韓 豫， 孫 昊， 李 雷， 馬國鑫， 尤少迪

(1. 江蘇大學(xué) 土木工程與力學(xué)學(xué)院， 江蘇 鎮(zhèn)江 212013；2. 澳大利亞聯(lián)邦科學(xué)與工業(yè)研究組織， 悉尼 2601；3. 澳洲國立大學(xué)， 悉尼 2601)

在智慧地球與智慧城市等理念大力推廣的背景下，以圖像處理為代表的人工智能技術(shù)得到了長足的發(fā)展。傳統(tǒng)建筑業(yè)生產(chǎn)、管理效率低下等問題，有了全新的解決方式。與此同時，2017年6月發(fā)布的《中國建筑施工行業(yè)信息化發(fā)展報(bào)告——智慧工地應(yīng)用與發(fā)展》，也說明建筑業(yè)智能化是大勢所趨。目前建筑業(yè)中，工程項(xiàng)目竣工驗(yàn)收與維保階段，以建筑外墻裂縫為代表的一些質(zhì)量隱患僅能以人工方式進(jìn)行檢查，往往難以察覺。墻面裂縫會導(dǎo)致雨、雪水滲入墻體，影響建筑美觀，重則導(dǎo)致墻體涂料與防水材料等發(fā)霉、剝落，嚴(yán)重影響建筑物防水性能。但是，人工檢查效率較低且精度不高，難以識別高層與復(fù)雜結(jié)構(gòu)處的墻面裂縫。

以圖像處理為代表的人工智能技術(shù)與無人機(jī)技術(shù)的成熟，為此提供了一個較好的解決方案[1,2]。圖像處理作為一種愈加成熟的技術(shù)，具有檢測速度快、精度高的優(yōu)點(diǎn)，結(jié)合無人機(jī)靈活、易操作的優(yōu)勢，可以方便地獲取和識別高層及復(fù)雜結(jié)構(gòu)處的墻面裂縫。目前基于圖像處理的裂縫識別方法一般有三種：(1)通過改進(jìn)圖像預(yù)處理算法，在增強(qiáng)裂縫對比度的同時，去除噪聲以及細(xì)小干擾物[3～5]，從而優(yōu)化裂縫的提?。?2)結(jié)合裂縫的圖像特征，改進(jìn)裂縫提取算法，如通過最大類間方差法、快速迭代法，解決裂縫背景灰度不均、細(xì)小裂縫難以識別等問題[6，7]；(3)基于神經(jīng)網(wǎng)絡(luò)[8]、深度學(xué)習(xí)[9]等技術(shù)，提升裂縫識別效率與精度，但此類方法對樣本的質(zhì)量和數(shù)量依賴較大。在已有的利用無人機(jī)進(jìn)行裂縫檢查的研究中， Zhong等[10]證明了機(jī)載圖像與靜態(tài)圖像的圖像質(zhì)量一致；Pereira等[11]通過將部分算法集成于無人機(jī)中，提升了裂縫識別的效率。上述方法對實(shí)現(xiàn)建筑外墻裂縫的智能化檢測，做出了大量貢獻(xiàn)，但相關(guān)研究中，裂縫識別算法的適用性仍有不足，且未考慮實(shí)際應(yīng)用中建筑外墻的窗框、附著物等復(fù)雜情況對裂縫提取的影響，自動化程度有待提高。

本文針對高層建筑裂縫圖像難以獲取以及墻面裂縫背景復(fù)雜、情況多變的問題提出了一種基于無人機(jī)的建筑外墻裂縫快速檢查系統(tǒng)。通過改進(jìn)的SFC(Sharp Filter Contrast)法和改進(jìn)的Canny算法改善了裂縫提取效果。并基于建筑外墻裂縫圖像特征，提出了一種新的裂縫圖像篩選算法，提高了裂縫識別算法的適用性，使系統(tǒng)在實(shí)際應(yīng)用中能夠適應(yīng)復(fù)雜多變的墻面環(huán)境。

1 建筑外墻裂縫檢查系統(tǒng)需求分析

建筑外墻裂縫會嚴(yán)重影響住宅的防水性能，是工程竣工驗(yàn)收與維保階段的重點(diǎn)檢查項(xiàng)目。同時，工程維保階段也需要根據(jù)裂縫分布情況，進(jìn)行項(xiàng)目維護(hù)方案設(shè)計(jì)。但由于高層及復(fù)雜結(jié)構(gòu)的建筑越來越多，裂縫的檢查愈加困難。為改善相關(guān)問題，本文在分析裂縫檢查現(xiàn)有不足的基礎(chǔ)上，提出如下需求分析，如表1所示。

表1 建筑外墻裂縫檢查系統(tǒng)需求分析

綜上，亟需一種更加安全、便捷的建筑外墻裂縫檢查系統(tǒng)。

2 建筑外墻裂縫檢查系統(tǒng)架構(gòu)設(shè)計(jì)

為解決上述建筑外墻裂縫檢查中存在的問題，本文基于無人機(jī)及圖像處理技術(shù)設(shè)計(jì)了如下建筑外墻裂縫檢查系統(tǒng)。

2.1 系統(tǒng)構(gòu)成及功能

本系統(tǒng)主要由圖像采集裝置、圖像處理及分析系統(tǒng)、輔助設(shè)備及用戶端構(gòu)成。其中，圖像處理及分析系統(tǒng)是本系統(tǒng)的核心。建筑表面裂縫檢測系統(tǒng)構(gòu)成及功能如表2所示。

表2 基于無人機(jī)的建筑外墻裂縫檢查系統(tǒng)構(gòu)成及功能

其中，圖像采集裝置由四旋翼無人機(jī)和移動操控設(shè)備構(gòu)成。輔助設(shè)備包括標(biāo)志板與垂直度標(biāo)桿，標(biāo)志板為與外腳手架同一平面內(nèi)含有5個黑色圓點(diǎn)及刻度線的紙質(zhì)圖案，包括處于周圍相鄰距離相等的4個黑色圓點(diǎn)及與周圍4點(diǎn)距離相等的中心圓點(diǎn)；垂直度標(biāo)桿為預(yù)先設(shè)置的垂直于地面且與建筑物外立面在同一平面內(nèi)的刻度直桿。

基于無人機(jī)采集圖像的建筑外墻裂縫檢測系統(tǒng)構(gòu)成如圖1所示。

圖1 基于無人機(jī)的建筑外墻裂縫檢查系統(tǒng)構(gòu)成

3 系統(tǒng)運(yùn)行流程與核心算法

3.1 系統(tǒng)運(yùn)行流程

本系統(tǒng)的運(yùn)行流程包括建筑外墻圖像采集、特征分析和結(jié)果輸出三個部分。具體如圖2所示：

圖2 基于無人機(jī)的建筑外墻裂縫快速檢查系統(tǒng)運(yùn)行流程

(1)建筑表面圖像采集

先根據(jù)建筑物外立面特點(diǎn)，將外立面劃分為若干矩形區(qū)域。并在采集圖像前，依據(jù)標(biāo)志板的成像調(diào)整無人機(jī)相機(jī)的角度，保證無人機(jī)相機(jī)與作業(yè)平面垂直，隨后，使用無人機(jī)進(jìn)行圖像采集。

(2)裂縫圖像特征分析

1)圖像初篩及預(yù)處理。先根據(jù)預(yù)先設(shè)置的圖像質(zhì)量要求，篩選出符合質(zhì)量要求的建筑物外墻圖像，刪除存在嚴(yán)重模糊、清晰度較低等情況的圖像。接著，灰度變換后使用本文改進(jìn)的SFC結(jié)合法實(shí)現(xiàn)建筑物外墻圖像的濾波和增強(qiáng)處理。

2)目標(biāo)提取及識別。在圖像初篩和預(yù)處理之后，先使用本文改進(jìn)的Canny邊緣檢測算子及Hough變換提取建筑物外墻圖像中的圖像邊緣及垂直度標(biāo)桿的邊緣。然后，根據(jù)本文提出的基于形狀特性的裂縫圖像篩選方法識別出存在裂縫的圖像，去除窗、墻體分割線等干擾物。

(3)結(jié)果輸出

檢查人員先參照無人機(jī)采集的建筑物外立面的整體圖像，檢查、校核識別出存在裂縫的圖像，并剔除識別錯誤的圖像，以提高系統(tǒng)的檢查效率。接著，根據(jù)裂縫識別、分析及參數(shù)測量結(jié)果，并結(jié)合人工復(fù)核的情況及相關(guān)規(guī)范，編制建筑物外墻裂縫的檢查報(bào)告與維保方案。

3.2 核心算法

本系統(tǒng)中核心算法包括基于改進(jìn)的SFC結(jié)合法[12]的裂縫圖像預(yù)處理方法、基于Otsu改進(jìn)的Canny邊緣檢測算法以及基于形狀特性的裂縫篩選方法。

3.2.1 基于改進(jìn)的SFC結(jié)合法的建筑外墻裂縫圖像預(yù)處理方法

建筑外墻長期受到雨水風(fēng)沙的侵蝕，會有污損、脫落等情況干擾裂縫識別。SFC結(jié)合法是一種融合多種處理技術(shù)的圖像處理方法，該算法的優(yōu)點(diǎn)在于運(yùn)算量小、效果好、失真度小等優(yōu)點(diǎn)，十分適合建筑表面大批量的圖像處理。但是，該方法中的四鄰域平滑算法用于不同環(huán)境下的裂縫圖像時，往往會產(chǎn)生降噪不充分或過度降噪等情況。鑒于此，本文采用自適應(yīng)平滑濾波代替SFC結(jié)合法中四鄰域平均平滑算法。從而針對不同情況自動調(diào)整濾波參數(shù)，使算法適用性更強(qiáng)。

自適應(yīng)平滑濾波通過一種小的平均加權(quán)模板與原圖像進(jìn)行迭代卷積運(yùn)算，迭代時根據(jù)周圍的像素值，自適應(yīng)地改變加權(quán)系數(shù)。這種方法能在抑制噪聲的同時銳化圖像邊緣，提高檢測效率。對于二維圖像f(x,y)，一次迭代計(jì)算步驟如下：

(1)邊緣保留幅度系數(shù)h(h≥1)。

(2)按式(1)(2)采用差分計(jì)算梯度分量。

(1)

(2)

(3)按式(3)計(jì)算加權(quán)系數(shù)。

(3)

(4)按式(4)進(jìn)行圖像濾波處理。

(4)

使用該算法替換四領(lǐng)域平均平滑算法，得到改進(jìn)的SFC結(jié)合法，主要步驟如下：

(1)使用直方圖灰度拉伸法增強(qiáng)圖像的對比度；

(2)對圖像進(jìn)行自適應(yīng)濾波平滑1次和拉普拉斯銳化1次，重復(fù)該步驟4次；

(3)使用改進(jìn)的直方圖拉伸法對裂縫圖像進(jìn)行2次對比度增強(qiáng)處理；

(4)使用自適應(yīng)濾波平滑裂縫圖像2次和改進(jìn)的直方圖拉伸法增強(qiáng)對比度5次。

經(jīng)過測試，該方法能夠在保留圖像質(zhì)量基礎(chǔ)上，有效地去除噪聲，并提升圖像的對比度，突出裂縫特征，從而有利于進(jìn)一步的裂縫識別工作。

3.2.2 基于改進(jìn)Canny算子的建筑表面裂縫提取方法

傳統(tǒng)Canny邊緣檢測算子中，高、低閾值是人為設(shè)定的，很難同時保證真?zhèn)芜吘壍淖R別及邊緣檢測的連續(xù)性。為解決這一問題，達(dá)到較好提取結(jié)果及較好的適用性，本文使用Otsu法自動計(jì)算建筑外墻裂縫圖像的閾值，作為Canny算子邊緣檢測所需的高閾值，然后利用高閾值為低閾值兩倍的數(shù)量關(guān)系計(jì)算低閾值。

3.2.3 基于形狀特性的裂縫圖像篩選方法

在無人機(jī)采集的建筑表面裂縫圖像中，一般會存在疑似裂縫的目標(biāo)區(qū)域以及非裂縫的干擾區(qū)域。因此，提取的邊緣信息既包括圖像中的裂縫邊緣，也包括墻體分割線、部分窗戶等邊緣信息，給裂縫的識別和測量帶來了不便。

經(jīng)觀察發(fā)現(xiàn)，這些干擾信息一般為窗框、欄桿、結(jié)構(gòu)縫等，多具有規(guī)則的直線特征，而裂縫多為不規(guī)則、方向性不強(qiáng)的曲線。因此，本研究將圖像的曲線特征作為裂縫圖像目標(biāo)篩選的依據(jù)，主要包括裂縫骨架提取、像素坐標(biāo)提取及線性特征擬合、裂縫線條曲率計(jì)算及判定三大步驟。具體實(shí)現(xiàn)步驟如圖3所示。

圖3 裂縫圖像篩選技術(shù)路線

(1)建筑外墻裂縫圖像形態(tài)學(xué)變換及骨架提取。為得到裂縫的線性特征，進(jìn)一步獲取其曲率信息，在前文基礎(chǔ)上，首先使用圖像細(xì)化算法獲取裂縫骨架。接著，通過圖像閉運(yùn)算消除部分細(xì)小毛刺或斷裂情況。其中，根據(jù)裂縫的圖像特征，選取線段形結(jié)構(gòu)元素作為形態(tài)學(xué)變換的模板。

(2)裂縫圖像像素點(diǎn)坐標(biāo)提取及線性特征擬合。建筑外墻裂縫形態(tài)學(xué)變換和細(xì)化實(shí)現(xiàn)了將邊緣檢測后的二值圖像轉(zhuǎn)化為單像素的線條。在此基礎(chǔ)上，需要提取二值圖像中組成該線條所有像素點(diǎn)的坐標(biāo)，并依據(jù)這些坐標(biāo)擬合數(shù)學(xué)方程來刻畫這些線條的線性特征，如圖4所示。

圖4 裂縫曲線擬合

根據(jù)圖4的曲率計(jì)算結(jié)果，該曲線任一點(diǎn)的曲率K≠0，故可以判斷該圖像中存在裂縫。

(3)裂縫線條曲率計(jì)算及判定。在擬合出線條的多項(xiàng)式方程后，計(jì)算線條上任意一點(diǎn)的曲率。根據(jù)結(jié)果，如果擬合出的是直線，可將其刪除，如果擬合出的是曲線，在沒有其他特殊干擾物的情況下，則可以判定該建筑外墻裂縫圖像中存在裂縫需要對其進(jìn)行處理。

4 系統(tǒng)實(shí)現(xiàn)與測試

4.1 測試條件

為證實(shí)本系統(tǒng)的可靠性與準(zhǔn)確性，本文采用如下試驗(yàn)方法與環(huán)境。

本次測試使用無人機(jī)采集了不同地區(qū)和類型的建筑外墻圖像共250 張，經(jīng)過篩選，保留了質(zhì)量相對較高的200 張圖像作為本次測試的對象，圖像大小標(biāo)準(zhǔn)統(tǒng)一為400×400 像素。圖5所示為裂縫圖像采集場景與所用無人機(jī)。

圖5 裂縫圖像采集場景與所用無人機(jī)

本系統(tǒng)所用硬件環(huán)境為：Intel(R) Xeon(R) E5-1241 v3 3.50 GHz處理器，32 GB RAM，Windows 8 64 bit，NVIDIA Quadro K1200圖形顯卡；軟件平臺使用Matlab 2017b平臺。本測試所用無人機(jī)型號為大疆Phantom 3 Professional，攝像頭有效像素為1240 萬。

4.2 建筑外墻裂縫圖像提取

依照前文所述對200張測試圖像中的裂縫邊緣進(jìn)行提取，整體提取結(jié)果如表3所示。其中，誤檢率為檢測出的非裂縫數(shù)目與實(shí)際裂縫數(shù)目的比值，漏檢率為未檢測出的真實(shí)裂縫數(shù)目與實(shí)際裂縫數(shù)目的比值，正確率=100%-誤檢率-漏檢率。

表3 全部建筑外墻裂縫圖像測試效果統(tǒng)計(jì) %

同時，為具體體現(xiàn)系統(tǒng)的測試效果，本文選取較具代表性的20個裂縫圖像進(jìn)行提取效果展示，如圖6所示。其中，1～20為使用無人機(jī)采集的圖像，1-1～20-1為本文所用算法提取的圖像邊緣效果。

人工統(tǒng)計(jì)出所有原圖像中的裂縫數(shù)目、提取出的邊緣數(shù)目(以識別出獨(dú)立的連通區(qū)域作為邊緣個數(shù))，統(tǒng)計(jì)結(jié)果如表4所示。

圖6 裂縫邊緣提取效果

項(xiàng)目序號1234567891011121314151617181920實(shí)際數(shù)目/條1323531034441375421620識別數(shù)目/條1222621243441265321510漏檢率/%033.3033.34033.3002500033.314.302506.3500誤檢率/%00002002033.3000000000000

注：平均漏檢率=19.7%；平均誤檢率=5.1%；平均正確率=75.2%

4.3 建筑外墻裂縫圖像篩選

按本文的建筑外墻裂縫圖像篩選方法，根據(jù)上文中所述的裂縫圖像處理、線性特征擬合及曲率計(jì)算后，判斷并剔除疑似裂縫中的非裂縫部分。部分裂縫圖像篩選結(jié)果如表5所示。

表5 建筑外墻裂縫圖像篩選效率統(tǒng)計(jì)

注：平均漏檢率=16.4%；平均誤檢率=4.1%；平均正確率=79.5%

5 問題分析

由上文可以發(fā)現(xiàn)，裂縫篩選算法能有效減少誤檢率，提升裂縫識別的平均正確率。結(jié)合測試過程與結(jié)果，對系統(tǒng)存在的問題及對策進(jìn)行分析。

(1)裂縫漏檢影響因素及對策分析

測試中，如示例2，4，6等所示，漏檢的裂縫主要為對比度較低的裂縫、過于細(xì)微的裂縫以及水漬中的裂縫等。這是由于本文對存在明顯明暗交替、階躍性灰度變化的圖像，算法在增強(qiáng)明亮區(qū)域的同時也降低了較暗區(qū)域的灰度，導(dǎo)致較暗區(qū)域的裂縫信息被削弱。另外，如示例8所示，少數(shù)走向較直的裂縫容易被誤認(rèn)為是干擾因素而被篩去，導(dǎo)致漏檢。

對此，在圖像采集時，應(yīng)充分考慮光照的影響，盡量避免圖像中明暗變化太過明顯。同時，在人工校核時，著重關(guān)注細(xì)微裂縫、水漬區(qū)域以及走向較直的裂縫。

(2)裂縫誤檢的影響因素及對策分析

測試中，如示例7，8所示，誤檢的裂縫主要為墻體引條線、窗戶及窗臺邊緣。同時，較強(qiáng)光照下采集的圖像中會出現(xiàn)周圍物體的影子，因存在獨(dú)立的形狀和較強(qiáng)的邊緣特征，也會被錯誤地識別為裂縫邊緣。這是由于圖像中干擾物較多時，該方法會提取較多無用的干擾信息和細(xì)節(jié)。

對此，可以考慮在預(yù)處理后、邊緣檢測之前，設(shè)置過濾條件，減少提取的信息量。同時，在圖像篩選之前，通過Hough變換提取一部分直線并剔除，減少特征擬合的工作量。

(3)系統(tǒng)操作體驗(yàn)

本系統(tǒng)采集圖像所用四旋翼無人機(jī)，操作便捷，相較于人工檢查方式，能夠更容易地采集建筑外墻圖像，從而更安全、更方便地檢查建筑外墻裂縫。但受到技術(shù)制約，無人機(jī)續(xù)航時間較短，數(shù)據(jù)采集能力有限。且按照系統(tǒng)規(guī)劃方式采集圖像，仍需一定時間練習(xí)。同時，對天氣要求較高，需避開雨、霧以及寒冷天氣進(jìn)行檢查工作。需根據(jù)天氣妥善設(shè)定裂縫檢查計(jì)劃。

6 結(jié) 語

為解決現(xiàn)有建筑外墻裂縫檢測方法效率、自動化水平低下等問題，本文設(shè)計(jì)并實(shí)現(xiàn)了一個基于無人機(jī)的建筑外墻裂縫快速檢查系統(tǒng)。提出了針對建筑外墻裂縫而改進(jìn)的SFC結(jié)合法和改進(jìn)的Canny算法，提高了算法的適用性，使算法能夠針對不同環(huán)境下的裂縫圖像，自動調(diào)整算法參數(shù)。同時，提出基于建筑外墻裂縫圖像特征的裂縫圖像篩選算法，提高了裂縫的識別效率。

經(jīng)過測試，該系統(tǒng)200 張測試圖提取平均正確率為82.6%，具有良好的裂縫識別準(zhǔn)確度，實(shí)現(xiàn)了更準(zhǔn)確、更便捷的建筑外墻裂縫自動檢查。但是系統(tǒng)尚未實(shí)現(xiàn)裂縫長度、寬度等參數(shù)的測量功能，無法進(jìn)一步評估裂縫的隱患程度，后續(xù)將會進(jìn)一步完善算法。