.在這種情況下，接縫邊界由邊緣投影的2個最大峰E，F(xiàn)峰位置確定.

灰度投影呈單偏峰（見圖2（c））狀況時，接縫邊界由灰度投影單偏峰H 峰和距離H 峰較遠的邊緣投影J峰位置確定.

2 嵌縫料損壞類型

嵌縫料損壞類型分為5類，分別為基本完好型（Ⅰ）、少量失黏型（Ⅱ）、脫邊型（Ⅲ）、斷裂型（Ⅳ）和脫落型（Ⅴ），如圖3所示.

圖3 嵌縫料損壞類型Fig.3 Types of joint sealant rupture

基本完好型（Ⅰ）：嵌縫料與水泥板塊之間只有極少量的空隙或完全沒有空隙；少量失黏型（Ⅱ）：嵌縫料與水泥板塊之間存在少量的空隙；脫邊型（Ⅲ）：嵌縫料與水泥板塊之間存在較大的空隙；斷裂型（Ⅳ）：嵌縫料斷裂，但未從接縫中脫落；脫落型（Ⅴ）：接縫中部分或全部的嵌縫料缺失.

3 嵌縫料損壞類型識別

3.1 嵌縫料損壞特征提取

提取嵌縫料損壞特征，分別為空隙相對寬度wr，空隙相對位置Pr，空隙外接矩形相對寬度wR，r和空隙投影相對值Vr；分類器采用線性直接判別式法分類器和BP神經(jīng)網(wǎng)絡分類器.

如圖4，將接縫圖像縫寬記作w；外接矩形寬度記作wR，i；垂直于接縫方向對接縫的每個位置做孔隙計數(shù)，記作N（x）；孔隙的上邊界縱坐標記作U（x）；下邊界縱坐標記作D（x）；接縫方向的圖像坐標記作x；接縫兩邊界縱坐標分別記作y＋，y－.

圖4 嵌縫料損壞特征定義Fig.4 Definition of joint sealant rupture features

wr，Pr，wR，r和Vr定義如下：

式中：mi為空隙i的起始位置橫坐標；li為空隙沿接縫方向的長度；Si為每個孔隙區(qū)域面積；M，N 分別為圖像的長和寬.

3.2 嵌縫料損壞類型識別流程

嵌縫料5種損壞類型中，基本完好和少量失黏型損壞的特征是孔隙較多，但孔隙非常??；脫邊型損壞一般空隙寬度值較小，位置偏離接縫中心，N（x）有相當多的點大于1；斷裂和脫落型損壞的空隙寬度、位置和N（x）值相似，但脫落型損壞的空隙長度遠遠大于斷裂型損壞的空隙長度.考慮到脫邊、斷裂、脫落這3種損害類型可能共同存在，情況較復雜，因此首先將斷裂和脫落型損壞看作為一類缺陷，利用BP神經(jīng)網(wǎng)絡和直接判別式法分類器按嵌縫料的空隙特征將脫邊型損壞識別出來，再根據(jù)斷裂與脫落型損壞的長度差異將兩者分離.對于小空隙，只做統(tǒng)計.嵌縫料損壞分類流程繪于圖5.在圖5中，l1為小空隙過濾閾值，取0.01l，l為接縫長度；l2為脫落與斷裂型損壞的分割閾值，取0.1l；l3為基本完好與少量失黏型損壞的分割閾值，取0.05l.由于1條接縫中小空隙、脫邊、斷裂和脫落可能同時存在，將各自缺陷長度分別累加到Lb，Lc，Ld和Le中.

3.3 模式識別分類器

從300余條接縫圖像中選取了610個損壞樣本，選取其中310個樣本作為訓練樣本，300個作為驗證樣本.

圖5 嵌縫料損壞類型識別流程Fig.5 Flow chart of joint sealant rupture pattern recognition

3.3.1 線性直接判別式法

采用線性直接判別式法進行訓練，訓練特征參數(shù)為wr，Pr，wR，r，Vr，模式分為2種，脫邊用0表示，斷裂和脫落用1表示.經(jīng)過訓練，建立了多元回歸方程：

式中：β0～β4為回歸系數(shù)；ε為誤差項.將訓練樣本及驗證樣本的回歸誤差分別繪于圖6（a），（b）.以0.5作為閾值統(tǒng)計識別錯誤率，結果見表1.

圖6 線性直接判別式法誤差Fig.6 Error of linear discriminant

表1 線性直接判別式法識別錯誤率Table 1 Recognition error rate of linear discriminant

3.3.2 BP神經(jīng)網(wǎng)絡

（1）BP神經(jīng)網(wǎng)絡學習算法

采用動量梯度下降算法等12種BP 神經(jīng)網(wǎng)絡學習算法進行訓練，訓練參數(shù)列于表2，識別錯誤率如表3所示.通過比較訓練樣本、驗證樣本和總體樣本的識別錯誤率，選用動量梯度下降算法進行下一步訓練.

表2 BP神經(jīng)網(wǎng)絡訓練參數(shù)Table 2 Train parameters of BP network

（2）隱層神經(jīng)元個數(shù)

采用動量梯度下降算法，選用530個隱層神經(jīng)元進行訓練，訓練結果見表4.通過比較訓練樣本、驗證樣本和總體樣本的識別錯誤率，選用12個隱層神經(jīng)元進行下一步訓練.

表3 不同BP神經(jīng)網(wǎng)絡學習算法的識別錯誤率Table 3 Recognition error rate for different BP network train algorithms %

（3）訓練結果

采用動量梯度下降法，隱層神經(jīng)元個數(shù)為12，訓練代數(shù)調整為30000.多次訓練后，BP 神經(jīng)網(wǎng)絡訓練樣本和驗證樣本誤差分別如圖7（a），（b）所示，BP神經(jīng)網(wǎng)絡識別錯誤率列于表5中.

表4 不同隱層神經(jīng)元個數(shù)下的識別錯誤率Table 4 Recognition error rate at different numbers of neurons in hidden layer %

圖7 BP神經(jīng)網(wǎng)絡誤差Fig.7 Error of BP network

表5 BP神經(jīng)網(wǎng)絡識別錯誤率Table 5 Recognition error rate of BP network %

3.3.3 BP神經(jīng)網(wǎng)絡和線性直接判別式法綜合識別BP神經(jīng)網(wǎng)絡和線性直接判別式法綜合識別結果見表6.由表1，5，6可見，對總體樣本而言，線性直接判別式法較BP神經(jīng)網(wǎng)絡法的識別錯誤率高出近1倍；兩者綜合識別時，其識別錯誤率較BP 神經(jīng)網(wǎng)絡法的稍低，為5.90%，兩者判斷不一致率為7.05%，即兩者綜合識別可達到94%的識別正確率，僅約7%需人工判斷.

表6 BP神經(jīng)網(wǎng)絡和線性直接判別式法綜合識別結果Table 6 Result of integrative recognition with BP network and linear discriminant

4 結語

（1）提出了1種基于數(shù)字圖像的水泥混凝土路面嵌縫料損壞識別方法.該方法可彌補目前嵌縫料損壞評價方法的不足.

（2）基于數(shù)字圖像的水泥混凝土路面嵌縫料損壞識別方法首先通過接縫定位技術實現(xiàn)嵌縫料損壞圖像的提取，在此基礎上，利用空隙相對寬度、空隙相對位置、空隙外接矩形相對寬度和空隙投影相對值4個特征進行損壞分類，識別分類器由BP 神經(jīng)網(wǎng)絡和線性直接判別式法構成.兩者綜合識別可達到94%的識別正確率，僅約7%需人工判斷.

［1］JTG H20—2007公路技術狀況評定標準［S］.JTG H20—2007 Highway performance assessment standards［S］.（in Chinese）

［2］SIMPSON A L，RAUHUT J B，JORDAHL P R，et al.Early analysis of LTPP general pavement studies data（Volume Ⅲ）：Sensitivity analyses for selected pavement distresses（Report SHRP－P－393）［R］.Washington，D C：National Research Council，1994.

［3］YU H T，SMITH K D，DARTER M I，et al.Performance of concrete pavements（VolumeⅢ）：Improving concrete pavement performance（FHWA－RD－95－111）［R］.Washington，D C：Federal Highway Administration，1997.

［4］HOERNER T E，DARTER M I，KHAZANOVICH L，et al.Improved prediction model for PCC pavement performance－related specifications（Final report）（FHWA－RD－00－130）［R］.Washington，D C：Federal Highway Administration，2000.

［5］HOERNER T E，TARR S M，DARTER M I，et al.Guide to developing performance－related specifications for PCC pavements（Volume Ⅲ）：Appendixes C through F（FHWA－RD－98－171）［R］.Washington，D C：Federal Highway Administration，1999.

［6］PESHKIN D G，HOERNER T E，ZIMMERMAN K A.Optimal timing of pavement preventive maintenance treatment applications（NCHRP report 523）［R］.Washington，D C：Transportation Research Board，2004.

［7］KIRSCH R.A computer determination of the constituent structure of biological images［J］.Computers in Biomedical Research，1971（4）：315－328.

［8］PUN T.A new method for gray－level picture thresholding using the entropy of histogram［J］.Signal Processing，1980，2（3）：223－237.

［9］劉文耀.光電圖像處理［M］.北京：電子工業(yè)出版社，2002：230－232.LIU Wen－yao.Optoelectronic image processing［M］.Beijing：Publishing House of Electronic Industry，2002：230－232.（in Chinese）