楊陽，李青澤，姚剛

(重慶大學 山地城鎮(zhèn)建設(shè)與新技術(shù)教育部重點實驗室；土木工程學院，重慶 400045)

預制疊合板構(gòu)件因其整體性能好、生產(chǎn)周期短、模板利用率高等優(yōu)點，在裝配式住宅體系中廣泛應(yīng)用，成為裝配式建筑中最常用的水平構(gòu)件[1-3]。預制疊合板在生產(chǎn)時已經(jīng)進行深化設(shè)計，能夠顯著降低施工難度，減少現(xiàn)場施工強度，縮短施工工期，使裝配式建筑的品質(zhì)得到提高，還能減少施工現(xiàn)場的建筑垃圾，實現(xiàn)綠色施工。

在裝配式住宅體系中，照明系統(tǒng)、消防系統(tǒng)、強電系統(tǒng)需要在疊合板中設(shè)置預埋件，消火栓給水系統(tǒng)、污水系統(tǒng)、雨水系統(tǒng)、煙道及風井洞口需要在疊合板中設(shè)置預留洞口。在生產(chǎn)過程中，由于施工制圖階段專業(yè)間配合不到位、深化設(shè)計精細度不夠、制造技術(shù)和生產(chǎn)工藝的失誤等原因，會引起疊合板上的預留洞口、預埋件缺失或位置出現(xiàn)偏差，在進行安裝時需現(xiàn)場進行二次處理或者進行返廠處理，會導致建造成本增加，施工進度滯后，工期延誤風險增大[4]。在施工現(xiàn)場進行鋼筋切除、定位開孔等加工修正處理，因條件限制，精度較低，可能會導致后期澆筑時發(fā)生漏漿、成型質(zhì)量差等問題。預制疊合板構(gòu)件出廠前，常規(guī)的人工檢測方法檢測效率較低，并且存在不可避免的人為影響誤差。

機器視覺檢測技術(shù)因高效快速而被應(yīng)用于水表檢測[5]、光伏電池缺陷識別[6]、結(jié)構(gòu)損傷檢測[7-9]、軸承尺寸誤差檢測[10]、清水混凝土表面缺陷檢測中[11-12]，取得了較好的效果，但目前還未見將機器視覺技術(shù)應(yīng)用到預制疊合板構(gòu)件檢測的相關(guān)研究。筆者提出一種基于機器視覺的智能化檢測預制疊合板構(gòu)件深化設(shè)計內(nèi)容的方法，可以通過圖像特征統(tǒng)計與分析，一次性快速提取預制疊合板構(gòu)件中的特征信息，并與已知的預制疊合板構(gòu)件尺寸信息進行比較，可準確檢測出預制疊合板尺寸及深化設(shè)計內(nèi)容是否滿足要求，并給出預制疊合板構(gòu)件不合格的原因。該方法能夠提高檢測速度，增強檢測結(jié)果的準確性，從而降低預制疊合板構(gòu)件的返廠率，降低工期延誤的風險。

1 試驗

1.1 試件生產(chǎn)

選取疊合板深化設(shè)計中的預留排水管洞口(D160-C)、給水管洞口(D100-C)、預埋件(D80-E)為試驗參數(shù)，標準疊合板構(gòu)件的長度為2.82 m，寬度為0.79 m，厚度為60 mm。標準疊合板的尺寸及相關(guān)信息已經(jīng)錄入信息管理系統(tǒng)，并建立了標準板模型坐標系統(tǒng)。預留排水管洞口(D160-C)、給水管洞口(D100-C)、預埋件(D80-E)的尺寸和位置如圖1所示，排水管洞口、給水管洞口及預埋件的直徑分別為160、100、80 mm。

圖1 標準構(gòu)件模型(單位：mm)

將1塊標準疊合板構(gòu)件和2塊不合格疊合板構(gòu)件進行對比分析，不合格疊合板構(gòu)件設(shè)置為洞口、預埋件偏移和洞口、預埋件位置缺失，3個疊合板構(gòu)件分別命名為PC-S-1、PC-C-2、PC-C-3，具體參數(shù)如表1所示。

表1 預制疊合板構(gòu)件參數(shù)測量值

1.2 試驗方案及測試方法

1.2.1 試驗方案 通過機器視覺對預制疊合板進行識別的過程中，識別結(jié)果的精度主要取決于圖像的質(zhì)量，因此，需要盡量減少干擾因子和不確定變量。所研究的預制疊合板構(gòu)件智能化檢測技術(shù)中采用了二維尺寸拍攝系統(tǒng)，系統(tǒng)由支架、垂直照射的面光源、工業(yè)相機、存儲端、識別端組成，圖2給出了智能化檢測技術(shù)硬件系統(tǒng)，疊合板構(gòu)件的原始采集圖像如圖3所示。

圖2 智能化檢測技術(shù)硬件系統(tǒng)

圖3 試件原圖像

1.2.2 識別方法 在圖像產(chǎn)生、傳輸和復制過程中，常常會因為多方面原因而被噪聲干擾或出現(xiàn)數(shù)據(jù)丟失，降低了圖像的質(zhì)量(比如某一像素點與它周圍像素點相比有明顯的不同，則該點被噪聲所感染)。目前常用的圖像平滑方法為均值濾波、中值濾波和高斯濾波[13-14]。

均值濾波法不能很好地保護圖像細節(jié)，在圖像去噪的同時也破壞了圖像的細節(jié)部分，從而使圖像變得模糊，不能很好地去除噪聲點。中值濾波法對高斯噪聲的抑制存在明顯不足。Gauss濾波器對圖像平滑去噪時，每一個像素點的值都由其本身和鄰域內(nèi)的其他像素值經(jīng)過加權(quán)平均后得到，更適用于本方法中的圖像去噪。

對疊合板預制構(gòu)件圖像進行二值化處理時，需要提取試件中的特征信息。因此，需要選取適當?shù)拈撝祵D像的背景與特征目標進行分離。目前已有的方法有Otsu法、迭代法、基于谷底最小值的閾值、灰度平均值法[15-16]。Otsu法計算速度快，受圖像的亮度及圖像色彩的對比度影響小，筆者選擇Otsu法進行閾值的確定，完成圖像二值化分割。

疊合板預制構(gòu)件圖像進行角點檢測時，需要通過角點檢測算子，對圖像的每個像素計算角點響應(yīng)函數(shù)并閾值化，根據(jù)實際情況選擇閾值，對閾值化的角點響應(yīng)函數(shù)進行非極大值抑制，并獲取非零點作為角點。通過一個小的滑動窗口在鄰域檢測角點，在任意方向上移動窗口，若窗口內(nèi)的灰度值都有劇烈的變化，則窗口的中心就是角點。Harris 角點檢測算法對噪聲不敏感，具有平移和旋轉(zhuǎn)不變性、高重復性和高信息量, 而且在不同光照條件下具有良好的穩(wěn)定性[17]。Harris角點檢測算法不適用于對尺度變化要求高的情況。在預制疊合板構(gòu)件檢測過程中，尺度變化不大，因此選擇了Harris角點檢測算法。

圖像邊緣特征提取方法主要有Roberts算子、Sobel算子、Prewitt算子、Laplace算子及Canny算子。

由圖4可知，Roberts算子處理的圖像對邊緣的保留效果比較好，并且Roberts算子對噪聲有很強的抑制力，但是圖像邊緣并不完全連通，缺失較多。Sobel算子處理的圖像能夠保留絕大多數(shù)的圖像邊緣，但對噪聲比較敏感。Prewitt算子保留的圖像邊緣較多，但圖像邊緣仍有小范圍的斷開，并且噪聲對Prewitt算子影響更加明顯，因為噪聲影響導致圖像處理過程中出現(xiàn)了部分虛假邊緣。Laplace算子對噪聲具有較強的抑制性，處理的圖像邊緣較清晰，但并不完全連通。Canny算子處理的圖像邊緣保留比較完整,邊緣視覺效果較清晰，且對噪聲具有較強的抑制性。因此，應(yīng)用Canny算子對圖像邊緣特征進行提取。

圖4 5種圖像邊緣特征提取方法對比

1.2.3 檢測流程 為了統(tǒng)計并提取疊合板構(gòu)件中的相關(guān)信息，去除圖像在采集和數(shù)字化過程中產(chǎn)生的噪聲，應(yīng)用加權(quán)平均法對圖像進行灰度歸一化處理，并進行中值濾波處理，突出圖像的灰度層次和邊緣特征[5]。通過Otsu法進行閾值的確定，完成了圖像的二值化分割[10]?；贑anny算子對圖像邊緣特征進行提取，將攝取目標轉(zhuǎn)換成圖像信號，傳送給圖像處理系統(tǒng)，根據(jù)像素分布和亮度、顏色等信息，轉(zhuǎn)變成數(shù)字化信號?；谵D(zhuǎn)化的信號信息，圖像系統(tǒng)進行目標的特征提取，消除不必要的背景，增強不合格疊合板構(gòu)件的表現(xiàn)形式。程序使用Python編寫，在OpenCV平臺中實現(xiàn)，檢測流程及算法如圖5所示。

圖5 檢測流程及算法

2 試驗結(jié)果與討論

2.1 圖像預處理

圖像灰度化處理是將彩色圖像變成灰度圖像的過程。彩色圖像中的像素由R、G、B三個分量表述，各分量的變化范圍為0～255，每一個分量都有256個級別亮度，因此，每個像素都可以表述16 777 216種顏色，其信息量較大?；叶葓D像的R、G、B三個分量相等，灰度值由255減小到0，是從全白變成全黑的過程，將圖像進行灰度化處理后，可以減少計算量。受測量設(shè)備和周圍環(huán)境的影響，圖像會產(chǎn)生大量噪聲，為去除噪聲，灰度歸一化后進行中值濾波處理，采用3×3模板的中值濾波，效果如圖6所示，圖像灰度歸一化及濾波后輪廓較為清晰。

圖6 試件圖像灰度歸一化

二值圖像便于進行目標識別，并且計算效率高，因此，采用平均閾值法進行二值化處理，效果如圖7所示。

圖7 試件圖像二值化

2.2 圖像識別與分析

通過基于機器視覺的預制疊合板構(gòu)件智能化檢測技術(shù)對PC-S-1、PC-C-2、PC-C-3試件進行識別，識別結(jié)果如圖8所示。每個圖像識別處理時間均小于1.0 s，識別結(jié)果中的內(nèi)容有：構(gòu)件是否通過檢測、輪廓尺寸、不同類型預留孔洞、預埋件的個數(shù)、坐標參數(shù)、直徑、置信度，并用不同顏色對識別結(jié)果進行顯示。

由圖8可知，基于機器視覺和BIM技術(shù)的預制疊合板構(gòu)件智能化檢測技術(shù)對預留洞口和預埋件的數(shù)量識別結(jié)果正確率為100%，能夠準確識別預留洞口和預埋件的個數(shù)，推測其能有效識別特征信息的數(shù)量。圖8顯示，PC-S-1構(gòu)件合格(Pass)，PC-C-2及PC-C-3構(gòu)件不合格(Fail)，對PC-S-1、PC-C-2、PC-C-3構(gòu)件是否合格的判斷正確率為100%。

圖8 試件圖像識別與判定

3個預制疊合板構(gòu)件輪廓尺寸判斷結(jié)果顯示在圖8各圖左下方，輪廓尺寸判斷結(jié)果為小數(shù)點后兩位，顯示結(jié)果均為正確，置信率分別為0.967 8、0.951 7、0.997 9。PC-C-3構(gòu)件置信率最高，PC-S-1、PC-C-2構(gòu)件置信率差別較小，由結(jié)果推測，當預制疊合板構(gòu)件上無預埋件、預留洞口等給排水設(shè)計時，其邊緣特征識別結(jié)果更準確，內(nèi)部特征信息對邊緣特征識別有一定的影響，隨著內(nèi)部特征信息增加，邊緣特征識別精度降低。

根據(jù)表2中數(shù)據(jù)對比輪廓尺寸、預留洞口和預埋件的尺寸識別結(jié)果，發(fā)現(xiàn)D160-C、D100-C、D80-E的識別標準方差分別為2.08、2.0、4.163，預埋件識別精度最低。對比預留洞口和預埋件的位置識別結(jié)果發(fā)現(xiàn)，預留孔洞位置識別精度高于預埋件。在檢測過程中，對輪廓尺寸識別效果最好，D160-C、D100-C預留孔洞次之，D80-E預埋件識別效果最差。推測其原因為預埋件形狀不規(guī)則，影響了識別效果，而文中提出的檢測方法對規(guī)則幾何尺寸信息的識別準確性更高。

表2 試件參數(shù)識別值

設(shè)計的測量系統(tǒng)分為硬件部分和軟件部分，因此，測量誤差主要來源是硬件誤差和軟件誤差。硬件誤差主要來源有3個方面：1)相機在標定時產(chǎn)生的誤差。相機進行標定的時候獲取的是像素級別的點坐標，所以后續(xù)會對預制疊合板的測量精度產(chǎn)生一定影響；2)量化誤差。該誤差與相機分辨率相關(guān)，對于邊緣突變的像素點，相機的分辨率越高，得到的圖像位置誤差越小。相機內(nèi)部的傳感器也會對測量結(jié)果產(chǎn)生一定的影響；3)相機鏡頭因為光線折射產(chǎn)生的畸變誤差。如果鏡頭的對焦方式是手動對焦，不能保證靶面與像平面重合，這些將對測量結(jié)果產(chǎn)生一定的影響。軟件誤差指的是在圖像處理的過程中將模擬信號離散化也會對尺寸產(chǎn)生不同程度的影響，而且在進行尺寸擬合時算法的復雜性也會對測量結(jié)果產(chǎn)生誤差。因此，當預制疊合板構(gòu)件誤差較小，只是制作精度有一定欠缺時，可從提高相機的分辨率、減小鏡頭畸變程度、對環(huán)境光源進行布置和選擇、提高圖像處理精度方面進行改進，最終達到檢測要求。

3 結(jié)論

基于機器視覺技術(shù)，提出一種針對預制疊合板構(gòu)件尺寸及深化設(shè)計內(nèi)容的智能化檢測方法。首先通過預制構(gòu)件生產(chǎn)線上的攝像系統(tǒng)進行圖像采集，然后濾除噪聲，對圖像進行預處理，通過Canny算子對邊緣特征進行提取，通過Harris角點檢測算法對圖像內(nèi)部特征進行提取，并將提取出的信息與已儲存信息進行對比。通過研究得到以下結(jié)論：

1)該方法能檢測出預制疊合板構(gòu)件預留孔洞及預埋件的個數(shù)、位置及尺寸偏差。

2)該方法能對預制疊合板構(gòu)件特征信息的數(shù)量進行正確識別，并對構(gòu)件是否合格進行分析。構(gòu)件的內(nèi)部特征信息對其邊緣特征識別有一定的影響，隨著內(nèi)部特征信息的增加，邊緣特征識別精度降低。當識別不規(guī)則形狀時，該方法識別精度有所下降，對較大尺寸的構(gòu)件識別精度更好。

3)該方法對預制疊合板構(gòu)件中構(gòu)件尺寸、預留孔洞、預埋件的位置和尺寸可進行非接觸檢測，整體檢測精度較高，可以有效解決因預制疊合板構(gòu)件質(zhì)量問題導致的返工和誤工。