施 洋 馮首道 曹 遠

（中國人民解放軍32127部隊，遼寧 大連 116600）

0 引言

面對我國龐大的公路網(wǎng)絡，對路面缺陷進行人工檢測已經(jīng)無法滿足檢測需求，不僅耗時耗力，而且還存在因各種因素影響而無法保證精準度的問題，同時存在極大的安全隱患。自21世紀初，隨著三維掃描技術(shù)及相關(guān)采集設備的發(fā)展，基于點云的路面缺陷檢測方法得到廣泛認可[1]。

隨著數(shù)字圖像處理技術(shù)、激光雷達技術(shù)、紅外深度圖像技術(shù)及CCD攝像等技術(shù)的發(fā)展推動了路面缺陷檢測設備的快速發(fā)展[2]。2008年哈工大與國暢智能交通技術(shù)有限公司共同研發(fā)了道路檢測車，該檢測車屬于多功能應用型監(jiān)測車，可檢測路面的粗糙程度，其標準基本達到國際領(lǐng)先水平。隨著檢測設備的發(fā)展，國內(nèi)外學者相繼提出基于圖像和點云的優(yōu)秀算法，用以檢測路面缺陷[3]。

通過設備采集的路面點云數(shù)據(jù)和圖像數(shù)據(jù)，使用基于圖像特征的路面裂縫檢測以及基于點云的路面坑槽和涌包檢測方法，并以點云形式修復檢測出的缺陷。具體研究內(nèi)容如下：1）研究設備采集數(shù)據(jù)的2種方式和《公路技術(shù)狀況評定標準》（JTG 5210—2018）對路面缺陷的分類及破損評級標準。2）對路面裂縫圖像進行預處理、裂縫區(qū)域增強以及裂縫區(qū)域分割等處理，準確檢測路面裂縫及相關(guān)裂縫幾何信息計算。

1 路面缺陷數(shù)據(jù)采集方法和缺陷評定標準

1.1 路面缺陷數(shù)據(jù)采集方法

所需數(shù)據(jù)由實驗室車載移動測量系統(tǒng)中激光掃描儀與線陣相機采集生成。通過激光傳感器不間斷地掃描路面，從而獲取路面的三維點云數(shù)據(jù)，通過線陣相機獲取路面的圖像數(shù)據(jù)，2種不同的數(shù)據(jù)采集方式可根據(jù)不同類型的路面缺陷進行選取。

1.2 路面缺陷分類與采集方式

根據(jù)《公路技術(shù)狀況評定標準》（JTG 5210—2018）可以將路面缺陷分為裂縫類、涌包類和坑槽類。

1.2.1 裂縫類

路面裂縫類缺陷主要是受材料和路基的填料、氣候等因素的影響，其表現(xiàn)為路面表面出現(xiàn)橫向、網(wǎng)狀等裂縫。

由于裂縫寬度過窄，且裂縫深度存在不確定性，因此使用線陣相機采集的裂縫圖像信息能清晰反應裂縫特征。

1.2.2 涌包類

路面涌包類缺陷主要是因路面老化而導致的，熱脹冷縮或在外力作用下易出現(xiàn)路面涌包。

由于涌包表現(xiàn)為路面鼓起，缺陷區(qū)域有明顯現(xiàn)象，因此通過路面涌包點云可以看出，適合采用激光掃描儀采集點云數(shù)據(jù)。

1.2.3 坑槽類

路面坑槽形成主要是因路面厚度不足或有水份侵入而導致的，表現(xiàn)為部分下沉或出現(xiàn)坑洼現(xiàn)象。

由于坑槽區(qū)域點云數(shù)據(jù)的高程值明顯小于路面其他區(qū)域的高程值，因此應使用激光掃描儀采集其點云數(shù)據(jù)。

2 基于圖像特征的路面裂縫檢測

2.1 路面裂縫圖像預處理

對圖像進行預處理，最大程度地簡化圖像數(shù)據(jù)的同時，去除圖像數(shù)據(jù)中的噪聲干擾，提高裂縫圖像的可檢度，圖像預處理主要包括圖像去噪和圖像增強2個部分。

2.1.1 圖像去噪

2.1.1.1 圖像灰度校正

在圖像中時常出現(xiàn)不均勻光照的現(xiàn)象，灰度值的不穩(wěn)定導致難以區(qū)分圖像中的裂縫和背景，使裂縫檢測不精確，給路面裂縫提取帶來困難。為使圖像數(shù)據(jù)的光照分布均衡，可以利用局部閾值對不均勻光照進行補償。

2.1.1.2 去除圖像陰影

路旁的燈桿、樹木和建筑物在光照條件會形成倒影，容易將陰影區(qū)誤認為路面裂縫缺陷，給檢測帶來困難。為去除陰影，該小節(jié)采用最大最小濾波的方法，其原理是將中心像素值與鄰域內(nèi)像素值進行比較，如果中心像素比鄰域內(nèi)像素最小值小，或者比最大值大，則用鄰域內(nèi)像素的最小值或最大值代替中心像素。

2.1.1.3 高斯—中值濾波去噪

高斯濾波的原理是經(jīng)加權(quán)平均后，獲取圖像每點像素值和鄰域內(nèi)其他點像素值，對服從正態(tài)分布的噪聲有較好的過濾效果，能夠保持圖像的整體細節(jié)；中值濾波法將圖像劃分為多個正方形區(qū)域，以正方形內(nèi)的像素中值代替該區(qū)域的像素值，對裂縫圖像的邊緣起到很好的保護作用，但是它會使正體圖像變得模糊。綜合高斯濾波與中值濾波，基于各自優(yōu)點實現(xiàn)裂縫圖像噪聲濾除。圖像中像素點的灰度值與其相鄰像素點的灰度值是非常接近的，裂縫區(qū)域的灰度值比其背景灰度值要低，如果一個像素點的灰度值小于或遠大于相鄰點的灰度值，則該像素點很可能是噪聲。

2.1.2 圖像增強

該文使用灰度拉伸進行裂縫圖像增強，如公式（1）所示。

式中：f（x，y）為經(jīng)去噪后圖像的灰度值；g（x，y）為灰度拉伸后的圖像灰度值。

根據(jù)裂縫圖像實際情況，將灰度等級劃分為[0，x1]、[x1，x2]和[x2，255]，將灰度值位于[x1，x2]的圖像拉伸至[y1，y2]，這樣其他區(qū)域的灰度值將被降低，從而達到抑制噪聲的效果。

2.2 路面裂縫圖像分割

圖像分割技術(shù)作為圖像處理中的核心步驟，在路面裂縫圖像檢測中有非常重要的作用，常用方法主要基于閾值、邊緣等。該文將結(jié)合圖像的閾值分割和邊緣分割方法并加以改進。

2.2.1 Canny邊緣檢測算法

Canny算子對裂縫圖像邊緣檢測有較好的準確性，具體步驟如下：1）按照上文的高斯濾波方法對圖像進行去噪，設原圖像為f（x，y），濾波處理后的圖像為h（x，y）。2）計算梯度的幅值和方向。采用Canny算法計算像素在2×2鄰域內(nèi)的水平與垂直方向上的偏導數(shù)。3） 抑制非極大值的梯度幅值。在Canny邊緣檢測算法中，抑制非極大值的梯度幅值，可以找到梯度幅值最大的像素點，通過該方法去除絕大部分裂縫邊緣之外的點。4）設定雙閾值確定裂縫邊緣像素點。Canny算法設置一高一低2個閾值，高閾值一般是低閾值的2倍，用于遍歷所有像素點。比較邊緣像素的梯度值和設置的高低閾值，如果梯度值大于高閾值，則該像素點為邊緣強像素點，像素值為255；如果梯度值介于高低閾值之間，則該像素點為邊緣弱像素點，像素點值暫先不變；如果梯度值小于低閾值，則被抑制，像素值為0，可根據(jù)圖像內(nèi)容合理選取閾值。

2.2.2 基于邊緣檢測的自適應閾值分割方法

在抑制非極大值的梯度幅值后，可以得到三類邊緣候選點數(shù)據(jù)，令第一類候選點為C1，表示裂縫圖像中非邊緣點，包括梯度值為{t1,t2,…,ta}的像素；令第二類候選點為C2，表示裂縫圖像不確定的邊緣點，包括梯度值為{ta+1，ta+2,…,tb}的像素；令第三類候選點為C3表示裂縫圖像中邊緣點，包括梯度值為{tb+1，tb+2,…,tL}的像素。

當裂縫圖像有M個像素時，令梯度幅值范圍為[1，L]，則梯度值為ti對應的像素個數(shù)為mi，那么占總像素數(shù)的比例可為則各類的均值和概率如公式（2）～公式（3）所示。

裂縫圖像類間方差如公式（4）所示。

針對裂縫圖像，通過梯度直方圖可求得ti、Pi，將梯度等級設置為64個等級，便可得出關(guān)于a、b的二元二次函數(shù)，a的取值區(qū)間為[1，L]，b的取值區(qū)間為[a，L]，通過搜索類間方差σ2（a，b）最大值對應的ta、tb的值，則ta、tb就是C1、C2和C3各類區(qū)間的分界點，這樣就可以自適應的確定Canny邊緣檢測算法中的高、低閾值。

Canny邊緣檢測算法對裂縫邊緣有較好的檢測效果。結(jié)合它們各自的優(yōu)點，疊加2種方法獲取的結(jié)果，即可獲得邊緣信息完整且噪聲較小的裂縫圖像分割結(jié)果，具體步驟如下：1）利用分割裂縫圖像得到噪聲較少的二值化圖像h1。2）利用改進后Canny邊緣檢測算法分割裂縫圖像，得到具有裂縫邊緣信息圖像h2。3）由于圖像h1白色代表背景像素，黑色代表裂縫像素，因此為保證圖像h1跟圖像h2的背景和裂縫像素顏色一致，將圖像h1灰度值反轉(zhuǎn)，標記為圖像h3。4）對應圖像h2和圖像h3檢測出來的裂縫邊緣像素點，疊加圖像h3與圖像h2，標記為圖像h4，所得到的圖像h4即滿足2種算法的各自優(yōu)點。

2.2.3 連通域去噪和斷裂區(qū)域連接

通過應用形態(tài)學中的閉運算和開運算，閉運算消除圖像中微小間斷和排除小型孔洞，開運算消除多余毛刺，綜合連通域去噪及形態(tài)學上開閉運算操作，得到最終的裂縫圖像分割結(jié)果。

2.3 路面裂縫圖像檢測

2.3.1 裂縫類別判斷

裂縫圖像經(jīng)過圖像分割后，需要對其進行特征提取，因為對裂縫的不同種類有不同的評定標準，所以要先對圖像中的裂縫進行類別判斷。該文采用連通域數(shù)量分析的方法判斷圖像中裂縫是線性裂縫還是網(wǎng)狀裂縫。裂縫連通域個數(shù)如圖1所示。

通過試驗可知，線性裂縫與網(wǎng)狀裂縫在連通域數(shù)量上存在較大差異，對很多路面裂縫圖像進行試驗分析后，將連通域數(shù)量閾值設定為5，當裂縫連通域數(shù)量小于5時，判定為線性裂縫，當裂縫連通域數(shù)量大于或等于5時，判定為網(wǎng)狀裂縫。

可以采用投影法判斷橫向裂縫和縱向裂縫，分別對線性裂縫圖像向X軸與Y軸方向上進行投影，通過投影結(jié)果進行區(qū)分，如圖2所示。

圖2 橫向裂縫和縱向裂縫判斷示意圖

綜上可知，目標范圍內(nèi)像素點為裂縫，橫向裂縫水平方向的投影最大值點清晰并數(shù)值相對較大，波動劇烈，垂直方向的投影圖形相對比較平緩、峰值小且遍布很均勻；縱向裂縫圖像特征與之相反。

圖1 線性裂縫和網(wǎng)狀裂縫判斷示意圖

2.3.2 線性裂縫長度和寬度計算

裂縫長度和寬度是評估裂縫損壞程度的2個重要指標，裂縫長度反映裂縫的延伸狀況，裂縫寬度反映裂縫的開裂程度。

2.3.2.1 骨架細化

對裂縫圖像進行骨架細化，提取裂縫圖像的中心像素輪廓，細化為單像素寬度，骨架提取時要滿足以下3個要求：1） 骨架不能出現(xiàn)斷裂。2） 裂縫內(nèi)部像素點不可刪除。3） 不可刪除像素端點，刪除端點會導致整條裂縫骨架被刪除。

Zhang Suen細化算法是一種經(jīng)典的細化算法，擁有較高的細化精度和較快的運行速度，應用范圍較廣，該文利用該算法進行裂縫骨架細化，如圖3所示。

圖3 裂縫細化效果圖

2.3.2.2 裂縫長度計算

細化后的裂縫骨架均為單一像素，即每行每列只有一個像素值，只要求取骨架長度即為裂縫的長度。骨架長度可以理解為相鄰像素點之間的距離之和，令（xi，yi）和（xi+1，yi+1）為相鄰像素，則相鄰像素點之間的距離之和l如公式（5）所示。

裂縫骨架總長度為L，即所有相鄰像素距離之和如公式（6）所示。

2.3.2.3 裂縫寬度計算

根據(jù)《公路技術(shù)狀況評定標準》（JTG 5210—2018）可知，裂縫的最大寬度是影響結(jié)構(gòu)損傷和使用極限的重要因素，因此需要求取的裂縫寬度應該為裂縫兩邊緣像素上的最大距離。該文采用邊界點切垂線法來計算裂縫最大寬度。

具體計算方法如下：1）首先遍歷裂縫圖像，設裂縫左邊界點p的坐標為（xa，ya）。2）確定與p相鄰的上、下行的左邊界點，分別記為（xb，yb）和（xc，yc），則這3點可以確定拋物線y=ax2+bx+c，計算該拋物線在點P處切線斜率k。3）設與點p切線的垂線如公式（7）所示。

垂線相交于右邊界點的坐標為（xd，yd），則（xa，ya）和（xd，yd）之間距離d即為點p處裂縫的寬度，如公式（8）所示。

采用邊界點切垂線法即可獲得裂縫圖像最大寬度dmax。

2.3.3 網(wǎng)狀裂縫面積計算

該文通過獲得裂縫圖像凸包的方法，可以更接近網(wǎng)狀裂縫的面積。具體方法主要基于Opencv進行操作，首先，提取分割好的路面網(wǎng)狀裂縫圖像。其次，使用Opencv的convexHull函數(shù)獲取圖像裂縫區(qū)域的凸包。最后，同樣使用Opencv中的convexArea函數(shù)獲取裂縫圖像凸包面積S，則圖像中網(wǎng)狀裂縫分布面積即為S×a2。

2.4 采集結(jié)果與分析

基于該章節(jié)對路面裂縫圖像的處理方法，通過線陣相機采集和交通部發(fā)布的路面裂縫圖像數(shù)據(jù)進行檢測，線性裂縫長、寬單位為mm，網(wǎng)狀裂縫面積單位為m2，試驗結(jié)果見表1。

表1 裂縫分類結(jié)果統(tǒng)計表

路面裂縫類型的判定是路面裂縫檢測的基礎(chǔ)，對其幾何特征參數(shù)的計算是路面裂縫檢測的關(guān)鍵評價指標，為驗證該文所提出的算法的有效性，在線性裂縫與網(wǎng)狀裂縫中隨機挑選6 幅，根據(jù)該文計算路面裂縫幾何特征方法進行分析比較，結(jié)果見表2～表4。其中，線性裂縫長度為L，最大寬度為W，網(wǎng)狀裂縫的面積為S。

表2 橫向裂縫檢測結(jié)果表

表3 縱向裂縫檢測結(jié)果表

通過對裂縫圖像試驗結(jié)果分析發(fā)現(xiàn)：1）在對線性裂縫長度的檢測中，相對誤差為負值，說明檢測值小于實際值，這是因為在裂縫骨架提取時，雖然保證了裂縫的基本形狀，但是每行每列只提取單個像素點，所以導致整體長度稍受影響。2）在對線性裂縫最大寬度的檢測中，相對誤差為正值，說明檢測值大于實際值，因為閉運算可以將微小間斷和細小孔洞與裂縫相連接，導致檢測裂縫最大寬度的偏移會增大。3）在對網(wǎng)狀裂縫面積的檢測中，相對誤差為負值，說明檢測值小于實際值，因為網(wǎng)狀裂縫的部分細小裂縫分支，灰度值接近圖像背景，在獲取凸包時沒有將該部分檢測出來，所以導致網(wǎng)狀裂縫面積檢測值小于真實數(shù)值。

表4 網(wǎng)狀裂縫檢測結(jié)果表

3 結(jié)語

該文圍繞基于圖像和點云的路面缺陷檢測及點云修復技術(shù)進行研究，所取得的主要研究成果如下：1）該文研究了車載移動測量系統(tǒng)采集路面缺陷的2種數(shù)據(jù)形式，即圖像和點云，然后根據(jù)《公路技術(shù)狀況評定標準》（JTG 5210—2018）對路面缺陷進行分類和破損分級，結(jié)合實際路面缺陷特征選擇合適的采集方式。2）提出基于圖像特征的路面裂縫檢測。通過改進高斯與中值濾波的方法，在去除大量噪聲的同時，保留更多裂縫邊緣細節(jié)，Canny邊緣檢測算法根據(jù)路面裂縫缺陷的評定標準對其幾何特征進行分析。

在后續(xù)研究中還須解決以下問題：檢測精度問題。無論從圖像還是點云進行檢測，受到設備抖動、環(huán)境以及人為等因素的干擾對檢測精度有較大影響，還需進一步對相關(guān)檢測算法進行研究。