石鈺鋒，彭 斌，祝志恒，耿大新，陽軍生

(1.華東交通大學 土木建筑學院，江西 南昌 330013；2．中國能源建設集團湖南省電力設計院有限公司，湖南 長沙 410007；3.中南大學 土木工程學院，湖南 長沙 410075)

0 引言

建設與運營過程中隧道襯砌由于干縮、溫度、荷載和施工等原因可能產(chǎn)生各種不同程度、類型的裂縫[1]。襯砌裂縫對隧道穩(wěn)定、耐久性及運營安全有不容忽視的影響，故此，如何進行有效的隧道裂縫現(xiàn)場調(diào)查與追蹤對隧道正常使用有重要的意義[2]。針對襯砌裂縫圖像處理國內(nèi)外研究主要有：Y. Fujita和Y. Hamamoto用Hessian矩陣計算原理及方法，利用其特征值和特征向量來區(qū)分結構形狀，將裂縫與非裂縫區(qū)分開來[3]；S. K. Sinha 和P. W. Fieguth基于統(tǒng)計過濾的識別分析原理，提出了裂縫提取識別算法[4]；M. R. Jahanshahi 和S.F.J.Masri根據(jù)圖像灰度的深度信息原理，對襯砌裂縫圖像進行表面重建和識別[5]。王平讓提出一種基于局部網(wǎng)格的隧道襯砌裂縫自動識別方法[6]，朱鑫建立了一種完整的隧道襯砌裂縫采集圖像法與檢測流程[7]，成艷枝研究設計了一套隧道襯砌裂縫的檢測系統(tǒng)，可在裂縫識別處理前對畸變圖像進行矯正[8]。

然而，由于隧道為一環(huán)形空間結構物，以上研究只能對局部圖像進行采集與檢測分析，對整個隧道襯砌裂縫情況缺乏整體的準確判斷，無法對裂縫物理特征信息(包括裂縫位置及長度)進行準確表達[9-10]。為此，本研究通過相機進行數(shù)字影像拍攝，運用自主開發(fā)的TLIM(Tunnel Layout Image Maker)軟件[11]，將所采集圖片展開后重新拼接成隧道襯砌平面展開影像，并通過圖像前處理、裂縫邊緣提取、聚類分析及連接算法，實現(xiàn)全景圖中裂縫描述的精確定位，實現(xiàn)對裂縫形態(tài)的精確描述與特征量化。

1 襯砌全景展開圖像的采集與處理

1.1 襯砌裂縫圖像采集

隧道襯砌開裂后，結構的耐久性及外觀會受一定影響，需對襯砌結構進行詳細的檢測評價，首先要對裂縫進行采集?，F(xiàn)場可根據(jù)裂縫位置選取一定長度進行裂縫全覆蓋圖像采集，采集設備為佳能70D，圖像分辨率為5 472×3 648，水平垂直分辨率均為72 dpi，拍攝距離為2～5 m。拍攝采用先縱向后環(huán)向的方法，沿S型路線進行(如圖1中指向線)，縱向常設3條基線(如圖2中相機架設位置)，環(huán)向拍攝點布置根據(jù)具體情況而定，雙車道隧道宜布置7道，縱移動步距2～3 m，確保相鄰采集圖像重疊區(qū)域面積為1/3～1/2單張圖面積，注意事項參見文獻[12]。

圖1 圖像采集重合度采集示意圖

圖2 隧道襯砌圖像采集示意圖

1.2 襯砌全景圖像展開處理

圖像采集完成后，利用隧道襯砌展開影像生成器軟件[11]進行圖像處理，根據(jù)圖像特征點【Distinctive Image Features from Scale-Invariant Keypoints】及匹配原理【Fast Approximate Nearest Neighbors with Automatic Algorithm Configuration】進行三維點云重建【Bundle Adjustment in the Large】，得到襯砌三維空間場景點云。使用隧道斷面輪廓作為流線，將隧道平縱曲線復合成的導線跡線，使用流線沿跡線的三維掃略方法，可以構造出空間網(wǎng)格(見圖3)。通過空間點云位置魯棒估計方法，可以求解出重建點云和模型網(wǎng)格的空間變換關系，使二者重疊。用三維重建得到的相機對模型網(wǎng)格進行投影，可以得到展開平面與像素的對應關系。利用該關系對照片進行重采樣，則可以對單張進行矯正。將矯正后的照片集進行平面展開并進行完整拼接，得到隧道襯砌的全景展開圖像[13]，全景圖像的x向為縱向跡線方向，y向為環(huán)向流線展開方向，如圖4所示。

圖3 空間曲面模型構建方法及其與展開圖關系

圖4 隧道襯砌全景展開圖

2 圖像邊緣提取

2.1 裂縫圖像前景色增強

由于圖像采集技術瑕疵或表面非裂縫污漬的干擾，裂縫信息可能不明顯，難以直接提取確定，需采取一定的增強手段對圖像進行調(diào)整，凸顯裂縫信息。多尺度的Retinex(MSR)圖象增強算法在保證圖像高保真度的同時又能對圖像的動態(tài)范圍進行有效壓縮。可實現(xiàn)色彩增強，局部、全局動態(tài)范圍壓縮等增強效果[14]。

MSR算法中的高斯核F(x,y)有兩個參數(shù)，一個為核的尺度參數(shù)size，是計算某個R(x,y)的時候取該點周圍區(qū)域的大小程度。另一個高斯分布的均方差sigma，影響的是對輸入圖像的加權方式，sigma越大周圍像素的權值越大。即該點的R(x,y)的值僅與它周圍size大小的區(qū)域有關。size過小則會導致區(qū)域內(nèi)的點太單一。而信息熵是衡量圖像所包含的信息量的參數(shù)，圖像的信息熵越大，圖像包含的信息就越豐富，細節(jié)就越豐富[14]，本研究選取信息熵作為參數(shù)優(yōu)選對象，見表1，通過優(yōu)選結果，本研究高斯函數(shù)參數(shù)中尺度C取161，均方差r2取為542，可得到相對較好的增強圖像，見圖5?？梢姡簣D像經(jīng)過Retinex算法處理后的圖像中細節(jié)部位得到有效突出，裂縫低灰度值像素有效增多。

2.2 基于裂縫寬度特征八方向Sobel算子邊緣檢測

2.2.1基于八方向Sobel檢測算子

基于八方向的Sobel算子在0°，22.5°， 45°，67.5°， 90°， 112.5°， 135°， 157.5°這8個方向(X軸逆

表1 參數(shù)優(yōu)化表

圖5 多尺度Retinex對比度增強圖

時針旋轉方向)對圖像進行邊緣檢測。通過各方向的算子模板與各像素作卷積運算，對運算值超過一定閾值的像素賦予前景特征顏色，最終將8個方向的特征像素匯聚到同一幅圖像中，從而得到給予8方向Sobel檢測算子檢測圖像。該算子模板按照方向依次為[8](見圖6)。

圖6 八方向Sobel檢測模板

2.2.2裂縫寬度特征

裂縫圖像呈現(xiàn)沿裂縫寬度方向范圍內(nèi)的像素灰度值較低，之外像素值較高的特點，在邊界兩側的灰度值會出現(xiàn)較大的跳躍性，整體會出現(xiàn)灰度值“雙階躍”現(xiàn)象。這種像素灰度值特征近似“溝壑”現(xiàn)象(見圖7)。將各方向內(nèi)滿足該現(xiàn)象條件的點提取為特征點，從而降低圖中“偽裂縫”的干擾，提高“真裂縫”特征點占比。

圖7 裂縫邊緣“雙階躍”現(xiàn)象圖

在圖6模板檢測基礎上，提取各特征點時采用本研究寬度特征限定算子，算法如下：

(1)將圖像各像素與8個模板分別做卷積運算，得到數(shù)組mk，在各數(shù)組中尋找最大值作為該方向下的閾值[8]。

(2)在各方向算子提取中，對于大于閾值的特征點，判斷其在該方向下的裂縫寬度范圍內(nèi)(根據(jù)裂縫最大寬度選取，本研究選取10 mm寬度)是否具有兩個及以上數(shù)量的特征點，滿足條件則保留，否則舍棄。

(3)對有兩個及以上數(shù)量特征點的像素點，判斷相鄰點之間是否有間隔非特征點，有則保留，否則舍棄。

根據(jù)裂縫寬度特征，對于各方向內(nèi)檢測值大于閾值的像素點且滿足裂縫寬度范圍內(nèi)含有間斷特征點，可判定為特征點。將不含寬度信息和含寬度信息限定算子兩種方法進行的提取結果對比如表2所示。

表2 兩種算子邊緣提取信息對比分析表

注:本研究寬度限定因子為10 mm,通過換算在本圖中即對應21 pixel。

從表2中可以看出，在經(jīng)過寬度限定算子情況下，圖像中提取的總特征點數(shù)大大減少，圖中雜點數(shù)量大大減少，裂縫特征點的占比得到有效提高。此條件下的真實裂縫點雖然存在小部分丟失，但對于裂縫骨架的基本定位影響較小。

3 圖像修正

3.1 基于最小外接矩形原理的裂縫孤立邊緣去除

最小外接矩形原理為利用某大小位置的矩形能恰好完全包含圖像中的某對象邊緣，該矩形通常指用圖像對象區(qū)域中的最大、最小橫坐標，最大、最小縱坐標定義的矩形作為其最小外接矩形[15]，再判斷各外接矩形鄰域中是否含其他矩形的原理判斷其是否為孤立邊緣。

該算法的具體流程為：

(1)對圖像進行閉運算[16]，目的為將近距離斷開特征點區(qū)域進行連接，對圖像中孔洞及微小鄰接區(qū)域進行初步合并。(2)獲取所有連通邊緣區(qū)域的最小外接矩形。(3)以某個連通域的最小外接矩形為中心，該矩形大小為模板大小，判斷其八鄰域模板大小范圍內(nèi)是否存在其他外接矩形，如果有，則判斷為非孤立點，否則為孤立點，對其進行舍棄。

如圖8中，序號4區(qū)域中的邊緣連通區(qū)域，其八鄰域中不含其他外接矩形，判定為孤立邊緣，并進行舍棄；而序號為1，2，3區(qū)域在其鄰域內(nèi)含外接矩形，為非孤立點，算法對該邊緣進行保留。

圖8 孤立點去除示意圖

表3中可以看出，經(jīng)過最小外接矩形算子去除干擾點后，非特征像素點降低了約37%，而裂縫特征點數(shù)量最終占比將近90%，裂縫骨架基本得到凸顯，圖中的雜點數(shù)量愈加減少。

3.2 裂縫方向提取聚類分析

根據(jù)裂縫的不同方向，可將單條裂縫分為縱向、環(huán)向及斜向裂縫，不同類型的裂縫在其連接上具有相同的連接方向性，為避免各不同方向的裂縫產(chǎn)生交叉連接，可將裂縫通過最小外接矩形鄰接關系分類而將裂縫特征圖像進行分割。根據(jù)各邊緣連通域的鄰接關系，每二者間滿足0°(0-0)，45°(3-3)，90°(2-2)及135°(1-1)方向(見圖9)中的任一方向關系則將其歸入該方向下的分類圖中。得到4個方向下的裂縫歸類圖。

圖9 裂縫方向分類示意圖

對本示例中的裂縫特征圖像進行聚類分析，得到的歸類結果如圖10所示。對于本研究中的單條裂縫，1-1方向區(qū)域含64個鄰接矩形區(qū)域，遠超其他區(qū)域(0-0方向、2-2方向及3-3方向中分別含11，14及8個裂縫連通區(qū)域)，可將該方向的圖像定為裂縫骨架，而對于含多條裂縫，則分別對各方向下裂縫特征圖像進行操作，最終再進行連接匯總。

圖10 1-1方向裂縫特征方向歸類圖

3.3 基于裂縫方向矢量的連接及恢復

裂縫骨架往往為不連續(xù)區(qū)域，需在各方向圖像內(nèi)分別進行裂縫骨架的連接，主要從骨架間的連接點，連接區(qū)域的方向，連接段的長度3個方面考慮，對于滿足條件的不連續(xù)段進行線性連接，其算法流程為：

(1)獲取各裂縫骨架的端點(始末位置)，將其定義為連接種子點。(2)連接種子點在裂縫骨架的矢量方向區(qū)域范圍內(nèi)進行與其他種子的距離判斷，尋找連接最小值。(3)連接后形成連接段，連接起始段，連接終止段，分別計算3段的方向角度(θ1,θ2,θ3)，當滿足連接段的方向位于其他二者中間(即min(θ2,θ3)≤θ1≤max(θ2,θ3))時，則進行確認連接，否則舍棄該連接操作。(4)連接操作完成后，形成若干條骨架段，取最長的骨架為該方向下的裂縫代表段。

在干擾點剔除的操作中，不可避免地會剔除一些孤立的特征裂縫點。由于采用線性連接，部分較長的連接區(qū)域不能還原裂縫本來的形態(tài)，針對此，本研究從修正操作前的圖中尋找補充像素點，對于位于連接段形成的最小外接矩形內(nèi)的特征點(如圖11中矩形框所示)將其加入至連接前的裂縫特征圖中，以此來進行修復。

圖11 裂縫特征修復效果

經(jīng)修復后，部分缺失段的特征信息得到有效填補，且裂縫輪廓更為明顯，形態(tài)信息更為準確。此時對斷開段進行基于裂縫方向矢量的重新連接，裂縫特征連接效果如圖12所示。

圖12 裂縫特征連接效果

4 裂縫特征信息統(tǒng)計

圖像由單個像素點構成，對于全景隧道襯砌展開圖，各像素為基于模型展開的像素點，并且在展開過程中已經(jīng)進行像素幾何形狀的畸變修正[12]，確保像素點完全為一平面二維的點，各像素點在圖中代表的尺寸長度完全一樣，在此基礎上完全可通過基于像素點的統(tǒng)計來描述圖像裂縫的特征。

4.1 骨架提取

圖像中包含一定的裂縫寬度信息，采用Matlab中YS算法[17]可將圖像細化為單像素寬裂縫圖像。其原理為在二值圖像的基礎上，在圖像寬度方向上逐步去掉多余的像素點，而保證圖像沿長度方向的整體形狀不發(fā)生變化，最終使得原圖像細化為由單像素連通的裂縫長度圖像。

4.2 裂縫位置確定

裂縫空間位置通過尋找其最大最小位置坐標確定，再與圖像起始里程、單像素長度值確定實際里程信息。

裂縫縱向起始終止位置為：

(1)

裂縫環(huán)向起始終止位置為：

(2)

方向角度采用裂縫段兩端點的坐標進行近似反算，大小為：

(3)

式中,x為隧道縱向;y為襯砌環(huán)向展開方向;lpic_start為圖像起始里程;lengthpixel為每單位像素代表的實際長度;點(x1，y1)及點(x2，y2)為裂縫端點位置。

4.3 裂縫長度計算

圖13 像素位置關系圖

將所有的關系長度進行求和，得到整個裂縫的長度l。

(5)

式中N為圖像中所有滿足相鄰八鄰域關系的像素對數(shù)。

5 工程應用

武岡至靖州高速公路青巖頭隧道YK33+412～420里程段二襯右拱腰-右邊墻位置在施工期間開裂，為分析其破損程度，采用全景圖像拼接方法對其進行空間位置及長度分析，采用裂縫測寬儀對其進行寬度測量分析。

全景圖像由于尺寸較大，像素數(shù)量多，直接對其進行裂縫提取效率慢，首先人工初步劃定裂縫范圍，選取該區(qū)域進行精確分析，然后通過圖像的起止里程信息或像素展開參數(shù)選取值，換算得到像素長度值，將準確結果回歸到全景圖像中并進行整體參數(shù)計算，得到裂縫的長度、方向及空間分布信息如圖14所示。

圖14 隧道襯砌裂縫檢測識別

圖15 測點裂縫寬度圖(單位：mm)

在該段裂縫長度內(nèi)選取代表性測點，經(jīng)裂縫測寬儀測試，裂縫寬度最大為1.54 mm，如圖15所示，按隧道養(yǎng)護規(guī)范裂縫分級標準[18]規(guī)定方法，測得該隧道二襯段裂縫長度6.38 m。將人工實測結果與本研究算法所得結果對比于表4中可見：本研究算法的識別較為準確，僅在長度值上會稍微偏小，主要是由于本算法采取多次干擾去除和連接操作，對裂縫首末位置處的孤立裂縫點不能進行有效的找回與恢復，造成長度統(tǒng)計上局部的缺失。兩種結果表明，裂縫分布位置為右拱腰～右邊墻，缺陷的評定狀況值均為1/2，評價結果一致。

6 結論

(1)針對常規(guī)隧道襯砌裂縫識別的局部性及信息不全的局限，運用自主開發(fā)的TLIM軟件，實現(xiàn)了將空間圖像轉為平面圖像，具有很好的描述性及測量性，形成了一種科學快速的檢測分析技術。

表4 YK33+412-420襯砌裂縫評級

(2)本研究提出一種基于裂縫寬度特征的分析方法，通過實踐證明該方法大大降低了“偽裂縫”的干擾，提高了對裂縫識別的準確率。

(3)應用這種新的檢測分析技術實現(xiàn)了裂縫的有效連接與連接段裂縫種子的恢復，還原真實裂縫形態(tài)信息，從而可以得到詳細完整的裂縫統(tǒng)計特征信息。

(4)該技術方法實現(xiàn)了對缺陷的精細化描述定位，主要從其裂縫位置、長度、方向等方面進行量化分析，速度快。

(5)該技術方法已經(jīng)在具體工程施工中獲得應用且效果良好。