王耀東，朱力強(qiáng)，史紅梅，方恩權(quán)，楊玲芝

(1.北京交通大學(xué) 機(jī)械與電子控制工程學(xué)院，北京 100044；2.北京交通大學(xué) 載運(yùn)工具先進(jìn)制造與測(cè)控技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，北京 100044；3.廣州地鐵集團(tuán)有限公司 工程技術(shù)研發(fā)中心，廣東 廣州 510335)

近年來(lái)，國(guó)內(nèi)地鐵進(jìn)入快速發(fā)展期，以北京、上海、廣州為例，2016年底城市軌道交通總里程已超過(guò)1 500 km。早期地鐵隧道已經(jīng)進(jìn)入養(yǎng)護(hù)維修期，而新建成的地鐵隧道，也會(huì)誘發(fā)洞體形變而出現(xiàn)裂縫、漏水等隧道病害隱患[1]。如果對(duì)地鐵隧道裂縫不及時(shí)預(yù)警，隧道基礎(chǔ)設(shè)施會(huì)進(jìn)一步破壞，一旦發(fā)生事故，將會(huì)帶來(lái)巨大的生命財(cái)產(chǎn)損失，所以隧道裂縫病害成為地鐵隧道周期性巡檢的重要任務(wù)之一。

我國(guó)隧道裂縫檢測(cè)主要依靠人工巡檢和手工標(biāo)記，隨著計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展，利用圖像采集和處理技術(shù)，代替人眼完成隧道裂縫的自動(dòng)檢測(cè)，成為一個(gè)新的發(fā)展方向。隧道裂縫圖像采集和檢測(cè)系統(tǒng)，可以實(shí)現(xiàn)隧道裂縫圖像的快速采集和裂縫區(qū)域檢測(cè)，為隧道襯砌裂縫的檢測(cè)提供一種準(zhǔn)確、便捷的方法，對(duì)保證隧道長(zhǎng)期安全穩(wěn)定的運(yùn)行具有重要意義，也是未來(lái)地鐵隧道綜合檢測(cè)的研究方向。

目前，地鐵隧道表面裂縫圖像采集系統(tǒng)往往利用大型車載式結(jié)構(gòu)，針對(duì)小型檢測(cè)車的緊湊型采集系統(tǒng)研究較少。本文基于小型檢測(cè)車，設(shè)計(jì)了移動(dòng)可調(diào)節(jié)的隧道裂縫圖像采集系統(tǒng)。利用多目高速線陣相機(jī)，配合大功率激光光源，采集隧道表面的裂縫圖像。針對(duì)地鐵隧道的檢測(cè)環(huán)境，高速線陣相機(jī)和激光光源安裝于一個(gè)可調(diào)角度的圓柱形旋轉(zhuǎn)支架上，可以對(duì)準(zhǔn)局部區(qū)域進(jìn)行靈活的圖像采集，整體視覺(jué)系統(tǒng)可以在小型移動(dòng)式檢測(cè)車上左右滑動(dòng)，以得到目標(biāo)分辨率和視場(chǎng)范圍的隧道裂縫圖像。在裂縫圖像處理的算法研究中，本文提出基于分塊圖像的特征識(shí)別算法，在分塊圖像預(yù)處理的基礎(chǔ)上，設(shè)計(jì)圖像子區(qū)域紋理骨架特征計(jì)算模型，濾除偽裂縫紋理圖像的干擾，實(shí)現(xiàn)裂縫圖像的檢測(cè)。

1 相關(guān)工作與研究方案

1.1 隧道裂縫檢測(cè)技術(shù)研究現(xiàn)狀

在國(guó)外，歐美、日韓等國(guó)家和地區(qū)在隧道裂縫檢測(cè)技術(shù)的研究起步較早，文獻(xiàn)[2]設(shè)計(jì)了基于線陣CCD相機(jī)的圖像采集裝置，利用傳統(tǒng)的圖像處理算法進(jìn)行裂縫檢測(cè)，但圖像分辨率不高，且所支持的運(yùn)行速度較慢。文獻(xiàn)[3]設(shè)計(jì)了一種裂縫快速檢測(cè)系統(tǒng)，并提出一種客觀的評(píng)價(jià)裂縫的方法，但在圖像識(shí)別算法上研究較少，且使用的鹵素?zé)粽斩容^低，難以應(yīng)用于高速采集。德國(guó)和瑞士等研究機(jī)構(gòu)，利用激光掃描技術(shù)進(jìn)行隧道裂縫檢測(cè)，但像素分辨率和檢測(cè)精度有待提高[4]。日本研制了公路隧道裂縫檢測(cè)車，主要利用面陣相機(jī)采集圖像，但后期需要大量的圖像拼接處理，效率較低[5]。

在國(guó)內(nèi)，文獻(xiàn)[6]利用數(shù)碼相機(jī)進(jìn)行定點(diǎn)拍照采集圖像，并進(jìn)行裂縫的邊緣提取。文獻(xiàn)[7]設(shè)計(jì)了圖像采集方案，并對(duì)裂縫圖像進(jìn)行簡(jiǎn)單的預(yù)處理。文獻(xiàn)[8]構(gòu)造了兩個(gè)分類器分別檢測(cè)路面裂縫和區(qū)分裂縫種類，但針對(duì)紋理復(fù)雜、噪點(diǎn)較多的地鐵隧道裂縫，分類檢測(cè)算法適用性較差。文獻(xiàn)[9]針對(duì)襯砌裂縫圖像的特征提取，結(jié)合邊緣檢測(cè)與通用的OTSU算法，設(shè)計(jì)了梯度類間閾值法，圖像背景簡(jiǎn)單，不涉及實(shí)際隧道中虛假裂縫的識(shí)別，所用采集方案為單目低速采集，也沒(méi)有采集系統(tǒng)的樣機(jī)介紹。文獻(xiàn)[10]利用面陣數(shù)碼相機(jī)拍攝隧道裂縫圖像，進(jìn)行圖像處理和參數(shù)檢測(cè)，但不具有自動(dòng)圖像采集功能和硬件系統(tǒng)；所設(shè)計(jì)的識(shí)別算法基于全局紋理檢測(cè)，對(duì)于線陣相機(jī)采集的圖像，裂縫檢測(cè)速度慢、噪聲較多、識(shí)別精度低，需要進(jìn)行算法改進(jìn)。文獻(xiàn)[11]提出基于最小代價(jià)路徑搜索的路面裂縫檢測(cè)算法，通過(guò)裂縫種子點(diǎn)提取裂縫，但不適用于地鐵隧道裂縫圖像。

國(guó)內(nèi)外針對(duì)公路、隧道、混凝土結(jié)構(gòu)的裂縫，研制了圖像采集系統(tǒng)和算法理論[12]。然而，圖像采集系統(tǒng)的分辨率和清晰度有待提高，緊湊型檢測(cè)設(shè)備較少，使用靈活性有待提高，對(duì)于復(fù)雜的暗光環(huán)境，適用性不高。理論研究中，針對(duì)路面和混凝土面的裂縫檢測(cè)算法較多，對(duì)于地鐵隧道圖像處理算法，不適用于噪聲多紋理復(fù)雜的圖像。本研究針對(duì)地鐵隧道場(chǎng)景，設(shè)計(jì)了多目高速線陣相機(jī)和特殊光源相結(jié)合的緊湊型、移動(dòng)式圖像采集系統(tǒng)，并研究了圖像識(shí)別算法，從而實(shí)現(xiàn)隧道裂縫的自動(dòng)檢測(cè)。

1.2 裂縫圖像采集與檢測(cè)技術(shù)系統(tǒng)方案

圖1 裂縫圖像采集與檢測(cè)技術(shù)方案

利用軌道交通的特點(diǎn)，設(shè)計(jì)可在鋼軌上運(yùn)行的檢測(cè)車，實(shí)現(xiàn)移動(dòng)式圖像采集。由于隧道光照條件差，且需要高質(zhì)量圖像進(jìn)行后續(xù)圖像處理，為了避免圖像數(shù)據(jù)冗余，選用高速線陣相機(jī)，配合大功率激光源實(shí)現(xiàn)裂縫圖像的連續(xù)采集。設(shè)計(jì)光源與相機(jī)采集模塊、可調(diào)節(jié)支架的機(jī)械裝置，對(duì)裂縫區(qū)域進(jìn)行成像。采集系統(tǒng)安裝于移動(dòng)式檢測(cè)平臺(tái)上，進(jìn)行隧道裂縫圖像的連續(xù)高速采集，并將圖像數(shù)據(jù)存儲(chǔ)于工業(yè)計(jì)算機(jī)中，如圖1所示。

在裂縫圖像處理算法研究中，針對(duì)采集到的連續(xù)高分辨率裂縫圖像中整圖全局檢測(cè)精度較低的難點(diǎn)，設(shè)計(jì)隧道圖像區(qū)域分割算法，將裂縫圖像分成子區(qū)域，并通過(guò)區(qū)域裂縫特征分析算法完成檢測(cè)。

2 隧道裂縫圖像處理的檢測(cè)算法

線陣相機(jī)圖像采集系統(tǒng)可以連續(xù)采集裂縫圖像，避免了面陣相機(jī)采集圖像的重疊和數(shù)據(jù)冗余。線陣相機(jī)分辨率高、圖像數(shù)據(jù)量大，為提高局部檢測(cè)效果，將圖像分塊為子區(qū)域圖像，最后實(shí)現(xiàn)裂縫的檢測(cè)和區(qū)域標(biāo)記。

裂縫檢測(cè)算法流程如圖2所示，對(duì)原始圖像進(jìn)行全局圖像的預(yù)處理操作，并進(jìn)行分塊化處理。對(duì)子區(qū)域圖像進(jìn)行勻光和增強(qiáng)處理，突出裂縫紋理特征。利用直方圖分析法濾除非裂縫區(qū)域，減少計(jì)算量，并將圖像進(jìn)行二值化分割。對(duì)于二值圖像，研究紋理提取和特征判斷，最后實(shí)現(xiàn)裂縫識(shí)別。

圖2 裂縫圖像檢測(cè)算法流程

2.1 圖像預(yù)處理與區(qū)域分割

隧道襯砌表面紋理不具有RGB三通道的色彩空間分布，線陣相機(jī)以8位灰度值采集連續(xù)圖像，其像素灰度值記為G(w，h)，其中圖像高度h對(duì)應(yīng)線陣相機(jī)的分辨率，寬度w為線陣相機(jī)采集定義的連續(xù)像素列數(shù)，由用戶需求定義，一般取w≥h。

線陣相機(jī)與激光光源配合采集圖像，存在中心與周邊圖像灰度值的差異，影響圖像處理效果，需要進(jìn)行圖像灰度級(jí)均衡化和歸一化處理。計(jì)算圖像G(w，h)中灰度值為g的像素的累計(jì)概率值PG(w，h)(g)。

( 1 )

式中：n(i)為灰度值為i的像素出現(xiàn)的次數(shù)；N=w·h為圖像G(w，h)中所有的像素?cái)?shù)；L為可能的圖像灰度級(jí)數(shù)目。

利用圖像灰度值累計(jì)概率值，將所對(duì)應(yīng)的像素灰度值變換到歸一化的像素域中，定義H(w，h)為歸一化后的圖像，則新的圖像中每個(gè)像素對(duì)應(yīng)的灰度值gH(w，h)為

gH(w，h)=PG(w，h)(g)·(gmax-gmin)+gmin

( 2 )

式中：gmax為原始圖像中最大的像素灰度值；gmin為原始圖像中最小的灰度值。調(diào)整圖像灰度值對(duì)比度時(shí)，會(huì)增強(qiáng)一些散點(diǎn)噪聲。

利用圖像濾波算法降低噪聲，本文利用均值濾波進(jìn)行圖像預(yù)處理。定義矩形窗口大小為s×t，均值濾波后的圖像M(w，h)為

( 3 )

式中：Sw，h為均值濾波窗口的中心點(diǎn)與均衡化圖像H(w，h)重合時(shí)，窗口內(nèi)所有像素點(diǎn)的坐標(biāo)集合。

由于線陣相機(jī)采集的圖像具有較高的分辨率，對(duì)于預(yù)處理后的圖像M(w，h)直接進(jìn)行裂縫檢測(cè)的精度較低，所以，將其進(jìn)行分塊化處理，在分塊區(qū)域內(nèi)完成局部裂縫特征的識(shí)別。將圖像分為大小為x×y的子區(qū)域圖像，則濾波后的圖像M(w，h)可以表示為

M(w，h)=I1(x，y)+I2(x，y)+…+IN(x，y)

( 4 )

式中：下角N為子區(qū)域圖像的數(shù)量，N=w·h/(x·y)。整幅圖像分割為區(qū)域圖像In(x，y)，n=1，2，…，N，分塊參數(shù)取值，保證w，h可被x，y整除，以便后續(xù)針對(duì)分塊圖像設(shè)計(jì)裂縫檢測(cè)算法。

2.2 圖像勻光拉伸處理與背景濾波

試驗(yàn)中發(fā)現(xiàn)，對(duì)于整幅圖像使用勻光處理，往往使圖像的局部紋理灰度和對(duì)比度降低，影響裂縫特征的分析。本文對(duì)分塊后的子區(qū)域圖像進(jìn)行勻光計(jì)算，以保護(hù)裂縫紋理在局部區(qū)域的灰度表現(xiàn)?；趫D像加性模型，光照不均圖像In(x，y)可以表示為均勻圖像ID(x，y)與背景圖像IG(x，y)的和。對(duì)于目標(biāo)得到的均勻圖像，可以表示為原始圖像與背景圖像的差值。

ID(x，y)=In(x，y)-IG(x，y)+λ

( 5 )

為保證運(yùn)算前后圖像灰度值分布的一致性，引入灰度偏移量λ進(jìn)行補(bǔ)償。本文的勻光算法利用二維離散高斯平滑得到背景圖像IG(x，y)，其卷積核函數(shù)H(i，j)為3×3離散高斯卷積核；灰度偏移量λ通常取原始圖像的全像素灰度均值。

IG(x，y)=In(x，y)*H(i，j)

( 6 )

式中：X，Y為圖像In(x，y)的寬度和高度，N(x，y)為圖像的像素點(diǎn)個(gè)數(shù)。因此，可以得到均勻圖像ID(x，y)為

ID(x，y)=In(x，y)-In(x，y)*H(i，j)+

原始圖像勻光處理后，由于圖像相減造成了對(duì)比度偏低，所以利用對(duì)比度線性拉伸算法，增加圖像的反差和細(xì)節(jié)紋理信息，如式( 9 )所示。

( 9 )

式中：β為處理拉伸參數(shù)，根據(jù)經(jīng)驗(yàn)取β=32。對(duì)于裂縫圖像的紋理特性，其背景圖像占據(jù)較大面積，而裂縫紋理數(shù)據(jù)信息較少?；诖颂卣?，可以對(duì)分塊圖像進(jìn)行直方圖分析，初步濾除大面積的背景圖像，保留裂縫紋理區(qū)域。對(duì)區(qū)域拉伸圖像IE(x，y)進(jìn)行灰度均值計(jì)算。

式中：NE為圖像IE(x，y)中所有像素點(diǎn)的個(gè)數(shù)。計(jì)算圖像區(qū)域內(nèi)所有像素點(diǎn)灰度值的方差，分析圖像區(qū)域的紋理特征灰度變化量。

利用背景灰度值分布相似性，根據(jù)式(11)，可以計(jì)算得出圖像中每個(gè)分塊區(qū)域的像素灰度方差為VE，定義一幅圖像中所有分塊圖像的灰度方差為Vn，n=1，2，…，N，其中N為一幅圖像的分塊區(qū)域數(shù)量。最后，對(duì)每一幅待檢測(cè)圖像，利用分塊圖像灰度值方差的最大值和最小值計(jì)算閾值。

TB=f[max(Vn)-min(Vn)]

(12)

式中：f為背景濾波系數(shù)。因?yàn)閳D像的背景濾波為初級(jí)濾波，所以為了盡可能保留裂縫紋理，濾波系數(shù)一般取0.5～0.6，可以去除明顯的背景區(qū)域。由此，利用式(13)進(jìn)行背景濾波，簡(jiǎn)化運(yùn)算。

對(duì)于圖像區(qū)域像素值大于TB的保留其圖像紋理灰度值，進(jìn)行下一步紋理特征分析，其他區(qū)域則視為背景圖像，不參與后續(xù)計(jì)算。

2.3 區(qū)域特征判斷與裂縫識(shí)別

目標(biāo)圖像經(jīng)過(guò)上述算法處理后，按照閾值分割后的二值圖像進(jìn)行裂縫特征判斷。利用圖像最大類間方差法進(jìn)行閾值分割，對(duì)待測(cè)圖像IB(x，y)進(jìn)行二值化處理。對(duì)于不同的圖像，計(jì)算得到對(duì)應(yīng)的最佳閾值kB，則二值化圖像為

二值分割后的圖像，裂縫紋理灰度值與背景灰度值，分別按照0和255表示。對(duì)于圖像中灰度值為0的像素點(diǎn)，包括主要的裂縫紋理成分、虛假裂縫及噪點(diǎn)成分，設(shè)定其最大外接正方形表示連通區(qū)域，即為可能的裂縫紋理像素區(qū)域，定義為αk(x，y)。

根據(jù)裂縫圖像處理試驗(yàn)的經(jīng)驗(yàn)，候選裂縫像素區(qū)域αk(x，y)的噪點(diǎn)主要為離散點(diǎn)狀或塊狀紋理，虛假裂縫則為污漬或水痕，如圖3所示。對(duì)于點(diǎn)狀和塊狀噪點(diǎn)圖像，利用連通區(qū)域的二值紋理占空率可以去除虛假裂縫圖像。檢測(cè)過(guò)程為

式中：τk為候選裂縫像素區(qū)域αk(x，y)的二值目標(biāo)紋理的像素點(diǎn)個(gè)數(shù)；Nk為像素區(qū)域αk(x，y)的總像素點(diǎn)個(gè)數(shù)；βk為二值紋理占空率。

對(duì)于類似裂縫的隧道表面污漬和水痕等紋理，本文根據(jù)真實(shí)裂縫和虛假裂縫的特征差異性進(jìn)行識(shí)別。真實(shí)裂縫紋理寬度小，而虛假裂縫紋理寬度較大；真實(shí)裂縫紋理區(qū)域走向單一，而虛假裂縫紋理區(qū)域走向復(fù)雜；真實(shí)裂縫二值紋理的骨架與原圖差異小，虛假裂縫二值紋理骨架與原圖差異大。

基于以上特性，提出候選裂縫像素區(qū)域αk(x，y)的骨架圖與二值圖的比例，從而自動(dòng)識(shí)別真實(shí)的裂縫圖像。首先進(jìn)行連通區(qū)域圖像紋理的骨架提取[13]，設(shè)目標(biāo)像素點(diǎn)標(biāo)記為1，背景點(diǎn)標(biāo)記為0。定義邊界點(diǎn)是本身標(biāo)記為1，而其8連通鄰域中至少有一個(gè)標(biāo)記為0的點(diǎn)。以邊界點(diǎn)為中心的8鄰域，定義中心點(diǎn)為P1，其鄰域的8個(gè)點(diǎn)順時(shí)針?lè)謩e為P2，P3，…，P9，如圖4所示，算法對(duì)邊界點(diǎn)進(jìn)行兩步處理。

P9P2P3P8P1P4P7P6P5

圖4 細(xì)化算法示意

步驟1標(biāo)記同時(shí)滿足下列條件的邊界點(diǎn)。

式中：N(P1)為P1的非零鄰點(diǎn)的個(gè)數(shù)；S(P1)為以P2，P3，…，P9，P2為序時(shí)，這些點(diǎn)的值從0到1變化的次數(shù)。當(dāng)對(duì)全部邊界點(diǎn)都檢驗(yàn)完畢后，將所有標(biāo)記的點(diǎn)去掉。

步驟2標(biāo)記同時(shí)滿足下列條件的邊界點(diǎn)。

式(18)的前面兩個(gè)條件同式(17)，后兩個(gè)條件不同。同理，對(duì)全部邊界點(diǎn)計(jì)算完成后，將所有標(biāo)記點(diǎn)刪除。式(17)、式(18)組成一次迭代運(yùn)算，對(duì)連通區(qū)域αk(x，y)進(jìn)行反復(fù)迭代運(yùn)算，直至沒(méi)有滿足標(biāo)記條件的像素點(diǎn)出現(xiàn)，此時(shí)剩下的點(diǎn)成為本圖像區(qū)域的二值骨架圖φk(x，y)。

如圖5所示，骨架提取算法對(duì)于裂縫紋理的整體形態(tài)影響不大，二值分割后的圖像與骨架圖像的像素點(diǎn)總數(shù)差異較小。對(duì)于虛假裂縫，由于其自身的紋理復(fù)雜性，骨架提取后的整體形態(tài)有明顯改變。故利用此紋理特征進(jìn)行裂縫識(shí)別。

圖5 裂縫紋理與虛假裂縫紋理的骨架示意

計(jì)算二值圖像中目標(biāo)點(diǎn)個(gè)數(shù)τk與骨架圖像中目標(biāo)點(diǎn)個(gè)數(shù)ωk的比值。

利用式(20)結(jié)合地鐵隧道圖像進(jìn)行試驗(yàn)判斷，對(duì)于裂縫紋理圖像，裂縫寬度一般在5個(gè)像素以內(nèi)，寬度變化均勻，其比值γk不超過(guò)5。對(duì)于虛假裂縫紋理，連通區(qū)域形態(tài)復(fù)雜，其比值γk一般在5以上，所以此方法可以較好地判斷辨別裂縫的真?zhèn)巍?/p>

3 移動(dòng)式裂縫圖像采集系統(tǒng)

移動(dòng)式裂縫圖像采集系統(tǒng)可在軌道上運(yùn)行，并對(duì)隧道表面進(jìn)行快速圖像采集，主要包括隧道圖像采集系統(tǒng)和移動(dòng)式軌道小車兩部分。圖像采集系統(tǒng)將成像設(shè)備集成于可調(diào)節(jié)支架上，設(shè)備支架安裝于軌道小車上，可以根據(jù)不同的隧道尺寸調(diào)節(jié)。

3.1 多目相機(jī)圖像采集方案設(shè)計(jì)

線陣相機(jī)每次采集一列一維像素，通過(guò)相機(jī)的定向移動(dòng)形成二維圖像。對(duì)于地鐵隧道的定向移動(dòng)式特點(diǎn)，圖像采集方案選用線陣相機(jī)。

(1)線陣相機(jī)具有連續(xù)采集性能。隧道中檢測(cè)設(shè)備為軌道上定向移動(dòng)，選用線陣相機(jī)可以進(jìn)行連續(xù)拍攝形成二維圖像，避免了圖像重疊和數(shù)據(jù)冗余。

(2)隧道中照明不佳，面陣相機(jī)需要大面積的強(qiáng)光源進(jìn)行補(bǔ)光，但仍存在暗角現(xiàn)象。大功率激光光源具有穩(wěn)定聚集的特點(diǎn)，適用于弱光下的圖像采集。

(3)線陣相機(jī)具有高分辨率采集性能，通過(guò)設(shè)備的定向運(yùn)動(dòng)，對(duì)隧道表面進(jìn)行掃略式圖像采集，分辨率和采樣速率高于面陣相機(jī)，可用于寬度細(xì)小隧道裂縫的圖像采集和分析。

結(jié)合以上線陣相機(jī)的特性，本系統(tǒng)采用多目高速線陣相機(jī)，如圖6、圖7所示，利用線陣相機(jī)與大功率線光源交替安裝，高速相機(jī)采用圖像采集卡進(jìn)行設(shè)置和實(shí)時(shí)數(shù)據(jù)的傳輸、存儲(chǔ)。工控機(jī)采用固態(tài)硬盤配合Raid卡實(shí)現(xiàn)圖像數(shù)據(jù)的快速存儲(chǔ)。

1941年4月4日，熊式輝向蔣介石進(jìn)言:“領(lǐng)袖只宜以思想領(lǐng)導(dǎo)干部，功名利祿，只能奔走一般中下之士，凡為革命奮斗冒險(xiǎn)犯難而不辭者，皆思想上信仰力之驅(qū)使，故把握正確的思想路線是第一要?jiǎng)?wù)?！?實(shí)則亦是針對(duì)蔣以功名利祿籠絡(luò)干部的做法提出的改進(jìn)意見(jiàn)。

圖6 多目相機(jī)圖像采集方案設(shè)計(jì)

圖7 多目相機(jī)圖像采集裝置

3.2 多目相機(jī)圖像采集系統(tǒng)設(shè)計(jì)

3.2.1 多目相機(jī)采集裝置

本文利用3個(gè)高速線陣相機(jī)，配合兩個(gè)特制激光光源進(jìn)行圖像采集，對(duì)于隧道裂縫病害集中部分，可以調(diào)節(jié)相機(jī)位置，采集重點(diǎn)裂縫區(qū)域，如圖7所示。

圖7(a)中的旋臂裝置，可間隔安裝三個(gè)相機(jī)和兩個(gè)光源，對(duì)于不同尺寸的隧道斷面和不同距離的裂縫病害，可以調(diào)節(jié)成像位置。圖7(b)中旋臂裝置為可以左右平移和繞軸心旋轉(zhuǎn)的導(dǎo)軌支架，用于線陣相機(jī)與線狀光源的對(duì)齊調(diào)節(jié)。整體采集裝置可以安裝于檢測(cè)車上，實(shí)現(xiàn)橫向和縱向的位置調(diào)節(jié)。采集裝置參數(shù)見(jiàn)表1。

表1 采集裝置參數(shù)

3.2.2 高速線陣相機(jī)與配套光源的選型

本系統(tǒng)選擇高速工業(yè)線陣CMOS相機(jī)ral6144，水平/垂直分辨率為6 144 pixels，最大線速率80 kHz，理論上可以滿足檢測(cè)小車最大20 km/h的運(yùn)行速度，并預(yù)留外觸發(fā)接口用于不同速度的圖像采集。圖像采集中，間隔1 024行像素保存圖像，即圖像尺寸為6 144×1 024 pixels，分塊圖像為384×256 pixels。本系統(tǒng)選擇波長(zhǎng)808 nm、最大功率50 W的線狀激光光源。該光源利用特制鏡頭將光集中成一條線狀光帶，提供穩(wěn)定的強(qiáng)光源用于高速線陣相機(jī)的拍照。

為保證通光量和成像穩(wěn)定性，選擇機(jī)械固定的大光圈定焦鏡頭FL-YFL5028工業(yè)鏡頭，焦距為50 mm，光圈范圍F2.8～F22，可以滿足線陣相機(jī)的成像要求，對(duì)于不同尺寸的隧道，需要計(jì)算手動(dòng)調(diào)試參數(shù)。試驗(yàn)中，本樣機(jī)利用不超過(guò)2 m/s的速度進(jìn)行圖像采集，后續(xù)可基于自主運(yùn)行的軌道小車進(jìn)行編碼器外觸發(fā)圖像采集。

4 試驗(yàn)結(jié)果與分析

4.1 檢測(cè)系統(tǒng)軟硬件參數(shù)設(shè)置

線陣相機(jī)與光源通過(guò)手動(dòng)調(diào)節(jié)與配準(zhǔn)，設(shè)置相機(jī)與采集卡參數(shù)：增益為600，對(duì)比度為2，曝光時(shí)間為300 μs，采樣頻率(行頻)為3 000 Hz，鏡頭光圈F4，在人工手推速度下可獲取清晰的裂縫圖像。本文利用Matlab軟件的GUI功能設(shè)計(jì)界面，對(duì)圖像進(jìn)行離線處理，圖8表示處理前后的圖像結(jié)果。系統(tǒng)處理6 144×1 024 pixels的裂縫圖像，平均處理時(shí)間為2.6 s。本系統(tǒng)利用線陣相機(jī)進(jìn)行高速圖像采集，算法軟件在后期離線處理裂縫圖像。

圖8 裂縫圖像處理軟件界面

4.2 裂縫圖像檢測(cè)算法分步驗(yàn)證試驗(yàn)

分步試驗(yàn)如圖9所示，其中圖9(a)為原始圖像，圖9(b)為背景濾波與二值化分割后的圖像，即圖像中裂縫紋理和灰度值接近裂縫的噪聲紋理像素點(diǎn)灰度值是0，呈現(xiàn)黑色；背景呈白色，像素值是255。圖9(c)為基于分塊區(qū)域裂縫特征分析后的圖像，可將圖像中的噪聲大部分濾除掉。圖9(d)為裂縫紋理識(shí)別后的圖像，即將濾除噪聲后的圖像中的裂縫骨架提取出來(lái)，完成真?zhèn)瘟芽p的辨別，可清晰地觀察到裂縫的紋理走勢(shì)。圖9(e)為使用紅色矩形框?qū)⒘芽p標(biāo)注出來(lái)的圖像，將裂縫區(qū)域從識(shí)別的圖像區(qū)域中自動(dòng)標(biāo)記，可為裂縫參數(shù)計(jì)算提供數(shù)據(jù)支持。

(a)原始裂縫圖像

(b)預(yù)處理后的二值圖像

(c)分塊區(qū)域特征分析圖像

(d)裂縫紋理細(xì)化骨架圖像

(e)裂縫特征提取與標(biāo)注圖像圖9 典型裂縫圖像的檢測(cè)試驗(yàn)

從結(jié)果看出，對(duì)于圖像背景和裂縫對(duì)比度較好、灰度值差異較大的圖像，在勻光算法和二值化分割后，圖像中裂縫特征明顯，背景干擾少，可快速實(shí)現(xiàn)裂縫區(qū)域的識(shí)別與標(biāo)記。而對(duì)于圖像中裂縫紋理與背景灰度接近的圖像，會(huì)出現(xiàn)較多的噪點(diǎn)，通過(guò)區(qū)域分析算法，也可以較好地濾除背景噪聲，識(shí)別裂縫區(qū)域。然而對(duì)于細(xì)小裂縫紋理，存在一部分像素點(diǎn)灰度值與背景灰度值相近的情況，導(dǎo)致裂縫區(qū)域分析和骨架提取的過(guò)程中產(chǎn)生一定的裂縫區(qū)域斷裂情況，但是仍可以分段識(shí)別標(biāo)記裂縫區(qū)域。

4.3 裂縫圖像檢測(cè)試驗(yàn)

為了驗(yàn)證本文設(shè)計(jì)算法的適用性，選取了50幅混凝土表面裂縫圖像進(jìn)行檢測(cè)試驗(yàn)。圖10所示為6幅選取的裂縫圖像，其裂縫紋理區(qū)域具有不同的寬度、長(zhǎng)度和走向，圖像背景的噪聲干擾較小。本算法可以正確地檢測(cè)普通混凝土表面裂縫圖像，對(duì)于50幅背景簡(jiǎn)單的圖像，裂縫識(shí)別率達(dá)到0.92，由于分塊處理的細(xì)節(jié)像素點(diǎn)損失，存在一定的裂縫斷裂現(xiàn)象，但不影響整體裂縫的判斷。

圖10 普通裂縫圖像檢測(cè)試驗(yàn)

地鐵隧道表面圖像紋理多樣，圖像背景噪點(diǎn)干擾較多。為了驗(yàn)證算法對(duì)隧道紋理圖像檢測(cè)的有效性，對(duì)50張實(shí)際地鐵隧道的裂縫圖像進(jìn)行試驗(yàn)，裂縫區(qū)域的檢測(cè)率為0.84。圖11為選取的6幅地鐵隧道裂縫圖像試驗(yàn)效果圖，其中圖像背景簡(jiǎn)單的裂縫圖像，本算法可以快速準(zhǔn)確地檢測(cè)出裂縫區(qū)域；對(duì)于背景噪點(diǎn)干擾多、背景灰度值接近的裂縫圖像，其裂縫紋理出現(xiàn)一定的斷裂情況，但同樣不影響整體裂縫紋理區(qū)域的識(shí)別。

圖11 復(fù)雜紋理的隧道裂縫圖像檢測(cè)試驗(yàn)

4.4 試驗(yàn)討論

采集系統(tǒng)按照成像方式分為面陣和線陣，按照尺寸分為大型車和小型車。本文研究目標(biāo)為小型車線陣成像方式，此方案更加緊湊穩(wěn)定。而大型車的采集則具有更高的復(fù)雜度和速度，對(duì)圖像質(zhì)量要求更高，本團(tuán)隊(duì)也正在進(jìn)行此檢測(cè)技術(shù)的研究。

理論算法的研究，對(duì)于背景簡(jiǎn)單、噪點(diǎn)少的裂縫圖像，識(shí)別效果基本滿足需求，見(jiàn)表2，基于采集的圖像樣本數(shù)據(jù)，試驗(yàn)的識(shí)別率達(dá)到0.96。然而，真實(shí)隧道圖像存在更多的干擾，特別是老舊線路中滲漏水、噪點(diǎn)和低對(duì)比往往降低了檢測(cè)精度，本文所用50張裂縫樣本的檢測(cè)精度為0.84。在圖像處理算法上，為了達(dá)到更高的識(shí)別率，避免漏檢裂縫，通常會(huì)造成一定的誤檢，將圖像中部分虛假裂縫誤識(shí)別為真實(shí)裂縫，本文所提算法對(duì)綜合裂縫圖像樣本的誤檢率為0.19。對(duì)于實(shí)際中遇到的識(shí)別精度問(wèn)題，未來(lái)在算法研究上，我們將引入深度學(xué)習(xí)理論和半監(jiān)督學(xué)習(xí)理論，努力改進(jìn)以提高真實(shí)裂縫圖像的識(shí)別率，并降低虛假裂縫的誤檢率。

表2 試驗(yàn)結(jié)果分析

本文在試驗(yàn)中對(duì)比了幾種典型的隧道圖像檢測(cè)算法，包括基于圖像勻光處理的裂縫檢測(cè)算法[14]，基于SVM的裂縫識(shí)別算法[15]，基于最大熵分割的裂縫檢測(cè)算法[16]。基于圖像勻光的算法可以保留裂縫特征，但對(duì)噪聲的濾除效果最差?；谧畲箪胤指畹臋z測(cè)算法對(duì)普通裂縫圖像檢測(cè)精度為0.76，對(duì)復(fù)雜裂縫圖像的檢測(cè)精度為0.71?；赟VM的裂縫識(shí)別算法對(duì)于普通裂縫圖像的識(shí)別率達(dá)到0.97，但其主要針對(duì)線型結(jié)構(gòu)噪聲具有良好的濾除效果，對(duì)地鐵隧道裂縫圖像的識(shí)別率為0.82。本算法對(duì)隧道裂縫圖像的識(shí)別率為0.84，效果最好，但對(duì)普通裂縫圖像以及線型噪聲的濾除效果低于基于SVM的識(shí)別算法。

表3 試驗(yàn)結(jié)果對(duì)比

在圖像處理時(shí)間上，基于圖像勻光的檢測(cè)算法處理時(shí)間為2.9 s；基于最大熵分割的算法處理時(shí)間為1.8 s；基于SVM的裂縫檢測(cè)算法對(duì)每幅圖像的處理時(shí)間平均為15.2 s，時(shí)間最長(zhǎng)；本文提出的分塊處理算法的平均處理時(shí)間為2.6 s。從計(jì)算時(shí)間和檢測(cè)精度上分析，本算法的處理時(shí)間適中，后續(xù)可在提升算法性能的同時(shí)，利用GPU平行處理提高運(yùn)算速度。以上算法對(duì)隧道表面裂縫圖像進(jìn)行檢測(cè)，結(jié)果對(duì)比如圖12所示。其中，圖12(a)為原始圖像，包括典型裂縫圖像、對(duì)比度較低的裂縫圖像和線型噪聲裂縫圖像；圖12(b)為基于圖像勻光算法的處理結(jié)果，由于勻光算法對(duì)相似灰度值的像素整體均衡，造成低對(duì)比圖的較多噪聲干擾；圖12(c)為基于最大熵分割的算法，其對(duì)高對(duì)比的裂縫紋理具有較好的增強(qiáng)作用，噪聲抑制好于勻光算法，但對(duì)大塊噪聲的濾出效果不佳；圖12(d)為基于SVM的裂縫檢測(cè)算法，對(duì)裂縫特征提取準(zhǔn)確，濾除線型噪聲效果最好，但對(duì)于塊狀噪聲，不能完全濾除；圖12(e)為本文算法，對(duì)于普通裂縫的檢測(cè)效果最好，但對(duì)于線型噪聲干擾存在一定的誤檢現(xiàn)象，需要后期持續(xù)改進(jìn)。

(a)原始圖像

(b)基于圖像勻光的檢測(cè)算法

(c)基于最大熵分割的檢測(cè)算法

(d)基于SVM的檢測(cè)算法

(e)本文提出的檢測(cè)算法圖12 裂縫圖像檢測(cè)算法對(duì)比試驗(yàn)

5 結(jié)束語(yǔ)

本研究針對(duì)地鐵隧道裂縫病害，設(shè)計(jì)了軌道移動(dòng)式隧道表面圖像采集系統(tǒng)，并針對(duì)隧道裂縫紋理特性，研究了裂縫自動(dòng)識(shí)別檢測(cè)算法。本文設(shè)計(jì)的圖像采集設(shè)備裝置，可以繞中心旋轉(zhuǎn)、調(diào)節(jié)角度，對(duì)感興趣區(qū)域進(jìn)行圖像采集，且該采集裝置可整體安裝于軌道檢測(cè)小車上。提出的圖像處理算法，將圖像分塊化處理，利用連通區(qū)域的骨架紋理特性，設(shè)計(jì)了虛假裂縫紋理的識(shí)別算法。

基于研制的樣機(jī)和圖像處理算法，利用Matlab編制了裂縫區(qū)域自動(dòng)識(shí)別軟件界面，可以對(duì)裂縫圖像進(jìn)行自動(dòng)識(shí)別和裂縫特征標(biāo)記。通過(guò)對(duì)普通裂縫圖像和實(shí)際地鐵隧道裂縫圖像的檢測(cè)試驗(yàn)，可以達(dá)到0.96的普通裂縫檢測(cè)識(shí)別率，以及0.84的真實(shí)裂縫圖像檢測(cè)率。未來(lái)在檢測(cè)算法上需要加強(qiáng)對(duì)不同類型紋理噪聲的適用性，在運(yùn)算速度上，利用高性能服務(wù)器進(jìn)行多線程平行處理設(shè)計(jì)，提高圖像處理的計(jì)算效率。在圖像采集裝置的研制中，將簡(jiǎn)化機(jī)械結(jié)構(gòu)尺寸，可以更加靈活、便捷地適于地鐵隧道實(shí)際應(yīng)用。

參考文獻(xiàn)：

[1]郭一詩(shī).融合攝影測(cè)量與激光掃描技術(shù)的隧道全斷面高速動(dòng)態(tài)檢測(cè)技術(shù)研究[D].北京:北京交通大學(xué),2011.

[2]YU S,JANG J,HAN C.Auto Inspection System Using a Mobile Robot for Detecting Concrete Cracks in a Tunnel[J].Automation in Construction,2007,16(3):255-261.

[3]LEE S Y,SANG H L,DONG I S,et al.Development of an Inspection System for Cracks in a Concrete Tunnel Lining[J].Canadian Journal of Civil Engineering,2007,34(8):966-975.

[4]肖書安.隧道測(cè)量技術(shù)的發(fā)展新方向[C]//2006中國(guó)高速鐵路隧道國(guó)際技術(shù)交流會(huì)論文集,2006:653-657.

[5]鐵信.日本新干線隧道襯砌檢測(cè)車[J].現(xiàn)代城市軌道交通,2012,1(2):101.

TIE Xin.Japan Xinganxian Tunnel Lining Detection Train[J].Modern Urban Transit,2012,1(2):101.

[6]劉學(xué)增,葉康.隧道襯砌裂縫的遠(yuǎn)距離圖像測(cè)量技術(shù)[J].同濟(jì)大學(xué)學(xué)報(bào):自然科學(xué)版,2012,40(6):829-836.

LIU Xuezeng,YE Kang.A Long-distance Image Measuring Technique for Crack on Tunnel Lining[J].Journal of Tongji University:Natural Science,2012,40(6):829-836.

[7]劉曉瑞,謝雄耀.基于圖像處理的隧道表面裂縫快速檢測(cè)技術(shù)研究[J].地下空間與工程學(xué)報(bào),2009,5(S2):1624-1628.

LIU Xiaorui,XIE Xiongyao.Rapid Crack Inspection of Tunnel Surface Based on Image Processing[J].Chinese Journal of Underground Space and Engineering,2009,5(S2):1624-1628.

[8]OLIVEIRA H,CORREIA P L.Automatic Road Crack Detection and Characterization[J].IEEE Intelligent Transportation Systems Society,2013,14(1):155-168.

[9]王睿,漆泰岳,雷波,等.隧道襯砌裂縫特征提取方法研究[J].巖石力學(xué)與工程學(xué)報(bào),2015,34(6):1211-1217.

WANG Rui,QI Taiyue,LEI Bo,et al.Study on the Characteristic Extraction of Tunnel Lining Cracks[J].Chinese Journal of Rock Mechanics and Engineering,2015,34(6):1211-1217.

[10]BAI B,ZHU L,WANG Y.Subway Tunnel Crack Identification Algorithm Research Based on Image Processing[C]//International Conference on Digital Image Processing,2014.

[11]李清泉,鄒勤,毛慶洲.基于最小代價(jià)路徑搜索的路面裂縫檢測(cè)[J].中國(guó)公路學(xué)報(bào),2010,23(6):28-33.

LI Qingquan,ZOU Qin,MAO Qingzhou.Pavement Crack Detection Based on Minimum Cost Path Searching[J].China Journal of Highway and Transport,2010,23(6):28-33.

[12]錢彬,唐振民,沈肖波,等.基于多特征流形學(xué)習(xí)和矩陣分解的路面裂縫檢測(cè)[J].儀器儀表學(xué)報(bào),2016,37(7):1639-1646.

QIAN Bin,TANG Zhenmin,SHEN Xiaobo,et al.Pavement Crack Detection Based on Multi-feature Manifold Learning and Matrix Factorization[J].Chinese Journal of Scientific Instrument,2016,37(7):1639-1646.

[13]ZHANG T Y,SUEN C Y.A Fast Parallel Algorithm for Thinning Digital Patterns[J].Communications of the ACM,1984,27(3):236-239.

[14]李清泉,胡慶武.基于圖像自動(dòng)勻光的路面裂縫圖像分析方法[J].公路交通科技,2010,27(4):1-5.

LI Qingquan,HU Qingwu.A Pavement Crack Image Analysis Approach Based on Automatic Image Dodging[J].Journal of Highway and Transportation Research and Development,2010,27(4):1-5.

[15]朱力強(qiáng),白彪,王耀東,等.基于特征分析的地鐵隧道裂縫識(shí)別算法[J].鐵道學(xué)報(bào),2015,37(5):64-70.

ZHU Liqiang,BAI Biao,WANG Yaodong,et al.Subway Tunnel Crack Identification Algorithm Based on Feature Analysis[J].Journal of the China Railway Society,2015,37(5):64-70.

[16]洪霞,周牧,田增山,等.基于二維最大熵閾值分割的SIFT圖像匹配算法[J].半導(dǎo)體光電,2013,34(4):156-160,172.

HONG Xia,ZHOU Mu,TIAN Zengshan,et al.SIFT Image Matching Algorithm Based on Two-dimensional Maximum Entropy-aided Threshold Segmentation[J].Semiconductor Optoelectronics,2013,34(4):156-160,172.