蒲炳榮,漆泰岳,黃曉東,陳桂龍

(1.西南交通大學(xué)土木工程學(xué)院,成都 610031； 2.西南交通大學(xué)交通隧道工程教育部重點實驗室,成都 610031)

引言

近年來我國高速鐵路發(fā)展迅速，到2020年全國高鐵運營里程將達到3萬km。與此同時，截至2017年底，我國共建成高速鐵路隧道2 835座，總長4 537 km[1]，已成為全世界擁有高速鐵路隧道最多的國家。伴隨著高鐵隧道建設(shè)，隧道的養(yǎng)護也變得越發(fā)重要。

襯砌裂縫是最常見的隧道病害之一，依照裂縫形狀，常見的襯砌裂縫主要有縱向或環(huán)向的單線裂縫、分岔裂縫以及單線裂縫與分岔裂縫組合而成的復(fù)雜裂縫。對于高速鐵路隧道結(jié)構(gòu)，分岔裂縫的出現(xiàn)表明結(jié)構(gòu)已經(jīng)存在較嚴(yán)重的病害，尤其是分岔裂縫發(fā)育所形成的“孤石”襯砌塊體，將會直接威脅到高鐵列車的行車安全。1999年日本山陽新干線福崗隧道就發(fā)生了襯砌混凝土掉塊砸中列車頂部，造成列車破損的重大事故，引起了日本運輸省的高度重視，并開展了大規(guī)模的檢查和研究[2]。因此對于分岔裂縫的檢測與防治是十分必要的。

目前國內(nèi)最主要的隧道裂縫檢測方法是利用自動化檢測系統(tǒng)進行檢測，該系統(tǒng)采用CCD面陣相機對隧道襯砌進行圖像采集，然后利用數(shù)字圖像處理技術(shù)完成裂縫的識別與特征提取。

在基于數(shù)字圖像處理的裂縫特征提取上，國內(nèi)外學(xué)者已經(jīng)做過許多研究。方志[3]在混凝土表面粘貼純色標(biāo)定塊來標(biāo)定、修正原始圖像從而提取出裂縫寬度，并以正拍和斜拍圖像兩種方式對提取方法進行了驗證；王平讓[4]提出一種基于圖像局部網(wǎng)格特征的隧道襯砌裂縫自動識別方法，其在將離散的裂縫種子像素連接成為完整的連續(xù)裂縫過程中自動計算裂縫的走向、長度和寬度；劉學(xué)增[5]采用基于Zernike正交矩的圖像亞像素邊緣檢測算法獲得了裂縫邊緣，并進行裂縫寬度測量；楊松[6]結(jié)合數(shù)字圖像處理技術(shù)和分形理論，提取了圖像中裂縫及其他元素的自相似特征；Hoang-Nam Nguyen[7]利用裂縫分支呈線狀且具有局部對稱性兩個幾何性質(zhì)來檢測裂縫邊緣，并與非預(yù)期物體的邊緣進行區(qū)分；王耀東[8]提出了一種根據(jù)裂縫局部均值和標(biāo)準(zhǔn)差計算裂縫寬度的算法，用于檢測和自動標(biāo)識地鐵隧道表面的裂縫特征區(qū)域；彭博[9]將裂縫輪廓進行矢量化處理，提取了傾角、塊度、空洞等裂縫幾何特征；Baohua Shan[10]提出了一種基于立體視覺的裂縫寬度檢測方法，用于定量評價混凝土結(jié)構(gòu)表面的裂縫寬度；王睿[11]提取了裂縫的周長、平均寬度、集中度等多種特征，根據(jù)RBF-SVM算法建立了裂縫識別的自動判別模型；朱力強[12]利用Harris檢測算子獲取裂縫的角點為特征點集，采用基于Fréchet距離及Hausdorff距離的點集配準(zhǔn)算法進行特征點的配準(zhǔn)；張玉雪[13-14]依據(jù)裂縫區(qū)域的形狀特征，使用形狀分析法進行去噪和目標(biāo)提取，實現(xiàn)了裂縫的精確定位，此外還通過提取裂縫的統(tǒng)計、紋理和形狀特征，利用稀疏表示分類方法實現(xiàn)對裂縫子塊的識別；邱延峻[15]以圖像截面為研究對象，依次進行傾斜度、高斯分布、邊緣梯度3種特征檢驗，從而獲得了三維裂縫截面。

上述研究雖然能有效提取裂縫特征，但都是基于研究對象為單線裂縫的情況。本文對萬宇[16]提出的隧道襯砌單線裂縫拐點特征提取方法進行了改進，通過MATLAB軟件編程，成功地對襯砌分岔裂縫的拐點特征進行了提取，并加入了分岔點生長編碼這一分岔裂縫獨有的裂縫特征，共同為分岔裂縫的機器自動化識別提供依據(jù)，進而為實現(xiàn)隧道襯砌剝落掉塊預(yù)警奠定了基礎(chǔ)。

1 分岔裂縫骨架提取

要提取出分岔裂縫的拐點特征，需要對裂縫進行骨架提取。骨架提取流程包含圖像預(yù)處理及骨架提取。

1.1 圖像預(yù)處理

裂縫圖像的預(yù)處理主要包括圖像去噪、閾值分割以及形態(tài)學(xué)處理。首先將試驗圖像由RGB圖像轉(zhuǎn)換為灰度圖像并對圖像進行去噪。馬金祥[17]結(jié)合改進暗通道先驗和導(dǎo)向濾波方法，實現(xiàn)了圖像去噪增強；彭博[18]采用基于連通性檢測的二值圖像去噪算法和裂縫子塊去噪算法，獲得了完整連續(xù)的裂縫圖像；洪曉江[19]根據(jù)Prewitt算子推導(dǎo)出了新的5×5梯度模板進行圖像增強處理；范新南[20]通過水下生物仿生的側(cè)抑制增強機制對圖像進行增強；Qu Z[21]提出了利用亮度特征和裂紋長度特征來去除噪聲區(qū)域的基于滲流模型的去噪方法；Guo C[22]提出了一種新的核各向異性擴散濾波器用于低信噪比裂紋圖像的去噪。

沿用已有的單線裂縫圖像去噪的研究成果，本文采用自適應(yīng)Wiener濾波器對分岔圖像進行平滑處理。自適應(yīng)Wiener濾波的原則是使原始圖像與恢復(fù)圖像之間的均方誤差最小，其根據(jù)鄰域窗口的局部方差來調(diào)整濾波器效果，是一種自適應(yīng)濾波器。本文采用的鄰域窗口尺寸為10×10，處理結(jié)果如圖1所示?？梢钥闯?，該方法在保存裂縫邊緣信息的同時有效地平滑了圖像噪聲。

圖1 自適應(yīng)Wiener濾波器處理

平滑處理后，需要對圖像進行閾值分割，即通過設(shè)置閾值參數(shù)將圖像轉(zhuǎn)化為二值圖像，設(shè)置閾值過大將會使背景區(qū)域與裂縫區(qū)域混淆，閾值過小則會丟失部分裂縫信息。本文采用全局閾值分割的方法，經(jīng)過多種閾值下處理結(jié)果的比選，確定采用軟件內(nèi)閾值為0.5的分割方法，處理結(jié)果如圖2(a)所示。經(jīng)過閾值分割后的圖像完整地保留了裂縫信息，并且沒有出現(xiàn)裂縫斷裂的情況。

形態(tài)學(xué)處理包括連通區(qū)域標(biāo)記以及空洞填充。連通區(qū)域標(biāo)記是對圖像中的連通區(qū)域進行標(biāo)記，并計算出各標(biāo)記區(qū)域的像素面積，從而提取出面積最大的連通區(qū)域，即為裂縫區(qū)域。該方法可以完全消除背景區(qū)域中的干擾噪聲，只保留裂縫信息。本文采用8連通區(qū)域標(biāo)記，處理結(jié)果如圖2(b)所示，可以看到圖像四周的噪聲被完全消除。

圖2 閾值分割及標(biāo)記運算

此時放大標(biāo)記后的圖像，可以看到裂縫區(qū)域有明顯空洞，如圖3(a)所示。為了提取完整的裂縫骨架，需要對裂縫區(qū)域進行空洞填充，填充結(jié)果如圖3(b)所示。

圖3 空洞填充前后圖像對比

1.2 骨架提取

圖像預(yù)處理完成后便可進行裂縫骨架提取。所謂骨架，就是由單個像素的點組成，可以有效地反映出原物體形狀的連通性和拓?fù)浣Y(jié)構(gòu)[23]。本文首先采用拓?fù)浼?xì)化算法對圖像進行骨架的初步提取，拓?fù)浼?xì)化算法的原理是從裂縫邊界開始進行反復(fù)的迭代計算，逐層剝離裂縫的邊界像素點，直至裂縫削減為單像素寬度骨架。初步提取的結(jié)果如圖4(a)所示，可以看出裂縫骨架仍存在大量毛刺。接下來采用萬宇[16]提出的毛刺追蹤剔除算法對骨架進行處理，剔除毛刺后的裂縫骨架如圖4(b)所示?？梢钥闯鎏蕹Ч己茫羌芤堰_到拐點識別的要求，至此分岔裂縫的骨架提取工作全部完成。

圖4 骨架初步提取及毛刺剔除

2 骨架的分支化

為了簡化后續(xù)的拐點識別及特征值提取工作，提出對分岔裂縫骨架進行分支化處理，即將骨架拆分為多條分支，并將各分支的骨架像素坐標(biāo)按順序進行排列。

2.1 骨架的拆分

根據(jù)單像素寬度骨架的特點，將8鄰域內(nèi)骨架像素數(shù)量為1的像素點定義為骨架端點，將8鄰域內(nèi)骨架像素數(shù)量≥3的像素點定義為分岔點。

首先提取分岔裂縫所有骨架像素點坐標(biāo)到集合A中，通過遍歷A中各像素點的8鄰域信息，對每個像素點鄰域內(nèi)的骨架像素數(shù)量進行記錄。隨后將鄰域內(nèi)骨架像素數(shù)量為1的像素點坐標(biāo)放入集合B中，作為端點坐標(biāo)集合；將鄰域內(nèi)骨架像素數(shù)量≥3的像素點坐標(biāo)放入集合C中，作為分岔點集合。對兩個集合中的像素點在圖像中進行標(biāo)注，得到如圖5(a)所示的骨架端點和分岔點示意。

在骨架端點及分岔點的基礎(chǔ)上，將裂縫骨架劃分為枝干段與主干段兩類分支。枝干段定義為任意端點與其連通區(qū)域上與之距離最近的分岔點之間的骨架段，而各分支段之外的骨架部分則定義為主干段，據(jù)此本試驗中裂縫骨架拆分情況如圖5(b)所示。

圖5 骨架拆分示意

2.2 元胞數(shù)組的引入

元胞數(shù)組是MATLAB軟件的一種特殊數(shù)據(jù)類型，可以將其看作一種通用矩陣，或者廣義矩陣。組成元胞數(shù)組的元素稱為元胞，元胞可以是任何一種數(shù)據(jù)類型的常數(shù)或者常量，也可以是集合。本文引入元胞數(shù)組的概念，將整條分岔裂縫信息看成是一個元胞數(shù)組，而元胞數(shù)組中的每一個元胞則代表了各分支信息，包括骨架像素坐標(biāo)及拐點特征值等。以本文試驗中的裂縫為例，整條裂縫信息可以用規(guī)格為5×1的元胞數(shù)組D來表示，D中的5個元胞分別包含了4條枝干段及1條主干段信息。

2.3 分支坐標(biāo)的提取

在引入元胞數(shù)組D的基礎(chǔ)上，對骨架各分支進行坐標(biāo)提取并按順序排列，流程如下。

(1)以端點坐標(biāo)集合B中第一個端點(B(1，1)，B(1，2))為起點，將其坐標(biāo)放入元胞D{1，1}中，隨后遍歷該點的8鄰域，找到下一個骨架像素點作為中心點，并提取其坐標(biāo)放入D{1，1}中。

(2)遍歷該中心點的8鄰域，找到鄰域內(nèi)的骨架像素點，判斷各點是否已存在于D{1，1}中，若已存在則將其忽略，將余下的骨架像素點作為下一個中心點，并提取其坐標(biāo)放入D{1，1}中。

(3)按步驟(2)繼續(xù)循環(huán)，直至某中心點坐標(biāo)與分岔點集合C中的任意坐標(biāo)重合時結(jié)束循環(huán)，最終得到以端點為起點、分岔點為終點的按順序排列的分支坐標(biāo)集合D{1，1}。

(4)改變起點，重復(fù)步驟(1)～步驟(3)，同理可得D{2，1}、D{3，1}、D{4，1}。

(5)提取出D{2，1}、D{3，1}、D{4，1}中的所有坐標(biāo)并合并為集合E。因為分岔裂縫的形狀特點，將會出現(xiàn)多條分支“終點”為同一分岔點的情況，故將重復(fù)的分岔點坐標(biāo)進行剔除。剔除后的集合E與骨架像素點坐標(biāo)集合A的差集即為主干段的骨架坐標(biāo)集合，令其為元胞數(shù)組D中的最后一個元胞D{5，1}。

分支坐標(biāo)提取流程如圖6所示。

圖6 分支坐標(biāo)提取流程

3 拐點識別及特征值提取

3.1 拐點的初步識別

拐點顧名思義是指裂縫走向發(fā)生劇烈變化的點，根據(jù)Freeman鏈碼的識別算法，裂縫走向計算式為

(1)

(2)

本文針對每一段裂縫骨架分支，將其看作一條單線裂縫骨架并參照單線裂縫拐點的識別方法進行拐點識別，識別過程中采用8方向Freeman鏈碼，如圖7(a)所示。為了獲取更多拐點以利于后續(xù)裂縫匹配試驗的進行，取像素長度l為10個像素長度，閾值T為0.5，即當(dāng)?shù)趇點前后l長度的裂縫走向之差>22.5°時判定該點為拐點。經(jīng)過初步識別后的裂縫拐點如圖7(b)所示。

圖7 8方向Freeman鏈碼與拐點初步識別結(jié)果

3.2 拐點特征值的提取

初步識別后便可以對拐點進行特征值的提取，選取到前相鄰拐點的距離h1、到后相鄰拐點的距離h2、與前后相鄰拐點形成的夾角α、到前間隔拐點的距離s1、到后間隔拐點的距離s2、與前后間隔拐點形成的夾角β六類參數(shù)作為拐點特征值，如圖8所示，其中α與β均為≤180°的夾角。這6類特征值可以準(zhǔn)確地反映各拐點間的位置關(guān)系，從而描繪出分支的走向情況。由于各拐點的坐標(biāo)已知，以上6類特征值可以通過程序計算獲得。

圖8 拐點特征示意

3.3 拐點的篩選

從拐點初步識別的結(jié)果中可以看出存在大量連續(xù)拐點，為了降低運算量，剔除特征不夠明顯的拐點，需要對初步識別后的拐點進行篩選。篩選工作共分3步進行：第一步，在一段連續(xù)拐點中保留Δμi最大的拐點，即前后裂縫走向變化最大的拐點，余下的拐點剔除；第二步，提取到后間隔拐點的距離s2<10個像素長度的拐點，剔除該點和其后間隔拐點中與前后相鄰拐點形成的夾角α較大的一點；第三步，剔除與前后相鄰拐點形成的夾角α>170°的拐點。篩選工作的每一步完成后都需要重新計算余下拐點的特征值，篩選工作結(jié)束后的拐點識別結(jié)果如圖9所示。

圖9 篩選后的拐點識別結(jié)果

4 分岔點生長編碼的提取

不同于單線裂縫的單一生長方向，分岔裂縫具有多方向生長的特點，因此僅對分岔裂縫各分支的特征進行分析不足以準(zhǔn)確判斷兩條裂縫是否具有“遺傳性”。本文引入分岔點生長編碼這一分岔裂縫獨有的骨架特征，借其量化分岔裂縫的初始生長方向。

首先，提取分岔點附近各分支沿其生長方向一定像素長度h內(nèi)的鏈碼均值，以表示各分支的初始生長方向。隨后參照8方向Freeman鏈碼的排序方式對各分支的鏈碼均值進行排序，將最終得到的排列結(jié)果定義為該分岔點的生長編碼。本文取h為10個像素長度，從而提取出本試驗中裂縫分岔點1和分岔點2的生長編碼，分別為1.3-4.3-6.9和0.1-2.4-4.8。由于生長編碼是基于8方向Freeman鏈碼得到的，因此兩條編碼所代表的分岔點附近分支初始生長方向分別如圖10(a)和圖10(b)所示，圖10中黑色實心方形為分岔點，加粗黑色箭頭為附近分支的初始生長方向。

圖10 分岔點鄰近分支初始生長方向

5 裂縫匹配試驗

為了檢驗拐點及分岔點生長編碼兩種特征能否為分岔裂縫的機器自動化識別提供可靠依據(jù)，設(shè)計了裂縫匹配試驗進行模擬。首先通過對初始裂縫進行“截肢”以模擬裂縫早期的形狀，同時改變裂縫在圖像中的位置以模擬CCD相機在不同位置拍攝時產(chǎn)生的偏差，得到初始裂縫的父輩裂縫圖像，如圖11所示。

圖11 父子裂縫圖像對比

隨后利用Matlab程序?qū)Ω缸觾煞鶊D像分別進行處理和識別，并提取出兩條裂縫的拐點特征值及分岔點生長編碼，其中兩條裂縫的分岔點生長編碼分別列入表1和表2。

表1 父輩裂縫分岔點生長編碼

表2 子輩裂縫分岔點生長編碼

匹配試驗的第一步是對兩條裂縫的分岔點生長編碼進行比對，即判斷兩條分岔裂縫的初始生長方向是否一致。為了方便比較，引入生長編碼偏差率Gp，即滿足

(3)

式中，b1，b2，…，bn為分岔點B的生長編碼；c1，c2，…，cn為分岔點C的生長編碼；Gp為分岔點B的生長編碼相對于分岔點C的生長編碼的偏差率。

按式(3)進行計算，由表1及表2中的結(jié)果可以得出子輩裂縫的1號分岔點相對于父輩裂縫的1號分岔點的生長編碼偏差率Gp1=0.022，子輩裂縫的2號分岔點相對于父輩裂縫的2號分岔點的生長編碼偏差率Gp2=0。本文取所有分岔點生長編碼偏差率的算術(shù)平均值來表示兩條裂縫的生長編碼偏差度，進而得到兩條裂縫的生長編碼相似度。在本試驗中，兩條裂縫的生長編碼偏差度為1.1%，生長編碼相似度達到了98.9%，結(jié)果表明兩條裂縫的初始生長方向高度一致。

匹配試驗的第二步是對兩條裂縫的拐點特征值進行比對，即判斷兩條裂縫的拐點是否具有“遺傳性”，因此需要在子輩裂縫拐點中找到與父輩裂縫拐點相匹配的子拐點。以篩選父輩裂縫中13號拐點的子拐點為例，其拐點特征值如表3所示。為了方便討論，定義同種特征值之間的偏差率為特征偏差率。以特征值h1為例，子輩拐點相對于父輩拐點的特征偏差率h1p按式(4)計算

(4)

式中，h1f為父輩任一拐點的h1特征值；h1z為子輩任一拐點的h1特征值。

首先篩選出父輩裂縫13號拐點的疑似子拐點，步驟如下。

(1)參照式(4)，計算得到每一個子輩拐點相對于父輩13號拐點的各類特征偏差率。

(2)在各類特征偏差率中取最大值Pc，作為該拐點相對于父輩13號拐點的初始偏差率，即Pc=max(h1p，h2p，αp，s1p，s2p，βp)。

(3)在所有子輩拐點對應(yīng)的初始偏差率中取最小值作為父輩13號拐點的疑似偏差率Py，即Py=min(Pc1，Pc2，…，Pcm)，其中m為子輩拐點總數(shù)；而Py所對應(yīng)的子輩拐點，稱為父輩13號拐點的疑似子拐點。

以上篩選過程如表4所示，最終得到父輩13號拐點的疑似偏差率Py=0.024，疑似子拐點為子輩24號拐點(表中框選部分)。

表3 父輩13號拐點特征值

表4 父輩13號拐點疑似子拐點篩選

注：由于各分支的首/尾拐點只含有“到后/前相鄰拐點的距離h2/h1”一個特征值，易造成錯誤匹配，因此篩選過程不考慮兩條裂縫中各分支的首/尾拐點，稱其為無效拐點，與之對應(yīng)的含有兩個及以上特征值的拐點稱為有效拐點。

同理，將余下的父輩裂縫拐點的特征值依次代入程序進行計算，得到各拐點的疑似偏差率及疑似子拐點序號，如表5所示。

表5 父輩裂縫拐點的疑似子拐點

由以上篩選過程可知，疑似子拐點是各類特征值與父輩拐點最接近的子輩拐點，而疑似偏差率則代表了該疑似子拐點與父輩拐點之間的最低相似程度。以Py≤0.1作為判定疑似子拐點真實性的標(biāo)準(zhǔn)，即認(rèn)為當(dāng)疑似拐點與父輩拐點的相似程度達到90%以上時，判定該疑似拐點即是父輩拐點真正的子拐點。從表4結(jié)果可以得出，在該標(biāo)準(zhǔn)下父子拐點匹配成功的概率達到了9/10，可以認(rèn)為兩條裂縫的拐點基本重合。

綜合兩條裂縫分岔點生長編碼和拐點特征值的比對結(jié)果，可以判定兩幅圖像來源于同一裂縫，判定結(jié)果符合預(yù)期，從而驗證了兩種特征能夠為分岔裂縫的機器自動化識別提供可靠依據(jù)。

6 結(jié)論

(1)在隧道襯砌單線裂縫特征提取研究的基礎(chǔ)上，成功對分岔裂縫的拐點進行了識別和特征值提取，并提出分岔點生長編碼這一新的裂縫特征，該特征能夠?qū)Ψ植砹芽p的初始生長方向進行量化。

(2)通過設(shè)計裂縫匹配試驗，對拐點和分岔點生長編碼兩種特征的可靠性進行驗證，試驗得出父子裂縫的生長編碼相似度達到98.9%，拐點匹配成功概率達到90%。試驗結(jié)果印證了兩條裂縫的遺傳性，符合試驗預(yù)期，兩種特征能夠作為分岔裂縫機器自動化識別的可靠依據(jù)。

(3)本文提出的特征提取算法適用于未形成閉合區(qū)域的隧道襯砌分岔裂縫，以該算法為基礎(chǔ)，進一步建立的自動化檢測系統(tǒng)能夠?qū)Ψ植砹芽p的發(fā)育進行監(jiān)測和預(yù)判，為實現(xiàn)隧道襯砌剝落掉塊預(yù)警打下基礎(chǔ)。