張 琨 陳定方 高銘鑫 黃永亮 劉 洋 門(mén)燕青

1. 武漢理工大學(xué)智能制造與控制研究所，武漢，430063 2. 中鐵第四勘察設(shè)計(jì)院集團(tuán)有限公司，武漢，430063 3. 哈爾濱工業(yè)大學(xué)交通科學(xué)與工程學(xué)院，哈爾濱，150090 4. 濟(jì)南軌道交通集團(tuán)有限公司，濟(jì)南，250014

0 引言

裂縫是市域鐵路隧道結(jié)構(gòu)中最常見(jiàn)的表觀病害[1-3]，是隧道結(jié)構(gòu)即將發(fā)生損傷的征兆，如果不及時(shí)采取加固措施，任由裂縫延展，將會(huì)導(dǎo)致隧道的承載力降低、使用壽命縮短[4]。因此，對(duì)服役期內(nèi)的隧道結(jié)構(gòu)進(jìn)行定期巡檢，有效識(shí)別結(jié)構(gòu)表觀的裂縫病害是一個(gè)迫切需要解決的問(wèn)題。

在隧道結(jié)構(gòu)中，裂縫病害的檢測(cè)工作多依賴(lài)于傳統(tǒng)的人工巡檢，該方式難以準(zhǔn)確描述裂縫的形態(tài)及位置[5]，存在檢測(cè)成本高、工作效率低、病害識(shí)別結(jié)果穩(wěn)定性差等諸多問(wèn)題，難以滿足目前隧道結(jié)構(gòu)對(duì)快速化運(yùn)維管理的要求。隨著視覺(jué)傳感設(shè)備和數(shù)據(jù)分析技術(shù)的快速發(fā)展，以計(jì)算機(jī)視覺(jué)技術(shù)為依托的隧道結(jié)構(gòu)裂縫病害檢測(cè)裝備快速發(fā)展，如王華夏等[4]以車(chē)載CCD(charge coupled device)相機(jī)為核心部件，提出一套隧道襯砌裂縫自動(dòng)化檢測(cè)系統(tǒng)，并在實(shí)驗(yàn)室內(nèi)完成了對(duì)系統(tǒng)的測(cè)試；HUANG等[6]基于CCD陣列相機(jī)，設(shè)計(jì)了一套可以獲取高質(zhì)量隧道襯砌檢測(cè)數(shù)據(jù)的圖像掃描裝備MTI-100；YU等[7]基于Komatsu Engineering Crop開(kāi)發(fā)的圖像掃描系統(tǒng)，提出了一種集移動(dòng)遙控和裂縫檢測(cè)功能為一體的裂縫自動(dòng)化檢測(cè)方法，可以實(shí)現(xiàn)0.3 mm的檢測(cè)精度。

基于計(jì)算機(jī)視覺(jué)技術(shù)的裂縫識(shí)別方法是上述隧道結(jié)構(gòu)裂縫檢測(cè)裝備的技術(shù)關(guān)鍵。裂縫在隧道結(jié)構(gòu)的表觀圖像內(nèi)屬于重要的視覺(jué)信息，常表現(xiàn)為非連續(xù)性的局部特征，即像素目標(biāo)點(diǎn)的灰度值會(huì)產(chǎn)生劇烈的變化[8]。針對(duì)裂縫病害獨(dú)有的特征信息，王耀東等[9]針對(duì)傳統(tǒng)圖像處理算法難以有效檢測(cè)裂縫，提出一種基于連通域的多級(jí)濾波算法，可以實(shí)現(xiàn)隧道表面裂縫的智能檢測(cè)；王平讓等[10]提出一種基于圖像局部網(wǎng)格特征的隧道襯砌裂縫自動(dòng)識(shí)別方法；賈東峰等[11]依托點(diǎn)云影像技術(shù)，提出了多尺度空間下隧道裂縫滲水區(qū)域識(shí)別檢測(cè)算法，并通過(guò)實(shí)例驗(yàn)證了該算法的魯棒性；隧道內(nèi)的裂縫對(duì)比度低、難以識(shí)別，針對(duì)該問(wèn)題周麗軍等[12]提出了一種基于分?jǐn)?shù)階傅里葉變換的裂縫檢測(cè)方法。以上所述隧道結(jié)構(gòu)裂縫識(shí)別方法具有相同的思路，均是采用所提出方法直接對(duì)隧道結(jié)構(gòu)表觀圖像進(jìn)行運(yùn)算處理，檢測(cè)圖像中是否存在裂縫，而未參考無(wú)裂縫圖像視覺(jué)特征信息，這類(lèi)方法容易導(dǎo)致檢測(cè)結(jié)果存在一些偽裂縫邊緣，影響病害識(shí)別精度。

筆者將“監(jiān)督學(xué)習(xí)”的思想引入市域鐵路隧道結(jié)構(gòu)病害檢測(cè)研究中，以無(wú)裂縫圖像的視覺(jué)特征信息為參考，提出一種有監(jiān)督學(xué)習(xí)下的市域鐵路隧道結(jié)構(gòu)裂縫邊緣識(shí)別方法。

1 有監(jiān)督學(xué)習(xí)下的裂縫邊緣識(shí)別方法

CANNY[13]于1986年提出的Canny算子具備良好的邊緣識(shí)別能力[14]，常用來(lái)檢測(cè)圖像中的一些重要信息。Canny邊緣識(shí)別算子的基本思想是先利用二維高斯函數(shù)的一階導(dǎo)數(shù)對(duì)圖像作濾波降噪，然后采用鄰域一階偏導(dǎo)的有限差分計(jì)算濾波降噪后圖像中的梯度幅值和方向，最后通過(guò)對(duì)圖像中梯度幅值的非極大值抑制處理，并結(jié)合雙閾值法實(shí)現(xiàn)對(duì)圖像中邊緣信息的提取。然而在實(shí)際的隧道結(jié)構(gòu)裂縫邊緣識(shí)別應(yīng)用中，圖像數(shù)據(jù)受相機(jī)自身制造誤差以及外界拍攝環(huán)境的影響，不可避免地會(huì)產(chǎn)生一些噪聲，這些噪聲在圖像范圍內(nèi)以非連續(xù)性局部特征的形式呈現(xiàn)，進(jìn)而可能作為偽裂縫邊緣被算法檢測(cè)出來(lái)。在這種情況下，Canny邊緣檢測(cè)算子中不恰當(dāng)?shù)母叩烷撝颠x取將直接影響到邊緣檢測(cè)的結(jié)果[1]，導(dǎo)致除圖像中重要的裂縫邊緣目標(biāo)外，大部分噪聲也被檢測(cè)出來(lái)。為此，本研究在利用消費(fèi)級(jí)數(shù)碼相機(jī)獲取市域鐵路隧道結(jié)構(gòu)表觀狀態(tài)的圖像數(shù)據(jù)后，基于Canny算子的邊緣檢測(cè)結(jié)果構(gòu)造邊緣目標(biāo)的特征矢量，并基于幾何特征數(shù)據(jù)實(shí)現(xiàn)。

1.1 邊緣目標(biāo)幾何特征矢量的構(gòu)造

被測(cè)圖像被Canny算子作用后，形成了由許多邊緣目標(biāo)構(gòu)成的集合，其中每個(gè)邊緣目標(biāo)是一個(gè)單獨(dú)的連通域，該區(qū)域內(nèi)的目標(biāo)像素點(diǎn)具備相同的像素值并且位置相鄰近[15]。連通域的構(gòu)造規(guī)則有兩種，即四鄰域遍歷標(biāo)記法[16]和八鄰域遍歷標(biāo)記法[17]。本文采用八鄰域遍歷標(biāo)記法對(duì)圖像中邊緣目標(biāo)所屬的連通域進(jìn)行標(biāo)識(shí)，在此基礎(chǔ)上，統(tǒng)計(jì)每個(gè)連通域的幾何特征，并構(gòu)造對(duì)應(yīng)的幾何特征矢量。

在市域鐵路隧道結(jié)構(gòu)表觀圖像中，裂縫和噪聲是兩種以不同幾何形態(tài)存在的邊緣目標(biāo)體，前者多表現(xiàn)為區(qū)域連續(xù)的曲線、折線結(jié)構(gòu)，后者則以區(qū)域離散的點(diǎn)、區(qū)塊點(diǎn)集居多。依據(jù)裂縫邊緣和噪聲邊緣之間幾何形態(tài)的差異性，定義邊緣目標(biāo)所屬連通域的幾何特征，主要有連通域的面積、主軸長(zhǎng)度、最小外接矩形填充率和當(dāng)量圓度。

(1)面積A。圖像中的像素目標(biāo)點(diǎn)的幾何尺度是以像素為單位的，單個(gè)像素點(diǎn)的長(zhǎng)度、寬度均為1 pixel，則連通域的面積由區(qū)域內(nèi)像素點(diǎn)的個(gè)數(shù)可確定：

A=n

(1)

式中，n為連通域內(nèi)像素點(diǎn)的數(shù)量。

(2)主軸長(zhǎng)度Dc：

(2)

(3)

(4)

(5)

(6)

(7)

(3)最小外接矩形填充率ω[2]。定義ω為連通域面積A與最小外接矩形面積的比值：

(8)

式中，W為連通域最小外接矩形的寬度；H為連通域最小外接矩形的高度。

(4)當(dāng)量圓度θ。依據(jù)連通域的面積及周長(zhǎng)，定義當(dāng)量圓度為等面積圓直徑da與等周長(zhǎng)圓直徑dp的比值，即

(9)

(10)

(11)

式中，P為連通域的周長(zhǎng)。

依據(jù)上述定義的4個(gè)連通域幾何特征，構(gòu)建每個(gè)邊緣目標(biāo)的幾何特征矢量f：

f=(A,θ2,ω,Dc)T

(12)

式(12)可以簡(jiǎn)寫(xiě)為

f=(f1,f2,f3,f4)T

(13)

1.2 基于幾何特征數(shù)據(jù)的裂縫邊緣識(shí)別方法

在上述幾何特征矢量構(gòu)建的基礎(chǔ)上，結(jié)合主成分分析[18-19]理論，提出市域鐵路隧道結(jié)構(gòu)裂縫邊緣識(shí)別方法。此處的裂縫邊緣識(shí)別方法為參數(shù)方法，即利用主成分分析技術(shù)統(tǒng)計(jì)參考狀態(tài)下非裂縫邊緣目標(biāo)的幾何特征水平，并構(gòu)造裂縫邊緣識(shí)別的判別閾值，在此基礎(chǔ)上，結(jié)合異常診斷算法理論，對(duì)未知屬性的邊緣目標(biāo)進(jìn)行分類(lèi)判別。上述過(guò)程是在有監(jiān)督指導(dǎo)下進(jìn)行的，相比于“無(wú)監(jiān)督學(xué)習(xí)”，可大幅提高裂紋識(shí)別的準(zhǔn)確性。

分別定義參考狀態(tài)數(shù)據(jù)矩陣Fr和待診斷狀態(tài)數(shù)據(jù)矩陣Fd，它們均來(lái)自于對(duì)Canny邊緣檢測(cè)結(jié)果中邊緣目標(biāo)幾何特征矢量的統(tǒng)計(jì)，前者含有Nr個(gè)幾何特征矢量fri，所屬圖像的狀態(tài)已知，即每個(gè)特征矢量對(duì)應(yīng)的邊緣目標(biāo)均為非裂縫邊緣的噪聲；后者含有Nd個(gè)幾何特征矢量fdj，所屬圖像的狀態(tài)未知，即每個(gè)特征矢量對(duì)應(yīng)的邊緣目標(biāo)的屬性未知，可能是裂縫邊緣也可能是非裂縫邊緣。Fr、Fd表達(dá)式如下：

(14)

(15)

式中，g為幾何特征矢量fri、fdj的維度。

由式(14)可定義參考狀態(tài)下第β個(gè)邊緣目標(biāo)的g維幾何特征矢量：

(16)

由式(15)可定義待診斷狀態(tài)下第φ個(gè)邊緣目標(biāo)的g維幾何特征矢量：

(17)

數(shù)據(jù)矩陣Fr包含參考狀態(tài)下所有非裂縫邊緣的幾何特征矢量，反映了非裂縫類(lèi)邊緣的整體特征水平。利用參考狀態(tài)數(shù)據(jù)矩陣Fr可計(jì)算其協(xié)方差矩陣：

(18)

(19)

(20)

對(duì)協(xié)方差矩陣ΣF作奇異值分解，得到：

ΣF=UΛUT

(21)

Λ=diag(λ1,λ2, …,λe, …,λg)

(22)

λ1>λ2>…>λe>…>λg

式中，U為由協(xié)方差矩陣ΣF的特征向量組成的矩陣，U∈Rg×g；Λ為由協(xié)方差矩陣ΣF的特征值組成的對(duì)角矩陣，Λ∈Rg×g；λe為協(xié)方差矩陣ΣF的第e個(gè)特征值。

從矩陣U中截取前k(1≤k≤g)個(gè)特征值對(duì)應(yīng)的特征向量，可得到參考狀態(tài)數(shù)據(jù)矩陣在主元特征空間中的基：

(23)

式中，us協(xié)方差矩陣ΣF的第s個(gè)特征向量，us∈Rg×1。

依據(jù)上述各式，以Canny邊緣檢測(cè)結(jié)果中的邊緣目標(biāo)為研究對(duì)象，利用該邊緣目標(biāo)的g(g=4)個(gè)幾何特征對(duì)隧道結(jié)構(gòu)的裂縫邊緣進(jìn)行識(shí)別。在參考狀態(tài)下，以第β個(gè)邊緣目標(biāo)為例，定義基于幾何特征數(shù)據(jù)的裂縫邊緣識(shí)別因子為τr,β，其表達(dá)式如下：

(24)

由式(24)定義參考狀態(tài)下基于幾何特征數(shù)據(jù)的裂縫邊緣識(shí)別因子向量τr，τr∈R1×Nr，表達(dá)式如下：

τr=(τr,1，τr,2，…，τr,β，…，τr,Nr)1×Nr

(25)

利用參考狀態(tài)下基于幾何特征數(shù)據(jù)的裂縫邊緣識(shí)別因子向量τr定義裂縫邊緣識(shí)別的判別閾值δ：

δ=γτr,0.95

(26)

式中，γ為保證系數(shù)，依據(jù)具體邊緣目標(biāo)的幾何特征數(shù)據(jù)而定，通常取1.20；τr,0.95為參考狀態(tài)下裂縫邊緣識(shí)別因子向量τr取95%置信概率的中位數(shù)。

根據(jù)上述對(duì)參考狀態(tài)下裂縫邊緣識(shí)別因子的定義，同理得到待診斷狀態(tài)下基于幾何特征數(shù)據(jù)的裂縫邊緣識(shí)別因子τd,φ，其定義如下：

(27)

φ=1,2,…,Nd

當(dāng)?shù)玫絽⒖紶顟B(tài)下的裂縫邊緣識(shí)別判別閾值δ和待診斷狀態(tài)下的裂縫邊緣識(shí)別因子τd,φ后，可對(duì)裂縫邊緣識(shí)別得判別因子Yd作出定義：

(28)

當(dāng)Yd取值為1時(shí)，判定邊緣目標(biāo)屬于裂縫類(lèi)，保留該邊緣，取值為0時(shí)，判定邊緣目標(biāo)屬于非裂縫類(lèi)，即噪聲，則剔除該邊緣。

1.3 計(jì)算步驟

(1)選取不含有裂縫的隧道結(jié)構(gòu)表觀圖像；

(2)運(yùn)用Canny算子初步檢測(cè)圖像中的邊緣目標(biāo)，并對(duì)所有邊緣目標(biāo)所屬的連通域進(jìn)行標(biāo)識(shí)；

(3)利用式(1)～式(11)，分別計(jì)算邊緣目標(biāo)的面積A、主軸長(zhǎng)度Dc、最小外接矩形填充率ω以及當(dāng)量圓度θ；

(4)利用式(12)及式(13)，構(gòu)造邊緣目標(biāo)的幾何特征矢量f；

(5)重復(fù)步驟(2)、步驟(3)，直至得到參考狀態(tài)下全部邊緣目標(biāo)的幾何特征矢量數(shù)據(jù)矩陣Fr；

(6)利用式(16)～式(25)，建立參考狀態(tài)下基于幾何特征數(shù)據(jù)的裂縫邊緣識(shí)別因子向量τr；

(7)利用式(26)構(gòu)建裂縫邊緣識(shí)別的判別閾值δ；

(8)輸入待診斷狀態(tài)的隧道結(jié)構(gòu)圖像，重復(fù)步驟(2)～步驟(5)，構(gòu)造待診斷狀態(tài)下的數(shù)據(jù)矩陣Fd；

(9)利用式(27)確定待診斷狀態(tài)下基于幾何特征數(shù)據(jù)的裂縫邊緣識(shí)別因子τd,φ；

(10)根據(jù)式(28)判別隧道結(jié)構(gòu)圖像中邊緣目標(biāo)的屬性。

不斷重復(fù)步驟(9)～步驟(10)，即可實(shí)現(xiàn)對(duì)待診斷狀態(tài)下市域鐵路隧道結(jié)構(gòu)圖像內(nèi)裂縫邊緣的識(shí)別，具體流程見(jiàn)圖1。

圖1 裂縫檢測(cè)方法的流程圖Fig.1 Diagram of the proposed crack detection method

2 實(shí)際工程驗(yàn)證

以某實(shí)際市域鐵路隧道結(jié)構(gòu)的表觀圖像為研究對(duì)象，對(duì)本文所提方法(以下簡(jiǎn)稱(chēng)“本文方法”)的裂縫邊緣識(shí)別效果進(jìn)行評(píng)估，并與傳統(tǒng)的邊緣識(shí)別方法進(jìn)行比較。某實(shí)際市域鐵路隧道結(jié)構(gòu)的現(xiàn)場(chǎng)如圖2所示。

圖2 市域鐵路隧道結(jié)構(gòu)現(xiàn)場(chǎng)Fig.2 Municipal railway tunnel structure site

2.1 市域鐵路隧道結(jié)構(gòu)表觀圖像

為了驗(yàn)證本文方法對(duì)市域鐵路隧道結(jié)構(gòu)表觀裂縫邊緣識(shí)別的有效性，利用消費(fèi)級(jí)數(shù)碼相機(jī)獲取實(shí)際隧道結(jié)構(gòu)表觀圖像，然后進(jìn)行數(shù)據(jù)運(yùn)算處理。消費(fèi)級(jí)數(shù)碼相機(jī)的型號(hào)為Canon EOC M50。所獲取的市域鐵路隧道結(jié)構(gòu)表觀圖像數(shù)據(jù)被劃分為兩部分，一部分構(gòu)成參考狀態(tài)圖像數(shù)據(jù)矩陣，所有圖像表達(dá)的視覺(jué)信息均是平整的隧道結(jié)構(gòu)表觀，如圖3所示；另一部分構(gòu)成待診斷狀態(tài)圖像數(shù)據(jù)矩陣，每張圖像表達(dá)的視覺(jué)信息不確定，可能是隧道結(jié)構(gòu)裂縫病害，也可能是平整的隧道結(jié)構(gòu)表觀，如圖4～圖6所示。

圖3 參考狀態(tài)圖像(示例)Fig.3 Images for reference (example)

圖4 待診斷圖像1Fig.4 Image 1 for diagnose

圖5 待診斷圖像2Fig.5 Image 2 for diagnose

圖6 待診斷圖像3Fig.6 Image 3 for diagnose

2.2 隧道結(jié)構(gòu)裂縫邊緣識(shí)別效果

本算例以前述參考狀態(tài)圖像數(shù)據(jù)集內(nèi)的隧道結(jié)構(gòu)表觀圖像為研究對(duì)象，利用本文方法設(shè)置基于幾何特征數(shù)據(jù)的裂縫邊緣判別閾值，進(jìn)而依據(jù)該閾值，識(shí)別待診斷狀態(tài)圖像數(shù)據(jù)中的市域鐵路隧道結(jié)構(gòu)裂縫邊緣。參考狀態(tài)下，每個(gè)邊緣目標(biāo)均以紅色的矩形框標(biāo)記，如圖7所示，利用所有邊緣目標(biāo)的幾何特征矢量，建立基于幾何特征數(shù)據(jù)的裂縫邊緣識(shí)別因子，具體的裂縫邊緣識(shí)別因子見(jiàn)表1及圖8。在圖8中，藍(lán)色的實(shí)線表示參考狀態(tài)下基于幾何特征數(shù)據(jù)的裂縫邊緣識(shí)別因子，紅色的實(shí)線表示裂縫邊緣識(shí)別的判別閾值。

圖7 參考狀態(tài)下的邊緣目標(biāo)Fig.7 Edge targets for reference

圖8 參考狀態(tài)下裂縫邊緣識(shí)別閾值Fig.8 Threshold of crack edge under reference state

表1 參考狀態(tài)下的裂縫邊緣識(shí)別因子(部分)Tab.1 Index for crack edge detection in reference state(portion)

基于上述基于幾何特征數(shù)據(jù)的裂縫邊緣判別閾值，對(duì)圖4～圖6中待診斷狀態(tài)圖像數(shù)據(jù)集中市域鐵路隧道結(jié)構(gòu)圖像的裂縫邊緣進(jìn)行識(shí)別，裂縫邊緣識(shí)別的結(jié)果如圖9～圖11所示，算法的處理時(shí)間如表2所示。由圖9～圖11的裂縫邊緣識(shí)別結(jié)果可知：對(duì)于市域鐵路隧道結(jié)構(gòu)表面出現(xiàn)裂縫病害的圖像，裂縫邊緣識(shí)別方法能夠診斷出異常的邊緣目標(biāo)，并在保留異常目標(biāo)(裂縫邊緣)的基礎(chǔ)上，剔除非異常的噪聲點(diǎn)；對(duì)于市域鐵路隧道結(jié)構(gòu)表面平整的圖像，裂縫邊緣識(shí)別方法可以直接濾除圖像中非異常的噪聲點(diǎn)。因此，本文算法即使面對(duì)的是市域鐵路隧道結(jié)構(gòu)表觀狀態(tài)未知的圖像，也能夠有效地診斷出結(jié)構(gòu)表面存在的裂縫病害。

(a) 裂縫邊緣識(shí)別因子診斷

(b) 裂縫邊緣識(shí)別結(jié)果

(a) 裂縫邊緣識(shí)別因子診斷

(b) 裂縫邊緣識(shí)別結(jié)果

(a) 裂縫邊緣識(shí)別因子診斷

(b) 裂縫邊緣識(shí)別結(jié)果

在圖9a、圖10a以及圖11a中，藍(lán)色的實(shí)線表示參考狀態(tài)下基于幾何特征數(shù)據(jù)的裂縫邊緣識(shí)別因子，紅色的實(shí)線表示待診斷狀態(tài)下基于幾何特征數(shù)據(jù)的裂縫邊緣識(shí)別因子，玫紅色的直線表示裂縫邊緣識(shí)別的判別閾值。

表2 本文算法處理時(shí)間Tab.2 Processing speed of the proposed algorithm

2.3 與傳統(tǒng)邊緣識(shí)別方法的性能比較

為了驗(yàn)證本文方法的識(shí)別效果，選取經(jīng)典的邊緣識(shí)別方法檢測(cè)待診斷狀態(tài)下圖像數(shù)據(jù)集內(nèi)的市域鐵路隧道結(jié)構(gòu)裂縫邊緣，并與采用本文方法所得到的市域鐵路隧道結(jié)構(gòu)裂縫邊緣識(shí)別結(jié)果進(jìn)行比較。選取的經(jīng)典邊緣識(shí)別方法有Canny算子、Sobel算子、Prewitt算子、Roberts算子和Log算子，它們對(duì)市域鐵路隧道結(jié)構(gòu)裂縫邊緣的識(shí)別結(jié)果見(jiàn)圖12～圖16。對(duì)比的隧道結(jié)構(gòu)表觀圖像采用圖4的待診斷圖像1和圖6的待診斷圖像3。

(a) 圖4識(shí)別結(jié)果

(b) 圖6識(shí)別結(jié)果

(a) 圖4識(shí)別結(jié)果

(b) 圖6識(shí)別結(jié)果

(a) 圖4識(shí)別結(jié)果

(b) 圖6識(shí)別結(jié)果

(a) 圖4識(shí)別結(jié)果

(b) 圖6識(shí)別結(jié)果

(a) 圖4識(shí)別結(jié)果

(b) 圖6識(shí)別結(jié)果

將圖9b、圖11b與圖12～圖16進(jìn)行對(duì)比可知：相比Canny算子、Sobel算子、Prewitt算子、Roberts算子以及Log算子等經(jīng)典的邊緣識(shí)別方法，本文方法將監(jiān)督學(xué)習(xí)的思想引入結(jié)構(gòu)病害檢測(cè)研究，在保留裂縫邊緣的基礎(chǔ)上，能夠有效地剔除背景中的噪聲，從而實(shí)現(xiàn)“保邊去噪”的效果，具備較強(qiáng)的實(shí)際應(yīng)用性。

3 結(jié)語(yǔ)

為了解決市域鐵路隧道結(jié)構(gòu)表觀裂縫病害的有效識(shí)別難題，提出了有監(jiān)督學(xué)習(xí)下的市域鐵路隧道結(jié)構(gòu)裂縫邊緣識(shí)別方法，該方法依托消費(fèi)級(jí)數(shù)碼相機(jī)可以獲取市域鐵路隧道結(jié)構(gòu)表觀的圖像數(shù)據(jù)，可為市域鐵路隧道結(jié)構(gòu)表觀裂縫病害的識(shí)別研究提供有效的數(shù)據(jù)支撐；同時(shí)將“監(jiān)督學(xué)習(xí)”的思想引入市域鐵路隧道結(jié)構(gòu)裂縫病害檢測(cè)研究，以無(wú)裂縫圖像的視覺(jué)特征信息為參考，可為基于計(jì)算機(jī)視覺(jué)技術(shù)的市域鐵路隧道結(jié)構(gòu)表觀病害識(shí)別研究開(kāi)拓新路徑。