劉渭寧，李文鋒，李 科，丁 浩，袁 聰

(1.青海省交通規(guī)劃設(shè)計(jì)研究院有限公司，西寧 810008；2.招商局重慶交通科研設(shè)計(jì)院有限公司，重慶 400067；3.公路隧道建設(shè)技術(shù)國(guó)家工程實(shí)驗(yàn)室，重慶 400067)

大量隧道建成后或在運(yùn)營(yíng)期間，隧道襯砌結(jié)構(gòu)因疲勞應(yīng)力、循環(huán)荷載的作用，致使結(jié)構(gòu)產(chǎn)生結(jié)構(gòu)性病害，進(jìn)而引起了隧道襯砌表觀(guān)出現(xiàn)開(kāi)裂、滲水、混凝土剝落等現(xiàn)象。因此，通過(guò)檢測(cè)隧道表觀(guān)病害評(píng)定結(jié)構(gòu)安全技術(shù)狀況，是隧道運(yùn)營(yíng)期間重要的養(yǎng)護(hù)工作。傳統(tǒng)的隧道表觀(guān)檢測(cè)方法依賴(lài)于人工視覺(jué)監(jiān)測(cè)或安裝于襯砌上的傳感裝置，這種方式不僅效率較低、成本高、風(fēng)險(xiǎn)高，還高度依賴(lài)檢測(cè)人員的主觀(guān)性和專(zhuān)業(yè)水平，結(jié)果難以全面客觀(guān)評(píng)價(jià)隧道襯砌的整體健康狀況。因此，出現(xiàn)了越來(lái)越多基于視覺(jué)的襯砌表觀(guān)病害測(cè)量系統(tǒng)，并主要通過(guò)光學(xué)傳感器獲取隧道襯砌表觀(guān)圖像，采用圖像處理的方式從病害圖像中提取病害量化信息。

當(dāng)前，在鐵路、城市軌道和公路交通隧道領(lǐng)域，國(guó)內(nèi)外已有各種基于視覺(jué)的車(chē)載式隧道快速檢測(cè)裝備能夠完成襯砌表觀(guān)圖像的獲取，但對(duì)大量圖像信息的提取和量化分析，主要還是依靠人工實(shí)施。隧道襯砌檢測(cè)圖像中主要表觀(guān)病害為滲漏水和裂縫。滲漏水病害可通過(guò)紅外溫度場(chǎng)圖像的特征實(shí)現(xiàn)自動(dòng)檢測(cè)，而裂縫的自動(dòng)檢測(cè)則更為困難和復(fù)雜。

在基于圖像的檢測(cè)中，由于裂縫形狀和尺寸的不規(guī)則性，加上隧道光照不均勻、陰影、附屬物的干擾等因素，導(dǎo)致自動(dòng)采集到的襯砌圖像中存在復(fù)雜的噪聲和紋理，較難以從圖像中自動(dòng)提取病害信息。為此，本文將針對(duì)襯砌表觀(guān)裂縫病害的自動(dòng)檢測(cè)方法，結(jié)合國(guó)內(nèi)外當(dāng)前對(duì)該方向所進(jìn)行的研究工作，介紹視覺(jué)檢測(cè)技術(shù)在隧道襯砌檢測(cè)中的應(yīng)用情況，并對(duì)未來(lái)的發(fā)展趨勢(shì)和方向進(jìn)行綜述。

1 裂縫自動(dòng)檢測(cè)的算法處理流程

當(dāng)前，裂縫的自動(dòng)檢測(cè)算法主要分為2大類(lèi)：基于圖像處理的方法和基于機(jī)器學(xué)習(xí)的方法。圖像處理方法主要包括閾值分割、邊緣檢測(cè)和區(qū)域增長(zhǎng)3類(lèi)，用于圖像處理和識(shí)別裂紋特征?；跈C(jī)器學(xué)習(xí)的檢測(cè)方法則可分為傳統(tǒng)機(jī)器學(xué)習(xí)方法、深度學(xué)習(xí)方法?？v觀(guān)隧道襯砌裂縫的自動(dòng)檢測(cè)方法，其基本流程分為圖像獲取、圖像預(yù)處理、圖像處理、裂縫檢測(cè)、裂縫參數(shù)測(cè)量5個(gè)步驟。整體的算法處理流程如圖1所示。

圖1 襯砌裂縫自動(dòng)檢測(cè)的基本流程

襯砌圖像裂縫檢測(cè)的處理流程如下：

1)采用視覺(jué)相機(jī)等傳感器采集隧道襯砌表觀(guān)的圖像。

2)對(duì)獲取的襯砌圖像進(jìn)行預(yù)處理，通過(guò)圖像除噪降低噪聲影響。

3)根據(jù)裂縫檢測(cè)算法需要，對(duì)圖像進(jìn)行相應(yīng)的變換處理。

4)利用處理后的圖像進(jìn)行裂縫檢測(cè)和標(biāo)記。

5)測(cè)量裂縫寬度、長(zhǎng)度等特征參數(shù)。

2 基于圖像處理的裂縫檢測(cè)算法

為減少混凝土表面水漬、孔洞、污漬等環(huán)境因素引起的大量噪聲、紋理和干擾，研究人員提出了基于圖像處理的算法降低圖像噪聲及提取裂縫像素。該方法的基本思路是人工選擇裂縫特征，利用裂縫呈現(xiàn)出來(lái)的與背景閾值差異、灰度梯度、形態(tài)特征等特點(diǎn)，采用基于特征的直接分割或者基于人工提取的機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)裂縫自動(dòng)檢測(cè)的目標(biāo)。常見(jiàn)的基于圖像處理的裂縫檢測(cè)算法：閾值分割法、邊緣檢測(cè)法、區(qū)域生長(zhǎng)法等。

2.1 閾值分割法

閾值分割是一種經(jīng)典的圖像分割方法，是通過(guò)設(shè)置合適的圖像閾值，將圖像中的每個(gè)像素劃分為目標(biāo)區(qū)域和背景2類(lèi)。在進(jìn)行裂縫檢測(cè)時(shí)，將拍攝的襯砌圖像轉(zhuǎn)換為灰度圖像，設(shè)置合適的裂縫灰度分割閾值，將灰度圖像轉(zhuǎn)換為僅含有裂縫或者背景的二值圖像。其基本原理如下：

設(shè)原始圖像為f(x,y)，T為裂縫的分割閾值，分割圖像時(shí)需要滿(mǎn)足下式：

(1)

閾值分割方法的關(guān)鍵是設(shè)置合理的閾值。按閾值確定的分割運(yùn)算范圍，可分為全局閾值法和局部閾值法，而按閾值選取的方法可分為固定閾值法和自適應(yīng)閾值法等。已有研究[1]采用了全局、局部和自適應(yīng)閾值3種常規(guī)方法對(duì)墻壁裂縫圖像進(jìn)行分割，其結(jié)果如圖2所示。

(a)原圖

對(duì)比3種不同方法的結(jié)果可知，由于裂縫像素與背景像素的閾值差異不大，采用常規(guī)方法設(shè)置閾值難以區(qū)分裂縫與背景，無(wú)法有效分割提取裂縫。針對(duì)該問(wèn)題，Oliveira等[2]采用熵計(jì)算得到動(dòng)態(tài)的分割閾值，并根據(jù)自適應(yīng)閾值來(lái)分割圖像中裂縫像素。Li等[3]提出了一種二次閾值分割方法，采用改進(jìn)的Otsu閾值分割算法進(jìn)行預(yù)處理，去除路面圖像中的人為標(biāo)記，進(jìn)而采用自適應(yīng)迭代閾值算法完成圖像中裂縫的分割。S.Wang等[4]提出了一種基于路面裂縫密度分布的多尺度局部最優(yōu)閾值分割方法。從測(cè)試結(jié)果來(lái)看，局部最優(yōu)閾值方法比全局閾值法和最優(yōu)閾值法有更好的分割效果。這些學(xué)者所提出的方法，在一定程度上解決了裂縫閾值的設(shè)置問(wèn)題，提高了檢測(cè)準(zhǔn)確度。

2.2 邊緣檢測(cè)法

邊緣檢測(cè)的基本思想是將邊緣定義為圖像中灰度發(fā)生急劇變化的區(qū)域邊界，通過(guò)計(jì)算圖像灰度分布的梯度來(lái)獲得邊緣的檢測(cè)算子。由于裂縫與在襯砌圖像中的形態(tài)與物體的邊緣類(lèi)似，因此邊緣檢測(cè)方法也可用于裂紋檢測(cè)。

常用的邊緣檢測(cè)算子有Sobel算子、Roberts算子、Prewitt算子和Canny算子，不同的算子對(duì)同一類(lèi)型的邊緣有不同的檢測(cè)效果。不同圖像的裂縫邊緣檢測(cè)結(jié)果如圖3所示。

(a)橫向裂縫原圖

由圖3可知，由于裂縫紋理尺度變化大、多向性和寬度的不均勻性等復(fù)雜情況，使用單一的邊緣檢測(cè)算子的分割效果較差。因此，有學(xué)者針對(duì)裂縫的邊緣檢測(cè)算子做了較多改進(jìn)。H.Zhao等[6]提出了一種改進(jìn)的Canny邊緣檢測(cè)方法，采用Mallat小波變換對(duì)模糊邊緣進(jìn)行增強(qiáng)。C.C.Zhou等[7]利用遺傳算法獲得較好的自適應(yīng)閾值Canny算法。Ayenu等[8]研究了結(jié)合二維經(jīng)驗(yàn)?zāi)B(tài)分解(BEMD)和Sobel邊緣檢測(cè)的道路裂縫檢測(cè)方法。盡管通過(guò)構(gòu)造復(fù)雜的邊緣檢測(cè)算子提高了裂縫邊緣檢測(cè)的準(zhǔn)確性，同時(shí)提取了裂縫的邊緣并勾勒出裂縫的輪廓，但難以描述裂縫內(nèi)部像素信息以實(shí)現(xiàn)裂縫的準(zhǔn)確分割。

2.3 區(qū)域生長(zhǎng)法

基于區(qū)域生長(zhǎng)的算法是將單個(gè)像素或者像素點(diǎn)組成的區(qū)域擴(kuò)展為更大區(qū)域的過(guò)程。其基本思想是收集相似的像素形成一個(gè)區(qū)域。因此，種子的合理選擇是該方法的關(guān)鍵。

針對(duì)種子的選擇方法，朱平哲等[9]提出了一種主動(dòng)連接的方法，即通過(guò)對(duì)裂縫圖像進(jìn)行區(qū)域劃分，尋找種子區(qū)域，并根據(jù)裂縫區(qū)域間的相似屬性與種子區(qū)域迭代連接。Y.Zhou等[10]對(duì)路面圖像進(jìn)行預(yù)處理后，通過(guò)網(wǎng)格單元分析選擇裂紋種子，用歐幾里得最小生成樹(shù)結(jié)構(gòu)連接裂紋種子實(shí)現(xiàn)裂縫檢測(cè)。董安國(guó)等[11]提出了一種基于圖像的種子游走二值化橋梁裂縫檢測(cè)算法，其利用隨機(jī)產(chǎn)生的種子在給定規(guī)則下游走，并將種子點(diǎn)位置轉(zhuǎn)化原始圖像為二值圖，提取連通分量并進(jìn)行連接實(shí)現(xiàn)裂縫提取。該方法對(duì)于光照不均勻及背景噪聲不敏感的圖像有較好效果。

基于區(qū)域生長(zhǎng)的裂縫檢測(cè)結(jié)果如圖4所示。從圖像處理結(jié)果看，由于種子選擇所受影響因素的復(fù)雜性，會(huì)導(dǎo)致分割的裂縫呈現(xiàn)斷裂的情況，致使結(jié)果出現(xiàn)較大誤差。

(a)亮度不均衡的裂縫圖像

2.4 基于傳統(tǒng)機(jī)器學(xué)習(xí)的裂縫檢測(cè)算法

在基于圖像處理的裂縫檢測(cè)算法中，需要人工設(shè)計(jì)明確的單一圖像特征規(guī)則進(jìn)行檢測(cè)，導(dǎo)致算法的適應(yīng)性較差。為解決可泛化性問(wèn)題，研究者將機(jī)器學(xué)習(xí)方法應(yīng)用于裂縫檢測(cè)，通過(guò)學(xué)習(xí)樣本圖像數(shù)據(jù)中的多維特征來(lái)檢測(cè)圖像中的裂縫信息。

基于傳統(tǒng)機(jī)器學(xué)習(xí)的檢測(cè)算法，需人工設(shè)計(jì)待提取裂縫的多個(gè)復(fù)雜特征，采用支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林方法等算法完成圖像中的裂縫檢測(cè)。劉立峰等[12]提出了一種基于高斯尺度空間與支持向量機(jī)SVM(Sopport Vector Machine)多分類(lèi)器相結(jié)合的橋梁裂縫檢測(cè)及分類(lèi)算法，通過(guò)卷積運(yùn)算創(chuàng)建高斯尺度空間消除光照干擾，提取裂縫圖像特征向量，并利用SVM多分類(lèi)器進(jìn)行橋梁裂縫分類(lèi)。王保憲等[13]提出一種基于圖像高維特征壓縮映射的混凝土表面裂縫檢測(cè)算法，在高維特征壓縮映射的基礎(chǔ)上，進(jìn)一步利用最小二乘支持向量機(jī)快速準(zhǔn)確地判斷出裂縫與非裂縫樣本。G.Xu等[14]利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)特性，將裂縫檢測(cè)轉(zhuǎn)化為對(duì)每個(gè)子圖像塊存在裂縫的概率判斷。Y.Shi等[15]針對(duì)邊緣裂縫不均勻和具有復(fù)雜拓?fù)浣Y(jié)構(gòu)的裂縫檢測(cè)的問(wèn)題，提出了一種基于隨機(jī)森林方法的道路裂縫檢測(cè)方法，基于多層次和多方向提取裂縫特征并進(jìn)行隨機(jī)森林模型訓(xùn)練，實(shí)現(xiàn)裂縫檢測(cè)。

綜上分析，基于傳統(tǒng)機(jī)器學(xué)習(xí)的裂縫檢測(cè)方法中，研究采用了不同的裂縫圖像特征和組合，但裂縫特征的復(fù)雜性導(dǎo)致人工設(shè)計(jì)提取特征與實(shí)際偏差過(guò)大，導(dǎo)致檢測(cè)準(zhǔn)確性仍然難以滿(mǎn)足應(yīng)用需求。

3 基于深度學(xué)習(xí)的裂縫檢測(cè)算法

近年來(lái)，由于深度學(xué)習(xí)DL(Deep Learning)方法具有自動(dòng)從數(shù)據(jù)中學(xué)習(xí)特征的特點(diǎn)，在各種計(jì)算機(jī)視覺(jué)任務(wù)中取得了巨大的成功和廣泛的應(yīng)用，例如圖像分類(lèi)、目標(biāo)檢測(cè)和圖像分割等視覺(jué)任務(wù)。因此，研究者將深度學(xué)習(xí)方法引入裂縫自動(dòng)檢測(cè)，極大提高了裂縫自動(dòng)檢測(cè)的準(zhǔn)確性。

2016年，L.Zhang等[16]首次采用深度學(xué)習(xí)技術(shù)進(jìn)行裂縫檢測(cè)研究。此后，各種基于深度學(xué)習(xí)的裂縫檢測(cè)技術(shù)開(kāi)始出現(xiàn)。從實(shí)施的技術(shù)路徑上面，可按任務(wù)類(lèi)別將裂縫檢測(cè)算法分為3種：分類(lèi)、目標(biāo)檢測(cè)、像素級(jí)分割方法，如圖5所示[17]。其中，圖5(a)是輸入有裂縫原始圖像；圖5(b)是將原圖大尺寸圖像網(wǎng)格劃分為小圖像，通過(guò)分類(lèi)模型對(duì)每個(gè)小網(wǎng)格圖像分為有裂縫和無(wú)裂縫2類(lèi)；圖5(c)通過(guò)不同尺度的目標(biāo)檢測(cè)框，檢測(cè)圖像中存在裂縫的區(qū)域并標(biāo)注；圖5(d)采用像素分割方法，直接將圖像中屬于裂縫的像素進(jìn)行分割，屬于端到端的技術(shù)。下面將詳細(xì)介紹上述3種方法的研究現(xiàn)狀。

(a)原圖

3.1 分類(lèi)

分類(lèi)算法檢測(cè)裂縫的基本思路是構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型，通過(guò)對(duì)有裂縫樣本集訓(xùn)練學(xué)習(xí)獲得裂縫分類(lèi)模型，并用訓(xùn)練后模型對(duì)輸入新圖像進(jìn)行分類(lèi)，確定是否存在裂縫。由于圖像尺寸較大及計(jì)算資源的問(wèn)題，通常將輸入圖像按網(wǎng)格劃分為多個(gè)小尺寸圖像，再對(duì)每個(gè)小圖像進(jìn)行分類(lèi)和裂縫標(biāo)記，進(jìn)而通過(guò)網(wǎng)格化信息定位原始圖像中裂紋位置。

Young-Jin Cha等[18]提出了一種利用CNN深度架構(gòu)進(jìn)行混凝土裂縫檢測(cè)的方法。該方法設(shè)計(jì)了CNN深度模型，利用256×256像素尺寸圖像數(shù)據(jù)集進(jìn)行訓(xùn)練，并采用訓(xùn)練后模型對(duì)55張分辨率為 5 888×3 584像素的圖像進(jìn)行測(cè)試，其檢測(cè)性能超過(guò)傳統(tǒng)圖像處理方法。該方法的處理流程如圖6所示。

圖6 Young-Jin Cha等[18]提出的深度學(xué)習(xí)的檢測(cè)方法

L.Zhang等[16]將3 264×2 248分辨率的道路圖像劃分為99×99×3的小塊圖像，并采用其設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)對(duì)小塊圖像進(jìn)行分類(lèi)，輸出信息為小塊是否有裂紋的概率。Li等[19]提出了基于GoogLeNet的改進(jìn)分類(lèi)算法，實(shí)現(xiàn)了利用智能手機(jī)對(duì)路面的裂縫快速檢測(cè)。

通過(guò)網(wǎng)格化劃分為小尺寸圖像塊的方法，可以獲得粗略的定位信息，但是無(wú)法用于測(cè)量裂縫的長(zhǎng)度、寬度及類(lèi)型等特征參數(shù)。

3.2 目標(biāo)檢測(cè)

分類(lèi)任務(wù)結(jié)果為整張圖片的內(nèi)容描述，而目標(biāo)檢測(cè)結(jié)果為檢測(cè)目標(biāo)的類(lèi)別信息和位置信息。為了提高目標(biāo)檢測(cè)的準(zhǔn)確性和效率，現(xiàn)已有學(xué)者提出了許多目標(biāo)檢測(cè)CNN模型，如faster R-CNN、SSD、YOLO等，在其他應(yīng)用領(lǐng)域都取得了較好應(yīng)用。目標(biāo)檢測(cè)方法在裂縫檢測(cè)中的研究也較多。傳統(tǒng)的目標(biāo)檢測(cè)框架，主要包括3個(gè)步驟：

1)利用不同尺寸的滑動(dòng)窗口框住圖中的某一部分作為候選區(qū)域。

2)提取候選區(qū)域相關(guān)的視覺(jué)特征，如人臉檢測(cè)常用的Harr特征。

3)利用分類(lèi)器進(jìn)行識(shí)別，如常用的支持向量機(jī)(SVM)模型。

由于目標(biāo)檢測(cè)模型可實(shí)現(xiàn)分類(lèi)和定位，學(xué)者們將目標(biāo)檢測(cè)算法應(yīng)用于裂縫檢測(cè)。Y.-J.Cha等[20]采用ZF-net模型對(duì)faster R-CNN進(jìn)行了改進(jìn)，加速了圖像特征提取的學(xué)習(xí)速度。J.Li等[21]采用faster R-CNN來(lái)檢測(cè)6種道路的缺陷。該模型能在不同光照條件下自動(dòng)識(shí)別和定位缺陷，精度高，穩(wěn)定性好。同樣的，目標(biāo)檢測(cè)可通過(guò)不同尺度的檢測(cè)框得到裂縫的位置信息，但仍需從檢測(cè)框中去測(cè)量裂縫的特征參數(shù)。

3.3 像素分割

像素分割I(lǐng)S(Image Segmentation)是根據(jù)分割規(guī)則將圖像中的像素分成不同的部分。在裂縫圖像分割任務(wù)中，則是將每個(gè)像素分為有裂紋和無(wú)裂紋2類(lèi)。相比分類(lèi)和目標(biāo)檢測(cè)，圖像分割可得到裂縫像素的精確位置、裂縫結(jié)構(gòu)信息等，便于后續(xù)裂縫類(lèi)型檢測(cè)和參數(shù)測(cè)量任務(wù)，許多學(xué)者將該類(lèi)算法應(yīng)用于裂縫檢測(cè)。Z.Fan等[22]提出了4個(gè)卷積層、2個(gè)最大池化層、3個(gè)全連通層的網(wǎng)絡(luò)結(jié)構(gòu)，可實(shí)現(xiàn)對(duì)原始圖像的直接分割，其輸出圖像可以設(shè)置為不同分辨率，從1×1到5×5。該方法的處理框架如圖7所示。

圖7 Z. Fan等[22]提出的深度檢測(cè)框架

M.D.Jenkins等[23]提出了一種基于U-Net的道路裂縫語(yǔ)義分割算法，U-Net是一種基本的Encoder-Decoder 框架，如圖8所示。該網(wǎng)絡(luò)可分為編碼器層和解碼器層。編碼器層主要實(shí)現(xiàn)圖像的特征映射，解碼器層主要用于在分割過(guò)程中對(duì)特征向量進(jìn)行提升，并生成每個(gè)像素的概率分布。

(a)分割算法框架

Q.Zou等[24]提出了DeepCrack，該方法采用編碼器-解碼器結(jié)構(gòu)將路面圖像像素分割為裂縫和背景。

由于像素分割的方法可獲取精確的位置信息和裂縫結(jié)構(gòu)信息，可為后續(xù)裂縫特征測(cè)量和分類(lèi)等任務(wù)提供精確信息，因此從應(yīng)用的需求來(lái)看，基于分割的檢測(cè)方法是未來(lái)發(fā)展的方向。

4 結(jié)束語(yǔ)

1)隨著隧道自動(dòng)化快速檢測(cè)設(shè)備的推廣應(yīng)用，對(duì)隧道襯砌圖像病害智能檢測(cè)算法的需求越來(lái)越突出。經(jīng)過(guò)多年的發(fā)展，對(duì)圖像裂縫等病害的智能檢測(cè)算法取得了許多成果，但單一的算法無(wú)法處理各種類(lèi)型的圖像，因隧道環(huán)境因素復(fù)雜，在實(shí)際應(yīng)用中仍存在檢測(cè)精度較差，算法魯棒性差；另外，缺乏泛化性能較好的算法，不同的對(duì)象、場(chǎng)景及圖像需要對(duì)應(yīng)的算法，算法可移植性差。

2)對(duì)比自動(dòng)檢測(cè)算法的檢測(cè)效果，因需要人工設(shè)計(jì)裂縫有效特征等難題，基于圖像處理和基于傳統(tǒng)機(jī)器學(xué)習(xí)的裂縫檢測(cè)算法與基于深度學(xué)習(xí)的檢測(cè)算法相比，在精度、在線(xiàn)檢測(cè)速度和可泛化性等方面的性能均遠(yuǎn)低于深度學(xué)習(xí)的檢測(cè)算法。

3)針對(duì)隧道襯砌裂縫檢測(cè)的需求，通過(guò)基于深度學(xué)習(xí)的圖像預(yù)處理方法改善不同環(huán)境的圖像質(zhì)量，結(jié)合基于深度學(xué)習(xí)的分割檢測(cè)方法，是未來(lái)發(fā)展的主要方向。