收稿日期：2023-06-16

基金項(xiàng)目：滁州城市職業(yè)學(xué)院科研重點(diǎn)項(xiàng)目（2023skzd03）；滁州城市職業(yè)學(xué)院質(zhì)量工程重點(diǎn)項(xiàng)目（2022zdjyxm14）；安徽省職業(yè)與成人教育學(xué)會(huì)一般項(xiàng)目（AZCJ2023182）；安徽省職業(yè)與成人教育學(xué)會(huì)一般項(xiàng)目（AZCJ2023180）

作者簡(jiǎn)介：於平（1982-），男，安徽全椒人，講師，研究方向?yàn)槔碚撐锢砼c圖像處理.E-mail：lindataohuayuan@163.com.

文章編號(hào)：2095-6991（2024）04-0044-05

摘要：為了提高管道裂紋缺陷的檢測(cè)水平，提出一種基于改進(jìn)細(xì)化算法的管道裂紋檢測(cè)算法，并對(duì)其有效性進(jìn)行研究.首先，利用管道機(jī)器人搭載的視覺(jué)傳感器獲取裂紋圖像，并對(duì)圖像進(jìn)行預(yù)處理；然后，提出基于改進(jìn)的OTSU算法和骨架的長(zhǎng)短軸算法分別進(jìn)行圖像分割和特征提取，計(jì)算出目標(biāo)的長(zhǎng)度、寬度和面積等幾何特征；最后，對(duì)特征進(jìn)行分析并檢測(cè)裂紋目標(biāo).實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)算法相比，本文所提算法準(zhǔn)確率較高，能夠有效計(jì)算裂紋的幾何特征值并進(jìn)行檢測(cè)，滿足管道裂紋檢測(cè)的要求.

關(guān)鍵詞：圖像處理；裂紋檢測(cè)；圖像分割；特征提取

中圖分類號(hào)：TP391.4"""" 文獻(xiàn)標(biāo)志碼：A

Research on Crack Detection Algorithm Basedon Improved Refinement Algorithm

YU Ping

（Department of Pubic Education， Chuzhou City Vocational College， Chuzhou 239000， Anhui， China）

Abstract：In order to improve the detection level of pipeline crack， a crack detection algorithm is proposed based on improved refinement algorithm in this paper. Firstly， the crack image is acquired by the visual sensor mounted on the robot， and the image is preprocessed. Secondly， the image is segmented and feature is extracted by using the improved OTSU algorithm and an algorithm based on crack skeleton， then the length， width and area of crack are calculated. Finally， the target of crack is detected by analyzing the feature. The experimental results show that compared with traditional algorithm， the accuracy of the method in this paper is higher， and the crack geometric features can be calculated and detected effectively， which can meet the requirements of pipeline crack detection.

Key words：image processing; crack detection; image segmentation;feature extraction

0" 引言

管道在工業(yè)化發(fā)展過(guò)程和城市建設(shè)中起著重要的作用，如城市排水、石油運(yùn)輸?shù)?隨著我國(guó)工業(yè)化建設(shè)不斷發(fā)展，管道越來(lái)越長(zhǎng)且結(jié)構(gòu)復(fù)雜，運(yùn)輸介質(zhì)和環(huán)境等影響造成管道變形、腐蝕、裂紋等缺陷，進(jìn)而引發(fā)泄漏、爆破等事故，對(duì)人身安全、社會(huì)環(huán)境以及經(jīng)濟(jì)發(fā)展造成影響，因此對(duì)管道進(jìn)行定期檢測(cè)具有重要意義［1］.

目前常用的管道檢測(cè)方法有超聲波檢測(cè)法、聲吶檢測(cè)法和激光光源投影成像檢測(cè)法等［2-3］.傳統(tǒng)方法工作量大、效率低且自動(dòng)化程度也較低，隨著管道機(jī)器人的發(fā)展，利用其搭載視覺(jué)傳感器，基于機(jī)器視覺(jué)對(duì)管道缺陷進(jìn)行檢測(cè)，成為目前研究者們關(guān)注的焦點(diǎn).王斌等［4］基于形態(tài)學(xué)運(yùn)算對(duì)管道缺陷圖像進(jìn)行分割提取其缺陷特征，并利用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別，取得較好的效果，但由于環(huán)境等因素影響，導(dǎo)致分割的成功率較低.梁雪慧等［5］對(duì)橋梁裂縫圖像進(jìn)行訓(xùn)練和測(cè)試，利用改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)對(duì)缺陷進(jìn)行檢測(cè)分類.Qin Zou等［6］針對(duì)裂紋提出改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)算法進(jìn)行檢測(cè)，能夠檢測(cè)出噪聲污染嚴(yán)重圖像的裂紋，且正確率較高.牛壯等［7］基于機(jī)器視覺(jué)對(duì)復(fù)雜背景下的裂紋圖像進(jìn)行檢測(cè)，但是對(duì)于復(fù)雜裂紋的圖像不能檢測(cè)其缺陷.

裂紋是管道最普遍的缺陷，且公路路面、橋梁和隧道等裂紋缺陷也對(duì)生產(chǎn)生活有重要的影響［8-9］，因此本文主要對(duì)裂紋缺陷檢測(cè)進(jìn)行研究.通常裂紋識(shí)別方法可以大致分為兩種：①基于邊緣的算法是通過(guò)提取裂紋缺陷的輪廓計(jì)算其特征，但是對(duì)于復(fù)雜的裂紋很難獲取其完整輪廓；②基于圖像的分割算法是將裂紋目標(biāo)和背景分開(kāi)，然后對(duì)目標(biāo)進(jìn)行檢測(cè)識(shí)別判斷是否為裂紋，對(duì)圖像的噪聲和環(huán)境等要求較低.由于管道圖像中裂紋輪廓比較復(fù)雜，很難提取出完整的輪廓，因此本文提出改進(jìn)的最大類間方差法對(duì)目標(biāo)和背景進(jìn)行分割，并對(duì)目標(biāo)區(qū)域進(jìn)行特征分析，應(yīng)用基于裂紋骨架的長(zhǎng)短軸算法，識(shí)別裂紋區(qū)域，最后基于MATLAB進(jìn)行實(shí)驗(yàn)仿真和界面顯示.

1" 裂紋圖像的處理

1.1" 裂紋圖像的預(yù)處理

由于光照、環(huán)境等影響，裂紋圖像的對(duì)比度較低，目標(biāo)區(qū)域不明顯，需要對(duì)圖像進(jìn)行預(yù)處理，包括圖像增強(qiáng)和濾波等.

圖像增強(qiáng)主要通過(guò)灰度變換提高目標(biāo)區(qū)域與背景對(duì)比度，增強(qiáng)感興趣區(qū)域的同時(shí)削弱有干擾的區(qū)域.線性對(duì)比度展寬是通過(guò)拉伸目標(biāo)區(qū)域的灰度值突出有用的細(xì)節(jié)，抑制背景［10］.設(shè)原圖像的灰度值為f（x，y），增強(qiáng)后圖像的灰度為g（x，y），若將感興趣區(qū)域［fa，fb］的灰度值擴(kuò)展為［ga，gb］，計(jì)算公式為：

g（x，y）=gafaf（x，y）0≤f（x，y）lt;fa，

gb－gafb－fa（f（x，y）－fa）+

gafa≤f（x，y）lt;fb，

255－gb255－fb（f（x，y）－fb）+

gbfb≤f（x，y）lt;255.（1）

圖像在進(jìn)行增強(qiáng)前先灰度化減少計(jì)算量，原始灰度圖像和增強(qiáng)后的圖像如圖1所示，可以看出裂紋與背景區(qū)域?qū)Ρ榷仍黾?，裂紋目標(biāo)更明顯.

視覺(jué)傳感器獲取的原始圖像中噪聲較多，濾波可以增強(qiáng)圖像中的低頻成分同時(shí)去除高頻，達(dá)到濾除噪聲的目的.常用的濾波算法有均值濾波、高斯濾波和中值濾波等.中值濾波是在模板內(nèi)將像素進(jìn)行排序，并取中間值代替原灰度值，由于沒(méi)有對(duì)像素進(jìn)行平滑處理，能夠很大程度上保護(hù)圖像的邊緣細(xì)節(jié)，濾除椒鹽噪聲等，因此本文利用中值濾波對(duì)圖像進(jìn)行處理.在中值濾波前先將圖像反轉(zhuǎn)，進(jìn)一步增強(qiáng)裂紋和背景的對(duì)比度，效果如圖2所示.

1.2" 圖像分割

裂紋圖像中目標(biāo)區(qū)域較小，與背景區(qū)域之間存在過(guò)度范圍，因此分割時(shí)的閾值選取尤為重要.傳統(tǒng)的最大類間方差（OTSU）算法［12］利用方差將圖像中的像素分為目標(biāo)和背景兩類，但該算法選取的閾值容易將背景像素作為目標(biāo)，模糊了裂紋邊緣，因此本文提出基于梯度的OTSU算法進(jìn)行圖像分割.

1.2.1" 基于梯度的OTSU算法

通常圖像中位于邊緣位置的像素灰度值差別較大，可以利用灰度值的梯度變化檢測(cè)圖像邊緣.常用的一階梯度算子有Roberts算子、Sobel和Priwitt算子等，其中Priwitt算子對(duì)于邊緣提取效果較好，且能夠增加抗干擾性，本文將Priwitt算子與OTSU算法結(jié)合，對(duì)圖像進(jìn)行分割.

Priwitt算子實(shí)質(zhì)是將圖像與水平、垂直兩個(gè)方向的模板進(jìn)行鄰域卷積運(yùn)算，獲得灰度分布的梯度值，其算子定義為：

Dx=－1－1－1000111" Dy=－1 01－101－101（2）

本文提出基于梯度的OTSU算法步驟如下：

（1）利用OTSU計(jì)算原圖像的閾值為T；

（2）計(jì)算圖像f（x，y）的梯度值，并將梯度幅值存在二維矩陣M中；

（3）用OTSU算法計(jì)算M的閾值TM；

（4）選擇T和TM之間的閾值，用OTSU算法對(duì)圖像進(jìn)行分割，得到最佳閾值T0.

利用OTSU算法和基于梯度的改進(jìn)算法得到的效果圖如圖3所示，圖3（b）中獲取的閾值較小，導(dǎo)致圖像分割時(shí)將背景作為裂紋目標(biāo)，識(shí)別時(shí)容易出錯(cuò)，圖3（c）中可以看出裂紋基本提取出來(lái)，圖像中干擾較少目標(biāo)邊緣更完整清晰.

1.2.2" 基于連通域的裂紋連接算法

圖像分割后部分裂紋存在斷裂情況，導(dǎo)致同一裂紋被重復(fù)計(jì)算識(shí)別，因此需對(duì)裂紋進(jìn)行連接.形態(tài)學(xué)運(yùn)算可以連接兩個(gè)連通域，但是若連通域間距離過(guò)大，經(jīng)過(guò)多次膨脹和腐蝕操作后，裂紋間仍存在斷裂情況，且裂紋寬度、面積等也會(huì)發(fā)生變化，提取特征困難.

由于形態(tài)學(xué)算法的局限性，本文提出基于連通域的裂紋連接算法.首先對(duì)二值圖像中的連通域進(jìn)行標(biāo)記并編號(hào)；然后計(jì)算相鄰連通域的最小距離，若該最小距離小于提前設(shè)定的閾值，則認(rèn)為兩個(gè)連通域?qū)儆谕涣鸭y目標(biāo)，用白色像素點(diǎn)連接；最后遍歷所有連通域，直到所有斷開(kāi)的裂紋全部連接.分別用形態(tài)學(xué)算法和本文提出的算法對(duì)二值裂紋圖像進(jìn)行處理，效果如圖4所示，圖4（a）為標(biāo)記連通域后的二值圖像，可以看出，形態(tài)學(xué)操作經(jīng)過(guò)多次膨脹腐蝕后目標(biāo)仍有部分?jǐn)嗔?，同時(shí)裂紋的寬度有變化，圖4（b）為本文提出的算法，可以將斷開(kāi)的裂紋連接， 并對(duì)裂紋的骨架、寬度和長(zhǎng)度等特征基本沒(méi)有影響，因此本文所用算法效果更好.

利用視覺(jué)傳感器獲取100幅裂紋圖像，并用本文算法對(duì)圖像進(jìn)行處理，實(shí)驗(yàn)結(jié)果表明有98幅圖像能夠被提取出裂紋目標(biāo)，且輪廓清晰完整，同時(shí)圖像中的所有裂紋均有效連接，能夠滿足后續(xù)裂紋特征提取要求，進(jìn)一步提高了裂紋識(shí)別的正確率.

1.3" 裂紋圖像的特征提取與檢測(cè)

一般圖像的特征可分為幾何特征、紋理特征、顏色特征和邊緣特征等，其中幾何特征包括目標(biāo)的長(zhǎng)寬比、周長(zhǎng)和面積等.根據(jù)裂紋缺陷的特點(diǎn)，本文提取裂紋目標(biāo)的幾何特征，并通過(guò)特征分析檢測(cè)裂紋.

裂紋目標(biāo)的長(zhǎng)度和寬度是最簡(jiǎn)單的幾何特征，也是檢測(cè)裂紋的關(guān)鍵特征.通常裂紋目標(biāo)均為細(xì)長(zhǎng)型，其長(zhǎng)軸和短軸之比即偏心度較大，因此可通過(guò)偏心度判斷目標(biāo)連通域是否為裂紋.傳統(tǒng)的算法中，長(zhǎng)度是目標(biāo)連通域中任意兩個(gè)像素點(diǎn)之間的最大值，寬度則為垂直于長(zhǎng)軸方向的任意兩邊界像素間的最大值，可通過(guò)目標(biāo)區(qū)域的最小外接矩形計(jì)算［12］.由于一般裂紋形狀不規(guī)則，走向復(fù)雜，傳統(tǒng)算法獲得的長(zhǎng)度較小，寬度較大，導(dǎo)致偏心度較低，裂紋檢測(cè)失敗，因此本文提出一種改進(jìn)的細(xì)化算法對(duì)裂紋長(zhǎng)短軸進(jìn)行計(jì)算，對(duì)裂紋目標(biāo)進(jìn)行特征分析與檢測(cè).

1.3.1" 裂紋圖像的細(xì)化

二值圖像的細(xì)化是通過(guò)層層剝離獲取目標(biāo)骨架的過(guò)程.二值圖像的骨架，是指圖像中所有連通域的軸線，一般通過(guò)對(duì)目標(biāo)像素點(diǎn)的迭代，消除邊緣點(diǎn)而得到只有單排像素的骨架圖.

本文采用改進(jìn)的并行細(xì)化算法對(duì)圖像進(jìn)行處理具體過(guò)程為：遍歷圖像中的目標(biāo)（白色）像素點(diǎn)，若當(dāng)前待處理像素為P1，八鄰域像素如圖5所示，則同時(shí)滿足以下4個(gè)條件的像素點(diǎn)P1可刪除.

（1）2≤N（P1）≤6，

（2）S（P1）=1，

（3）P2·P4·P8=0或S（P8）≠1，

（4）P2·P4·P6=0或S（P4）≠1.

其中，N（P1）為P1的8個(gè)近鄰像素之和，S（P1）為八鄰域像素逆時(shí)針排序時(shí)像素值從0變?yōu)?的次數(shù).對(duì)圖4的二值裂紋圖像進(jìn)行處理，得到的骨架如圖6所示.

1.3.2" 裂紋的幾何參數(shù)計(jì)算

裂紋的長(zhǎng)度可以通過(guò)統(tǒng)計(jì)細(xì)化圖像中目標(biāo)像素點(diǎn)個(gè)數(shù)計(jì)算得到，但是對(duì)于形狀較復(fù)雜的裂紋如網(wǎng)狀裂紋等，會(huì)造成較大的誤差.本文基于圖像骨架的裂紋長(zhǎng)度算法如下：

①計(jì)算某個(gè)裂紋目標(biāo)連通域的端點(diǎn)數(shù)，若端點(diǎn)數(shù)為2，該裂紋為長(zhǎng)條型，若端點(diǎn)數(shù)大于2，該裂紋為復(fù)雜裂紋，其中端點(diǎn)可通過(guò)八鄰域內(nèi)像素點(diǎn)個(gè)數(shù)計(jì)算，如圖6所示，若中心像素的八鄰域像素個(gè)數(shù)為1，即為端點(diǎn)，否則為連接點(diǎn)；

②在該連通域中，以任一端點(diǎn)作為起點(diǎn)，追蹤像素點(diǎn)至其他端點(diǎn)，并記錄像素點(diǎn)個(gè)數(shù)作為兩個(gè)端點(diǎn)間的距離；

③計(jì)算所有端點(diǎn)間的距離后，將最長(zhǎng)距離作為該裂紋的長(zhǎng)度.

裂紋的寬度是通過(guò)其骨架圖與二值圖像計(jì)算，本文提出的具體算法如下：

①在骨架圖中，針對(duì)某個(gè)目標(biāo)連通域，對(duì)每個(gè)像素點(diǎn)選取5×5的鄰域，以鄰域內(nèi)最遠(yuǎn)的兩點(diǎn)之間線段作為待處理像素點(diǎn)的切線（如圖7中實(shí)線），則可得到該點(diǎn)的法線如圖中虛線所示；

②在二值圖像中，記錄該像素點(diǎn)對(duì)應(yīng)的法線與目標(biāo)邊界的交點(diǎn)，計(jì)算其距離；

③為減小計(jì)算量，每隔20個(gè)像素點(diǎn)再次計(jì)算其距離，最后將均值作為該裂紋的寬度.

裂紋的面積計(jì)算較簡(jiǎn)單，即為二值圖像中該裂紋對(duì)應(yīng)的連通域像素點(diǎn)個(gè)數(shù).

2" 實(shí)驗(yàn)結(jié)果及分析

基于提出的幾何特征計(jì)算方法，提取裂紋的長(zhǎng)度、寬度和面積后，利用長(zhǎng)度和寬度之比計(jì)算偏心度，首先設(shè)置面積閾值Th1濾除孤立點(diǎn)或其他非裂紋目標(biāo)，再設(shè)置偏心度閾值Th2檢測(cè)剩余的目標(biāo)是否為裂紋，獲得檢測(cè)結(jié)果.本文根據(jù)裂紋的特征設(shè)置Th1=100，Th2=10.

分別利用傳統(tǒng)算法和本文所提算法對(duì)圖8中的裂紋進(jìn)行特征提取，并計(jì)算其偏心度，結(jié)果如表1所列，可以看出圖像中目標(biāo)連通域1和3為裂紋，但由于裂紋形狀較復(fù)雜，傳統(tǒng)算法獲取的長(zhǎng)度和寬度誤差較大，因此根據(jù)閾值判定不是裂紋；本文算法能夠正確計(jì)算裂紋的幾何特征，檢測(cè)結(jié)果準(zhǔn)確，對(duì)于圖8（b）中，標(biāo)記的目標(biāo)連通域2和4均判定為不是裂紋.總體看來(lái)，本文所提算法計(jì)算的裂紋長(zhǎng)度和寬度較準(zhǔn)確，能夠代表裂紋目標(biāo)的幾何特征，從而提高裂紋檢測(cè)的準(zhǔn)確率.

為了驗(yàn)證本文裂紋檢測(cè)算法的性檢測(cè)效果，獲取100張裂紋圖像，經(jīng)過(guò)預(yù)處理后有效的裂紋目標(biāo)有150個(gè)，能夠提取出裂紋目標(biāo)148個(gè)，有2個(gè)裂紋因光照、形狀較細(xì)小等原因在圖像分割時(shí)作為背景處理.利用傳統(tǒng)算法對(duì)裂紋目標(biāo)進(jìn)行檢測(cè)，正確檢測(cè)出131條裂紋，正確率為87.33%，利用本文算法對(duì)圖像進(jìn)行分割并連接斷開(kāi)的裂紋，對(duì)裂紋目標(biāo)提取特征后進(jìn)行檢測(cè)，能夠正確檢測(cè)出142個(gè)裂紋，正確率達(dá)到94.67%，實(shí)驗(yàn)結(jié)果表明本文所用算法效果較好，裂紋檢測(cè)的正確率較高.

本文基于MATLAB實(shí)現(xiàn)圖像的預(yù)處理、分割及特征提取等，并設(shè)計(jì)了圖形用戶界面實(shí)現(xiàn)裂紋缺陷的檢測(cè)，主要包括原圖、圖像預(yù)處理、圖像分割、細(xì)化和檢測(cè)結(jié)果5部分，檢測(cè)結(jié)果如圖9和圖10所示.

3" 結(jié)語(yǔ)

本文提出了一種基于特征分析的裂紋檢測(cè)算法.研究和實(shí)驗(yàn)結(jié)果表明，該算法具有良好的可靠性，能夠?qū)艿乐械牧鸭y缺陷進(jìn)行檢測(cè)，且裂紋檢測(cè)的正確率較高，滿足管道裂紋檢測(cè)的要求，為各類管道的裂紋檢測(cè)提供了參考.

參考文獻(xiàn)：

［1］ 冉蓉，徐興華，邱少華，等.基于深度卷積神經(jīng)網(wǎng)絡(luò)的裂紋檢測(cè)方法綜述［J］.計(jì)算機(jī)工程與應(yīng)用，2021，57（9）：23-35.

［2］ LI H ，WANG W ，WANG M，et al.A review of deep learning methods for pixel-level crack detection［J］.Journal of Traffic and Transport ation Engineering （English Edition），2022，9（6）：945-968.

［3］ 劉淑敏.基于機(jī)器視覺(jué)的橋梁裂紋檢測(cè)算法研究［D］.重慶：重慶大學(xué)，2019.

［4］ 王斌，趙義鵬，孟豪，等.基于改進(jìn)YOLOv5的金屬構(gòu)件表面裂紋檢測(cè)［J］.信息技術(shù)與信息化，2023（11）：90-94.

［5］ 梁雪慧，程云澤，張瑞杰，等.基于卷積神經(jīng)網(wǎng)絡(luò)的橋梁裂縫識(shí)別和測(cè)量方法［J］.計(jì)算機(jī)應(yīng)用，2020，40（4）：1056-1061.

［6］ QIN Z，ZHENG Z，QIN G L.Deepcrack：learning hierarchical convolutional features for crack detection［J］.IEEE Transaction on Image Processing， 2019，28（3）：1498-1512.

［7］ 牛壯，陳繼澤，霍平.基于圖像處理的球罐表面裂紋磁粉檢測(cè)研究［J］.機(jī)械工程與自動(dòng)化，2019，213（2）：150-152.

［8］ 李良福，孫瑞赟.復(fù)雜背景下基于圖像處理的橋梁裂縫檢測(cè)算法［J］.激光與光電子學(xué)進(jìn)展，2019，56（6）：112-122.

［9］ 苑瑋琦，薛丹.基于機(jī)器視覺(jué)的隧道襯砌裂縫檢測(cè)算法綜述［J］.儀器儀表學(xué)報(bào)，2017，38（12）：3100-3111.

［10］ 尹曉珍.基于特征分析的地鐵隧道裂縫圖像處理技術(shù)研究［D］.蘭州：蘭州交通大學(xué)，2019.

［11］ 萬(wàn)雁悅，李志偉.基于分塊Otsu法的車窗開(kāi)關(guān)缺陷閾值分割方法［J］.儀表技術(shù)，2023，394（2）：41-46．

［12］ 黃玉龍.基于視頻圖像的管道裂紋缺陷檢測(cè)方法研究［D］.西安：西安理工大學(xué)，2018.

［責(zé)任編輯：李" 嵐］