唐西婭

（湖南工業(yè)大學(xué)，湖南 株州 412007）

大型建筑墻體裂痕視覺自動(dòng)監(jiān)測(cè)系統(tǒng)設(shè)計(jì)

唐西婭

（湖南工業(yè)大學(xué)，湖南 株州 412007）

大型建筑墻體裂痕的檢測(cè)過程中，存在較多的噪聲因素，使得以信號(hào)回波方法為基礎(chǔ)的裂痕監(jiān)測(cè)無法對(duì)區(qū)域進(jìn)行分類，回波誤差較大。因此，提出采用基于“塊”圖像的BP神經(jīng)網(wǎng)絡(luò)方法，設(shè)計(jì)大型建筑墻體裂痕視覺自動(dòng)檢測(cè)系統(tǒng)，該系統(tǒng)利用圖像可對(duì)墻體分區(qū)的優(yōu)勢(shì)完成系統(tǒng)的優(yōu)化，系統(tǒng)的硬件由監(jiān)控控制模塊、圖像采集模塊、圖像處理模塊、存儲(chǔ)模塊以及監(jiān)控結(jié)果顯示模塊組成。系統(tǒng)通過系統(tǒng)設(shè)置、數(shù)據(jù)分析、資料庫維護(hù)、圖像采集、圖像處理和圖像分析6大功能模塊，實(shí)現(xiàn)建筑墻體裂痕視覺的自動(dòng)監(jiān)測(cè)。依據(jù)“塊”圖像的BP神經(jīng)網(wǎng)絡(luò)方法，對(duì)墻體裂痕圖像進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果說明，設(shè)計(jì)系統(tǒng)監(jiān)測(cè)效果較好，具備較高的監(jiān)測(cè)效率和準(zhǔn)確率。

大型建筑；墻體裂痕；視覺檢測(cè)系統(tǒng)；自動(dòng)監(jiān)測(cè)

0 引言

隨著科技和經(jīng)濟(jì)的快速發(fā)展，建筑行業(yè)的發(fā)展速度也不斷提高。由于建筑服役時(shí)間的逐漸增加，建筑墻體會(huì)出現(xiàn)不同程度以及類型的裂痕，對(duì)人民群眾的人身安全和經(jīng)濟(jì)損失造成巨大威脅[1?3]。因此，如何對(duì)大型建筑墻體裂痕進(jìn)行自主監(jiān)測(cè)，具有重要的應(yīng)用價(jià)值。大型建筑墻體裂痕的檢測(cè)過程中，存在較多的噪聲因素，使得以往方法的裂痕監(jiān)測(cè)誤差較高，無法實(shí)現(xiàn)墻體裂痕的實(shí)時(shí)自動(dòng)監(jiān)控要求。而通過機(jī)器視覺技術(shù)可實(shí)現(xiàn)建筑物裂痕的實(shí)時(shí)監(jiān)測(cè)，該技術(shù)逐漸成為相關(guān)人員分析的熱點(diǎn)[4?6]。

當(dāng)前存在較多的計(jì)算機(jī)視覺監(jiān)測(cè)方法，但都存在相應(yīng)的問題，如文獻(xiàn)[7]分析的根據(jù)圖像邊區(qū)域生長(zhǎng)的方法，將圖像處理過程劃分成不同過程，實(shí)現(xiàn)圖像缺陷監(jiān)測(cè)，但是其效率低，不適用于大型建筑墻體裂痕監(jiān)測(cè)。文獻(xiàn)[8]提出了基于視覺系統(tǒng)的圖像缺陷監(jiān)測(cè)方法，其將傾斜入射光當(dāng)成光源，再通過視覺系統(tǒng)對(duì)采集圖像進(jìn)行分析操作，實(shí)現(xiàn)缺陷監(jiān)測(cè)，但是該種方法要求光源具有穩(wěn)定性，具有較高的局限性。文獻(xiàn)[9]中通過多重閾值方法，實(shí)現(xiàn)建筑裂痕的檢測(cè)，其針對(duì)墻體裂縫的相對(duì)厚度和裂縫的種類，選取合理的閾值，完成裂縫的評(píng)估，但是該方法受光照強(qiáng)度的波動(dòng)影響，選取的閾值存在較高的差異，無法用于檢測(cè)光照強(qiáng)度較弱的建筑墻體裂痕。文獻(xiàn)[10]通過ANSYS有限元運(yùn)算程序，塑造墻體裂痕分析模型，獲取建筑墻體材質(zhì)和周邊應(yīng)力分布，對(duì)墻體裂痕的干擾，實(shí)現(xiàn)墻體裂痕的實(shí)時(shí)自主檢測(cè)，但是該種方法

檢測(cè)效率較低。

1 建筑墻體裂痕視覺自動(dòng)監(jiān)測(cè)系統(tǒng)的改進(jìn)設(shè)計(jì)

1.1 系統(tǒng)硬件邏輯設(shè)計(jì)

硬件是大型建筑墻體裂痕視覺自動(dòng)監(jiān)測(cè)系統(tǒng)的基礎(chǔ)，其結(jié)構(gòu)如圖1所示，主要包括監(jiān)控控制模塊、圖像采集模塊、圖像處理模塊、存儲(chǔ)模塊以及監(jiān)控結(jié)果顯示模塊。其中，監(jiān)控控制模塊可對(duì)墻壁表面進(jìn)行監(jiān)測(cè)和調(diào)控；圖像采集和處理模塊可實(shí)現(xiàn)建筑墻體圖像的采集、處理以及裂紋的識(shí)別；光源模塊則為總體系統(tǒng)提供照明服務(wù)。監(jiān)控控制中，上位機(jī)對(duì)下位機(jī)反饋的圖像處理結(jié)果，得出相關(guān)的決策，為管理人員提供分析依據(jù)。如果建筑墻體進(jìn)入拍攝區(qū)域，則監(jiān)控控制模塊中的上位機(jī)向下位機(jī)傳遞開始采集質(zhì)量，下位機(jī)控制圖像采集模塊，完成建筑墻體圖像的采集。監(jiān)控控制模塊將最終的建筑墻體裂痕檢測(cè)結(jié)果通過監(jiān)控結(jié)果顯示模塊呈現(xiàn)給用戶，同時(shí)將相應(yīng)的墻體裂痕監(jiān)測(cè)數(shù)據(jù)保存在存儲(chǔ)設(shè)備中。

圖1 大型建筑墻體裂痕視覺自動(dòng)監(jiān)測(cè)系統(tǒng)硬件結(jié)構(gòu)圖

1.2 監(jiān)測(cè)系統(tǒng)軟件的邏輯設(shè)計(jì)

系統(tǒng)的軟件結(jié)構(gòu)功能如圖2所示。系統(tǒng)設(shè)置、數(shù)據(jù)綜合分析、資料維護(hù)、墻面圖像采集、裂痕圖像處理以及圖像分析。

下面就部分功能模塊的作用進(jìn)行說明：

（1）墻面圖像采集模塊

墻面圖像采集模塊由圖像獲取和圖像重建組成，該模塊將CCD攝像機(jī)當(dāng)成圖像獲取工具，并使用快門與單場(chǎng)采集技術(shù)并附以高頻光源，使其可在1 m/s的線速度下對(duì)建筑墻體圖像實(shí)施動(dòng)態(tài)采集。

（2）裂痕圖像處理模塊

裂痕圖像處理模塊由圖像預(yù)處理和圖像分割兩部分組成，該模塊將由圖像采集模塊獲取的建筑墻體圖像，變換成二值圖像，為后續(xù)獲取圖像特征和缺陷點(diǎn)判斷提供基礎(chǔ)。通過CCD攝像機(jī)采集建筑墻體圖像時(shí)，會(huì)受到光電轉(zhuǎn)換噪聲、光線強(qiáng)度以及脈沖等因素的干擾，使得采集的建筑墻體圖像中存在不同的噪聲和畸變，因此，需要對(duì)圖像進(jìn)行濾波處理，降低不同噪聲的干擾，再對(duì)圖像進(jìn)行預(yù)處理，將墻面圖像轉(zhuǎn)換成某種標(biāo)準(zhǔn)的形式。

圖2 大型建筑墻體裂痕視覺自動(dòng)監(jiān)測(cè)系統(tǒng)軟件體系結(jié)構(gòu)

（3）裂痕圖像特征分析模塊

裂痕圖像特征分析模塊由圖像特征獲取和缺陷點(diǎn)判斷兩部分，其基于圖像處理模塊獲取的建筑墻體二值圖像，通過基于“塊”圖像的BP神經(jīng)網(wǎng)絡(luò)的墻體裂痕識(shí)別方法，對(duì)建筑墻體裂痕進(jìn)行準(zhǔn)確判別。

（4）資料庫維護(hù)模塊

資料庫維護(hù)模塊可對(duì)系統(tǒng)數(shù)據(jù)進(jìn)行刪除、添加、修改以及檢索等操作，并實(shí)現(xiàn)數(shù)據(jù)的分析和統(tǒng)計(jì)，形成報(bào)表。

1.3 基于“塊”圖像BP神經(jīng)網(wǎng)絡(luò)的軟件設(shè)計(jì)理論基礎(chǔ)

依據(jù)圖像處理模塊獲取的建筑墻體二值圖像，采用基于“塊”圖像的BP神經(jīng)網(wǎng)絡(luò)方法，對(duì)建筑墻體裂痕進(jìn)行識(shí)別。在識(shí)別中，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲取最佳網(wǎng)絡(luò)結(jié)構(gòu)。采用最佳神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)大型建筑墻體裂痕的準(zhǔn)確識(shí)別。

1.3.1 基于“塊”墻體圖像的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練

通過基于“塊”圖像的BP神經(jīng)網(wǎng)絡(luò)識(shí)別模式，將建筑墻體圖像劃分成240個(gè)子圖像，也稱為“塊”墻體圖像，每塊圖像的像素為400（20×20）?；凇皦K”圖像構(gòu)建的神經(jīng)網(wǎng)絡(luò)識(shí)別模式，在識(shí)別墻體裂痕過程中，受到噪聲的干擾程度低。分析裂痕像素在“塊”圖像中所占的比例能夠判斷相應(yīng)的“塊”圖像是否是裂痕塊。通過大量實(shí)驗(yàn)可得，設(shè)置閾值為8%，若圖像中的“塊”圖像為裂痕塊，則為其設(shè)置標(biāo)識(shí)“1”，否則，為“0”。將二值“塊”圖像當(dāng)成神經(jīng)網(wǎng)絡(luò)的輸入，完成BP網(wǎng)絡(luò)的訓(xùn)練，如圖3所示。

輸出節(jié)點(diǎn)為待識(shí)別的建筑墻體裂痕類別數(shù)，本文中裂痕圖像包括無裂縫、橫向裂縫、縱向裂縫、龜裂和塊裂

5種類型，設(shè)置神經(jīng)網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù)為5。

圖3 神經(jīng)網(wǎng)絡(luò)分類器

圖3中對(duì)BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練的算法過程為：

（1）設(shè)置神經(jīng)網(wǎng)絡(luò)的權(quán)值為（0，1）之間的隨機(jī)數(shù)；

（2）輸入墻體圖像樣本及期望輸出；

（3）逐層計(jì)算輸出；

（4）從輸出層開始，調(diào)整權(quán)值，并反向調(diào)整誤差；

（5）如果誤差低于設(shè)定值，則停止，否則運(yùn)行步驟（3），繼續(xù)學(xué)習(xí)；

停止網(wǎng)絡(luò)訓(xùn)練后，保存網(wǎng)絡(luò)關(guān)系權(quán)值，為后續(xù)識(shí)別提供基礎(chǔ)。

1.3.2 建筑墻體裂痕圖像識(shí)別

進(jìn)行建筑墻體裂痕圖像識(shí)別過程中，將待識(shí)別建筑墻體圖像的圖像塊特征向量，輸入上小節(jié)完成訓(xùn)練的基于“塊”圖像的BP神經(jīng)網(wǎng)絡(luò)中，如果輸入樣本為XP={Xp1}(p=1,2,…,m)，網(wǎng)絡(luò)的期望輸出為TP={Tpk}，如果神經(jīng)網(wǎng)絡(luò)輸出層各節(jié)點(diǎn)的輸出為OP={Opk}(k=1,2,…,n為輸出節(jié)點(diǎn)的個(gè)數(shù))，閾值為T，若輸入的某個(gè)待檢測(cè)的建筑墻體圖像的特征向量Tpk，以及全部輸出節(jié)點(diǎn)的輸出Opk間的關(guān)系為|Tpk-Opk|>T，則說明待檢測(cè)的建筑墻體圖像不屬于相應(yīng)圖像數(shù)據(jù)庫中的圖像；若|Tpk-Opk|≤T，則說明待檢測(cè)的圖像屬于相應(yīng)圖像數(shù)據(jù)庫中的圖像。同時(shí)將符合|Tpk-Opk|的值最小的輸出節(jié)點(diǎn)對(duì)應(yīng)的訓(xùn)練樣本與被檢測(cè)的建筑墻體圖像相匹配。

對(duì)于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練，獲取神經(jīng)網(wǎng)絡(luò)的最佳結(jié)果。評(píng)估神經(jīng)網(wǎng)絡(luò)的性能的參數(shù)分別是：訓(xùn)練數(shù)據(jù)的網(wǎng)絡(luò)誤差(EP_trun)、測(cè)試數(shù)據(jù)的網(wǎng)絡(luò)誤差(EP_test)，訓(xùn)練數(shù)據(jù)裂痕檢測(cè)累積誤差(EI_trun)和測(cè)試數(shù)據(jù)數(shù)據(jù)裂痕檢測(cè)累積誤差(EI_test)，這些參數(shù)的表達(dá)式如下所示：

式中：t用于描述建筑墻體裂痕視覺監(jiān)測(cè)訓(xùn)練數(shù)據(jù)；TI_trun用于描述第t個(gè)訓(xùn)練數(shù)據(jù)的目標(biāo)裂痕的種類。AI_trun用于描述第t個(gè)訓(xùn)練數(shù)據(jù)的實(shí)際產(chǎn)生的裂痕種類。

式中：t用于描述建筑墻體裂痕視覺測(cè)試數(shù)據(jù)；TI_test用于描述第t個(gè)測(cè)試數(shù)據(jù)的目標(biāo)裂痕種類。AI_test用于描述第t個(gè)測(cè)試數(shù)據(jù)的實(shí)際形成的裂痕種類。

2 代碼設(shè)計(jì)

所設(shè)計(jì)的建筑墻體裂痕視覺監(jiān)測(cè)系統(tǒng)，在采集圖像文件時(shí)，需要采用VC++讀取圖像文件，完成識(shí)別，先定義圖像文件的位圖信息頭，識(shí)別代碼讀入內(nèi)存：

3 實(shí)驗(yàn)分析

通過實(shí)驗(yàn)驗(yàn)證本文設(shè)計(jì)的大型建筑墻體裂痕視覺自動(dòng)監(jiān)測(cè)系統(tǒng)性能優(yōu)劣。將基于多重閾值方法的建筑墻體裂痕檢測(cè)系統(tǒng)作為對(duì)比分析系統(tǒng)。實(shí)驗(yàn)分別采用本文系統(tǒng)和多重閾值系統(tǒng)，對(duì)某大型建筑墻體的裂痕進(jìn)行監(jiān)測(cè)，獲取的檢測(cè)結(jié)果分別如表1、表2所示。

表1 本文系統(tǒng)的監(jiān)測(cè)結(jié)果

表2 多重閾值系統(tǒng)的監(jiān)測(cè)結(jié)果

對(duì)比分析表1和表2可得，兩種系統(tǒng)對(duì)于無裂縫建筑墻體裂痕的識(shí)別率都為100%。而本文系統(tǒng)對(duì)于不同類型的建筑墻體裂痕的識(shí)別準(zhǔn)確率都優(yōu)于多重閾值系統(tǒng)。主要是因?yàn)楸疚南到y(tǒng)采用了基于“塊”圖像的BP神經(jīng)網(wǎng)絡(luò)模式，提取了在方向性方面的特征，提高了建筑墻體裂痕的識(shí)別率。分析實(shí)驗(yàn)結(jié)果可得，本文系統(tǒng)在運(yùn)算量以及識(shí)別性能上都優(yōu)于多重閾值系統(tǒng)，是一種高效的建筑墻體裂痕監(jiān)測(cè)系統(tǒng)。

為了進(jìn)一步驗(yàn)證本文系統(tǒng)的優(yōu)越性，實(shí)驗(yàn)對(duì)兩種系統(tǒng)的監(jiān)測(cè)效率進(jìn)行對(duì)比分析，結(jié)果用圖4所示。通過圖4可以看出，相對(duì)比多重閾值系統(tǒng)，本文系統(tǒng)具備更高的監(jiān)測(cè)效率，能夠?qū)Υ笮徒ㄖw裂痕進(jìn)行實(shí)時(shí)在線監(jiān)測(cè)，具有較高的應(yīng)用價(jià)值。

4 結(jié)語

本文采用基于“塊”圖像的BP神經(jīng)網(wǎng)絡(luò)方法，設(shè)計(jì)大型建筑墻體裂痕視覺自動(dòng)檢測(cè)系統(tǒng)，該系統(tǒng)的硬件由監(jiān)控控制模塊、圖像采集模塊、圖像處理模塊、存儲(chǔ)模塊和監(jiān)控結(jié)果顯示模塊組成。系統(tǒng)通過系統(tǒng)設(shè)置、數(shù)據(jù)分析、資料庫維護(hù)、圖像采集、圖像處理和圖像分析6大功能模塊，實(shí)現(xiàn)建筑墻體裂痕視覺的自動(dòng)監(jiān)測(cè)。依據(jù)“塊”圖像的BP神經(jīng)網(wǎng)絡(luò)方法，對(duì)墻體裂痕圖像進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果說明，所設(shè)計(jì)系統(tǒng)監(jiān)測(cè)效果較好，具備較高的監(jiān)測(cè)效率和準(zhǔn)確率。

圖4 兩種系統(tǒng)的監(jiān)測(cè)效率對(duì)比

[1]周恩海.高支模施工監(jiān)測(cè)技術(shù)方案[J].中國(guó)新技術(shù)新產(chǎn)品，2014（11）：145?146.

[2]燕超杰，魏建甫.房屋建筑墻體裂縫形成原因及施工防治和技術(shù)處理[J].黑龍江科學(xué)，2014（6）：287?288.

[3]王永康，顧曉東.基于FPGA的星載圖像實(shí)時(shí)處理系統(tǒng)設(shè)計(jì)[J].電子設(shè)計(jì)工程，2015（3）：179?182.

[4]馬曉鵬，曹穎.建筑施工中墻體裂縫成因分析與防治處理[J].甘肅科技縱橫，2013，42（1）：85?87.

[5]劉杰，張超.房建工程當(dāng)中砌體裂縫形成的原因及防治措施[J].門窗，2013（7）：300?301.

[6]中國(guó)建筑業(yè)協(xié)會(huì)工程質(zhì)量監(jiān)督分會(huì)主編.CSCS 182：2005智能建筑工程檢測(cè)規(guī)程[S].北京：中國(guó)計(jì)劃出版社，2015.

[7]殷際英，李功一.樓宇設(shè)備自動(dòng)化技術(shù)[M].北京：化學(xué)工業(yè)出版社，2013.

[8]張顯維.加氣混凝土砌塊填充墻抹灰裂縫防治措施淺析[J].甘肅科技，2013，29（13）：100?101.

[9]CHAIN K，KUO W C.A new digital signature scheme based on chaotic maps[J].Nonlinear Dynamics，2013，74（4）：1003?1012.

[10]HAST A，NYSJ? J，MARCHETTI A.Optimal RANSAC?to?wards repeatable algorithm for finding the optimal set[J].Jour?nal of WSCG，2013，21（1）：21?30.

Design of visual automatic monitoring system for cracks in walls of huge building

TANG Xiya
（Hunan University of Technology，Zhuzhou 412007，China）

The crack monitoring method based on the signal echo can not categorize the crack area in the detection process of wall crack for huge building due to the noise factors，and the echo error is bigger，so the BP neural network method based on "block"image is proposed.A visual automatic detection system for cracks in the walls of large building was designed.The sys?tem uses images to complete the wall division.The system hardware is composed of monitoring module，image acquisition module，image processing module，storage module and display module of monitoring results.The visual automatic monitoring of cracks in building walls is realized by six functional modules of system setting，data analysis，database maintenance，image acquisition，image processing and image analysis.The BP neural network method based on"block"images is adopted to recognize the wall cracks in images.The experimental results indicate that the designed system has good monitoring effect，and high monitoring effi?ciency and accuracy.

huge building；wall crack；visual monitoring system；automatic monitoring

TN98?34；TP391.4

A

1004?373X（2015）24?0139?04

10.16652/j.issn.1004?373x.2015.24.040

唐西婭（1972—），女，湖南株洲人，副教授，工學(xué)碩士。主要研究方向?yàn)閭鹘y(tǒng)建筑文化。

2015?08?28

教育部人文社會(huì)科學(xué)研究規(guī)劃基金（14YJA760030）