凌小康,詹 杰,麻建飛

(1.中水珠江規(guī)劃勘測設計有限公司,廣東 廣州 510610;2.北京交通大學土木建筑工程學院,北京 100044)

裂縫是指結構在荷載或溫度作用下發(fā)生開裂的現(xiàn)象[1]。結構開裂是造成如交通、水利水電、建筑等工程安全隱患的直接原因,對工程的建設、運維產生不利影響[2-3]。如混凝土大壩病害[4-5]、隧洞襯砌病害[6-7]都與結構開裂有關。因此,開展裂縫識別方法研究對掌握結構損傷狀態(tài),科學地評價結構在施工運維過程中安全性具有重要的意義。

目前,工程中普遍采用的裂縫識別方法仍然是人工檢測。人工檢測具有很大的局限性,在面對大區(qū)域裂縫識別效率低下、主觀性強,而且在如道路、大壩等特殊建構筑物的檢測工作過程中存在安全隱患[8]。近年來,隨著機器視覺和圖像處理技術的不斷發(fā)展,利用數(shù)字圖像進行裂縫識別已經(jīng)成為裂縫檢測領域常用的方法。與傳統(tǒng)的人工檢測方法相比,該方法具有效率高、準確度高、穩(wěn)定等優(yōu)點,可以實現(xiàn)裂縫及裂縫特征參數(shù)地自動化識別[9]。

利用數(shù)字圖像進行裂縫識別是根據(jù)圖像中裂縫特征信息對裂縫進行識別和提取的一種方法[10]。國內外學者們開展了大量研究工作,可分為兩大類。一類是基于裂縫圖像的特征描述的裂縫識別方法,這類方法是基于裂縫圖像的各類特征進行裂縫識別,常用的有閾值分割[11]、邊緣檢測[12]、最大類間差法[13]等方法,此類方法對簡單的裂縫圖像有較好地識別精度,但是對圖像背景信息的魯棒性不強,當圖像背景信息較復雜時識別精度易受影響[14]。另一類是基于深度學習的裂縫識別方法,這類方法是基于大量裂縫數(shù)據(jù)集學習的裂縫識別方法,常用的方法有機器學習[15]、神經(jīng)網(wǎng)絡[16]、深度學習[17]等方法。此類方法不僅需要采集大量裂縫的原始數(shù)據(jù)集,而且需要對大量原始數(shù)據(jù)集需要逐一進行標記工作,這就極大地降低了該方法的普適性。因此,基于裂縫圖像的特征描述進行裂縫識別仍然是主要的研究方向,區(qū)域生長方法具有較強的魯棒性和較高的識別效率,針對裂縫識別這種高精度區(qū)域識別具有較好的效果。但是目前在裂縫識別應用中還存在以下2個關鍵問題沒有得到很好解決:一是區(qū)域生長方法需要人為選定生長點,無法滿足自動化檢測的需求;二是區(qū)域生長方法的識別結果受判斷閾值的影響,針對復雜背景的圖像無法保持較高的識別精度。

本文針對裂縫圖像的識別問題,提出了一種融合注意力機制和區(qū)域生長的裂縫識別方法,通過區(qū)域生長方法獲取不同閾值下的裂縫結果,引入注意力機制,根據(jù)動態(tài)閾值下裂縫識別結果為圖像各像素點賦予不同的權重系數(shù),得到較準確的裂縫識別結果,然后通過裂縫骨架長度和裂縫區(qū)域所占面積確定裂縫的特征信息,即裂縫長度和裂縫平均寬度。最后通過現(xiàn)場裂縫圖像驗證了該方法的可行性和有效性,為裂縫識別提供了一種新的方法。

1 裂縫識別算法研究

1.1 區(qū)域生長方法

區(qū)域生長方法是指將圖像上具有相似性質的像素點合并到同一區(qū)域中,是計算機圖形學的一種方法[18]。對于某一個區(qū)域,首先需要在區(qū)域內指定生長點作為區(qū)域生長的起點,然后按照一定的搜索原則進行搜索,將滿足搜索原則的點合并到生長點這個區(qū)域中,最終得到與生長點具有相似性質的一個區(qū)域。區(qū)域生長方法相較于傳統(tǒng)的邊緣檢測、閾值分割等方法具有更強的魯棒性。區(qū)域生長方法原理見圖1。

a)生長點

1.2 注意力機制

注意力機制是人工神經(jīng)網(wǎng)絡中模仿人類認知注意力的方法。在人類認知注意力中,人類的注意力是有限的,不可能關注到所有信息,而是有選擇地關注一部分人類認為重要的信息,這種機制就是注意力機制[19]。注意力機制主要有2個關鍵的步驟:一個是判斷需要重點關注哪一部分信息,另一個是將有限的注意力處理這部分關鍵信息。注意力機制原理見圖2。

圖2 注意力機制原理

1.3 裂縫識別算法流程設計

裂縫區(qū)域與圖像背景區(qū)域存在較大的灰度值差異,見圖3。從圖3c、3d中可以看出,大部分裂縫區(qū)域灰度值在50以下,相較于背景區(qū)域大于100的灰度值存在較大的差異。因此,只要保證生長點位于裂縫區(qū)域內,就能通過區(qū)域生長方法較完整地識別出整條裂縫。但是從圖3d中可以看出背景區(qū)域也存在灰度值極小的像素點,從而影響裂縫識別精度。所以,本文引入注意力機制對區(qū)域生長識別出的裂縫結果進行處理,得到較準確的裂縫識別結果。

a)裂縫灰度圖像 b)圖像子區(qū)

基于區(qū)域生長方法和注意力機制,提出并在Matlab中編程實現(xiàn)了裂縫識別算法。裂縫檢測程序識別流程主要包括圖像讀取、圖像預處理、裂縫識別、結果顯示4個部分,見圖4。

圖4 裂縫識別算法流程

圖像的預處理是指對采集到的圖像進行灰度化處理的過程。通常采集到的圖像是RGB三通道圖像,需要通過圖像灰度化處理將RGB圖像轉為灰度圖像,在保留裂縫信息的基礎上,可以簡化矩陣,提高裂縫識別算法的效率?；叶然幚硪娛?1):

Gray=0.299R+0.587G+0.114B

(1)

式中 Gray——圖像灰度值;R——圖像在紅色通道的值;G——圖像在綠色通道的值;B——圖像在藍色通道的值。

裂縫識別是指對預處理過后的圖像進行裂縫識別的過程。采用區(qū)域生長方法,獲取動態(tài)閾值下裂縫識別結果,引入注意力機制,根據(jù)動態(tài)閾值下識別結果為圖像各像素點賦予不同的權重系數(shù),經(jīng)過一次閾值判斷,得到較為準確的裂縫識別結果。

結果顯示模塊是以原始彩色圖像為底圖,設置識別出裂縫區(qū)域的顯示顏色和透明度,將識別出的裂縫區(qū)域和原始彩色圖像顯示在同一個圖像上。

2 裂縫識別算法

2.1 生長點的確定

傳統(tǒng)的區(qū)域生長方法需要人工選定生長點,無法滿足自動化檢測的需求。圖像中裂縫區(qū)域的灰度值與背景區(qū)域的灰度值會有差異,并且裂縫區(qū)域通常是連續(xù)的。因此,確定的生長點就需要在裂縫區(qū)域內,再根據(jù)區(qū)域生長方法將生長點周圍具有相似性質的區(qū)域識別出來。

具體的生長點確定步驟如下:首先將預處理后圖像中灰度較低的點識別出來,記錄其灰度值和位置信息。該步驟的關鍵在于確定在裂縫區(qū)域內的生長點和確定合適的生長點數(shù)量。如果生長點數(shù)量過少,就會導致所有生長點位于圖像背景區(qū)域中,不能正確識別出圖像裂縫信息;如果生長點數(shù)量過多,就會影響區(qū)域生長的識別效率。因此確定合適的生長點數(shù)量是準確識別裂縫的關鍵因素之一,通常工業(yè)相機采集的圖像分辨率為1 600×1 200 pixel,共216萬個像素點,在滿足裂縫識別準確度的前提下,盡可能地保證裂縫識別的效率。不同生長點數(shù)量下裂縫識別的準確度和時間見圖5。從圖中看出生長點數(shù)量越多,裂縫識別的準確度先增加,然后在一定的范圍內波動;而生長點數(shù)量越多,其裂縫識別的時間越長。經(jīng)過比選最終確定生長點數(shù)量為像素點總數(shù)的0.01%。

圖5 不同生長點數(shù)量下裂縫識別結果

2.2 搜索方法

搜索方法是指在確定生長點后,對生長點周圍區(qū)域的搜索方法。常用的區(qū)域生長搜索方法有2種:四鄰域搜索和八鄰域搜索,見圖6。其中四鄰域就是搜索某個點的4個方向(上、下、左、右)4個點,八領域就是搜素某個點周圍所有方向(上、下、左、右、左上、右上、右下、左下)8個點。

FTFTATFTF

圖7為不同搜索方法的裂縫識別結果。從圖7b中可以看出,四鄰域搜索方法下裂縫識別的結果存在誤差,即圖中紅色區(qū)域部分未能識別為裂縫區(qū)域;而八鄰域搜索方法下裂縫識別的結果較四鄰域搜索方法下裂縫識別結果更加完整,表明八鄰域搜索方法具有更好的魯棒性,因此,本文采用八鄰域搜索方法。

a)裂縫區(qū)域

2.3 區(qū)域生長判斷準則

(2)

(3)

(4)

2.4 注意力機制

根據(jù)區(qū)域生長原則可知,動態(tài)閾值的值越小時,根據(jù)區(qū)域生長得到的裂縫信息越全面,同時背景區(qū)域的誤識別信息也越多,因此本文建立多個動態(tài)閾值識別裂縫信息,然后通過注意力機制處理背景區(qū)域誤識別信息,提高裂縫區(qū)域識別精度。

具體步驟如下:采用不同的動態(tài)閾值進行區(qū)域生長計算,獲得不同動態(tài)閾值下裂縫區(qū)域的識別結果(二值化矩陣),以動態(tài)閾值取值最小時識別出的裂縫區(qū)域為初始裂縫區(qū)域,獲取初始裂縫的水平坐標范圍和豎直坐標范圍,即初始裂縫再圖像中的范圍Z,在這個范圍內如果同時被所有動態(tài)閾值識別為裂縫的位置賦予最高的權重,即認為這個位置就是裂縫位置;但是如果只被某些動態(tài)閾值識別為裂縫的位置,那么就相應降低這個權重值;如果這個位置在所有動態(tài)閾值下都被識別為非裂縫區(qū)域,那么對該位置賦予最低的權重,權重取值見式(4)。最后,將權重系數(shù)矩陣乘以圖像灰度矩陣,然后通過一次閾值判斷,當像素值小于閾值時,判斷其為最終裂縫區(qū)域,當像素值大于閾值時,判斷其為非裂縫區(qū)域,注意力機制可表示為式(5):

(5)

式中w——權重系數(shù)。

3 裂縫識別結果及分析

3.1 裂縫識別結果

根據(jù)本文提出的裂縫識別方法,選取現(xiàn)場裂縫圖像進行裂縫提取,現(xiàn)場裂縫圖像見圖8。不同動態(tài)閾值下裂縫的提取結果見圖9,可以看出動態(tài)閾值的值越小時,根據(jù)區(qū)域生長得到的裂縫信息越全面,同時背景區(qū)域的誤識別信息也越多。圖10為裂縫的最終識別結果,可以看出原始圖像中絕大部分裂縫信息都被準確地識別。

圖8 原始裂縫圖像

a)動態(tài)閾值=0.02

圖10 裂縫最終識別結果

3.2 裂縫識別結果分析

獲得裂縫最終識別結果后(二值圖),通過結果顯示模塊,以原始裂縫圖像為底圖,設置識別出的裂縫區(qū)域顯示顏色為紅色,透明度為60%,將識別出的裂縫區(qū)域和原始裂縫圖像顯示在同一個圖像上,見圖11。從圖中可以看出,裂縫識別的結果較為準確,原始裂縫圖像中的一條主裂縫和一條次裂縫都被準確地識別出來,但是在裂縫的端部區(qū)域,存在小區(qū)域的裂縫未被識別,綜合來看,裂縫識別的結果較為理想。選擇不同背景和不同裂縫形狀的圖像進行裂縫識別,識別結果見圖12?？梢钥闯?在不同背景和不同裂縫形狀下,本文算法的識別結果均較為準確,證明了本文算法的魯棒性。

圖11 裂縫結果顯示

a)裂縫1識別結果

為了定性地描述裂縫信息,在獲得裂縫識別結果后,計算出裂縫的特征信息(裂縫長度和裂縫平均寬度),其中裂縫長度確定方法為:提取出裂縫的骨架線,以骨架線所占的像素個數(shù)為裂縫長度。裂縫平均寬度由裂縫區(qū)域所占的像素個數(shù)除以裂縫長度確定。裂縫特征信息見表1。從表1中可以看出,本文提取裂縫的長度和平均寬度與實際結果相差不大,誤差在10%左右,基本滿足工程上裂縫識別的要求,表明本文融合注意力機制和區(qū)域生長的裂縫識別方法的準確性和可行性。

表1 裂縫特征信息

4 結論

裂縫識別是一個復雜的圖像處理問題。本文提出了一種融合注意力機制和區(qū)域生長的裂縫識別方法,以不同的動態(tài)閾值進行區(qū)域生長計算,獲得不同動態(tài)閾值下裂縫識別結果,引入注意力機制,賦予裂縫區(qū)域更大的權重系數(shù),最終得到較準確的裂縫識別結果。主要結論如下:①針對區(qū)域生長中不同閾值對裂縫識別精度的影響,引入注意力機制,融合多組閾值下裂縫識別結果,結果表明,融合注意力機制和區(qū)域生長的裂縫識別方法具有較強的魯棒性和識別準確度;②現(xiàn)場圖像裂縫識別結果表明,本文提出的融合注意力機制和區(qū)域生長的裂縫識別方法對較復雜的裂縫圖像仍有較強的識別能力,且裂縫識別精度可靠,可為工程健康監(jiān)測提供支持。