劉信宏，蘇成悅，陳 靜，徐 勝，羅文駿，李藝洪，劉 拔

（廣東工業(yè)大學(xué) 物理與光電工程學(xué)院, 廣東 廣州 510006）

混凝土結(jié)構(gòu)橋梁的裂縫會破壞橋梁結(jié)構(gòu)整體性[1]，甚至引發(fā)坍塌事故，定期巡檢橋梁具有必要性。國內(nèi)外學(xué)者對橋梁裂縫檢測做了大量研究，如kmeans結(jié)合區(qū)域生長[2]、裂縫發(fā)展趨勢估算的思想[3]、基于局部紋理的檢測算法[4]、使用支持向量機(jī)、自適應(yīng)提升(Adaboost) 和隨機(jī)森林的分類模型[5]、照度補(bǔ)償模型和裂縫概率圖[6]等。在統(tǒng)計(jì)信息網(wǎng)格聚類的思想下，結(jié)合區(qū)域生長算法，取得了較好的裂縫提取效果[7]，但其網(wǎng)格聚類環(huán)節(jié)中，容易選取到背景區(qū)域。應(yīng)用多尺度Hessian矩陣可降低紋理干擾，較好地抑制背景，增強(qiáng)裂縫[8]。但上述研究都沒有考慮算法的實(shí)時(shí)性，無法應(yīng)用于嵌入式平臺。多尺度的方向?yàn)V波器，降低了光照及背景干擾，能在主機(jī)端進(jìn)行較低分辨率實(shí)時(shí)檢測[9]。Canny邊緣和區(qū)域生長的思想可實(shí)現(xiàn)快速裂縫分割[10]，但抗干擾能力不足。還有運(yùn)用UNet模型[11]、全連接網(wǎng)絡(luò)[12]和卷積神經(jīng)網(wǎng)絡(luò)[13-15]等深度學(xué)習(xí)的方法，跳過特征描述的過程，實(shí)現(xiàn)端到端的識別，其依賴于大量的數(shù)據(jù)集和圖形處理器支持，在移動平臺較難實(shí)現(xiàn)在線實(shí)時(shí)檢測。

本文提出一種嵌入式平臺上高分辨率裂縫圖像的實(shí)時(shí)檢測算法。采用移動平均法[16]粗分割；通過幾何特征篩選候選裂縫片段，結(jié)合區(qū)域生長修復(fù)和過濾候選裂縫片段；建立雙判別準(zhǔn)則的裂縫片段聚合模型，遞歸合并裂縫片段，并抑制干擾區(qū)域。

1 裂縫檢測算法

本文提出的裂縫實(shí)時(shí)檢測算法流程如圖1所示，圖中二值圖黑色為前景，白色為背景。

圖1 裂縫識別流程圖Fig.1 Flow chart of the proposed method

1.1 圖像預(yù)處理

高斯濾波廣泛運(yùn)用于無人機(jī)圖像處理、視頻圖像處理和圖像預(yù)處理等場景[17-18]。圖像噪聲中大部分噪聲為白噪聲，使用高斯濾波器可有效降低噪聲對檢測的影響[19]。對輸入圖像進(jìn)行高斯模糊，記I(x,y)為高斯濾波后的灰度圖像。

橋梁裂縫圖像受復(fù)雜光照環(huán)境影響，其亮度分布不均勻。受Shi等[16]的移動平均分析的啟發(fā)，本文采取移動平均的分割方法，閾值由式(1) 確定。

式中： μI(x,y) 為 圖像I(x,y) 中尺寸為ε ×ε的滑動窗口的灰度均值，α 為偏移系數(shù)。

獲取二值圖像B(x,y)的分割過程如式(2) 所示，前景目標(biāo)區(qū)域設(shè)為1，背景區(qū)域設(shè)為0。

1.2 候選裂縫片段提取

候選裂縫片段提取模塊如圖2所示。圖2(a) 為裂縫閾值分割圖，通過第一次幾何輪廓篩選得到圖2(b)所示的種子區(qū)域,采用八方向區(qū)域生長算法獲得圖2(c)，再進(jìn)行一次幾何輪廓篩選得到如圖2(d) 所示的候選裂縫片段，其連通域集合記為Q={Q1,Q2,···,Qm}。

圖2 候選裂縫片段提取流程Fig.2 Flow chart of candidate crack fragment sampling

1.2.1 幾何輪廓篩選

裂縫片段和背景噪聲具有較明顯的幾何特征差異，如圖3所示，圖3(a) 為背景噪聲，其輪廓無明顯幾何規(guī)則；圖3 (b) 為裂縫片段區(qū)域，具有明顯的細(xì)長幾何特征。

圖3 裂縫與背景區(qū)域的幾何特征差異Fig.3 Difference between crack and back ground region

本文采用連通域面積A和連通域輪廓的慣性率ηIR來描述連通域的幾何特征。二值圖像的連通域面積為圖像的零階矩，圖像的二維(i+j) 階 矩Mij的定義如式(3) 所示，則連通域面積A=M00。

式中：i=0,1,2,···，j=0,1,2,···，rx,y為連通域內(nèi)所包圍的點(diǎn)。

慣性率可用于描述目標(biāo)的伸長程度，慣性率越接近1，則越相似于圓形。慣性率可由圖像中心矩得到，圖像的二維(i+j)階中心矩定義如式(4) 所示。

式中：(TAmin,TAmax)為 輪廓面積閾值范圍，TIR為輪廓慣性率閾值。

1.2.2 區(qū)域生長

區(qū)域生長是依據(jù)預(yù)設(shè)的生長規(guī)則，將圖像像素或者子區(qū)域合并的過程。從一組種子點(diǎn)開始遍歷相鄰像素，尋找滿足預(yù)設(shè)生長規(guī)則的像素，并將其添加到種子中而形成生長區(qū)域，常用于圖像分割[7,10]。

式中：Ts為區(qū)域生長灰度閾值。

3) 重復(fù)步驟1) 和2) ，直到S為空集，輸出區(qū)域生長完成的二值圖像B′(x,y)。

1.3 裂縫聚合

如圖4所示，提取的候選裂縫不連續(xù)，且與背景干擾的形態(tài)相似。本文提出雙判別準(zhǔn)則的裂縫聚合模型，模擬裂縫延伸趨勢，依據(jù)位置和方向信息構(gòu)造聚合準(zhǔn)則，遞歸聚合細(xì)長裂縫，并抑制背景干擾。

圖4 裂縫片段Fig.4 Crack fragment

1.3.1 聚合準(zhǔn)則

以裂縫片段輪廓的最大距離點(diǎn)對(Pb,Pf)作為裂縫片段的端點(diǎn)，聯(lián)合裂縫片段最小外接矩形傾角V，構(gòu)建裂縫片段的特征向量H=(Pb,Pf,V)，其中，本文通過輪廓的上下左右4個(gè)邊界點(diǎn)的快速枚舉來近似替代Pb和Pf；使用Sklansky[20]的方法檢測裂縫片段的凸包后，運(yùn)用旋轉(zhuǎn)卡殼法[21]處理凸包而得到的矩形，即為裂縫片段的最小外接矩形。記聚合裂縫集合為X={X1,X2,···,Xn}，其中每個(gè)裂縫元素由多個(gè)裂縫片段構(gòu)成。記裂縫片段最小外接矩形的長邊為lw。

定義兩裂縫片段Q1和Q2的距離D(Q1,Q2)為兩裂縫片段的端點(diǎn)間的最短距離，裂縫片段的聚合準(zhǔn)則1定義如式(8) 所示。

式中：Tdmax為長距離閾值。

定義裂縫過濾準(zhǔn)則，如式(10) 所示。若δk=0，則將裂縫Xk剔除，否則保留該裂縫。

式中：TCRL為裂縫長度閾值。

裂縫片段聚合算法流程如下：

1) 計(jì)算候選裂縫片段連通域集合Q中元素的特征向量H；

2) 按m ax(Pb.y,Pf.y)降 序和m in(Pb.x,Pf.x)升序?qū)排序；

3) 對Q中滿足式(8) 或(9) 的元素進(jìn)行聚合，輸出聚合裂縫集合X；

4) 將集合X作為輸入，重復(fù)步驟3) ，直到集合X和Q的元素個(gè)數(shù)相等；

5) 依據(jù)式(10) 過濾裂縫。

其中步驟3) 為算法的核心步驟，其流程如表1所示。

表1 裂縫聚合算法Table 1 Algorithm of merging crack fragments

1.3.2 裂縫聚合示例

圖5 裂縫片段遞歸聚合示例Fig.5 Sample of merging crack fragments recursively

2 實(shí)驗(yàn)結(jié)果分析

2.1 靈敏性分析及參數(shù)確定

本文算法待確定的核心參數(shù)有：輪廓慣性率閾值TIR、 區(qū)域生長灰度閾值Ts、短距離閾值Tdmin和長距離閾值Tdmax。 設(shè)參數(shù)初始值為：TIR=0.1，Ts=10，Tdmin=0.1，Tdmax=0.8，分別獨(dú)立改變參數(shù)值，對數(shù)據(jù)集全部圖像進(jìn)行測試。分別統(tǒng)計(jì)準(zhǔn)確率、召回率和F值3個(gè)指標(biāo)的均值，如圖6所示。圖6(a) 表明，TIR在區(qū)間[0.05,0.12]范圍內(nèi)都有較好效果，選取F值開始下降的前一個(gè)數(shù)值0.11；圖6 (b) 中，Ts=8時(shí)，F(xiàn)值表現(xiàn)最佳；圖6(c) 和圖6(d) 中，Tdmin和Tdmax的趨勢一致，當(dāng)參數(shù)值較小時(shí)，其精確度高，但召回率低，說明此時(shí)漏檢嚴(yán)重，當(dāng)Tdmin=0.35時(shí)，精確度和召回率達(dá)到均衡，而Tdmax的均衡點(diǎn)為0.6。故本文選取參數(shù)值為TIR=0.11，Ts=8，Tdmin=0.35，Tdmax=0.6。

圖6 參數(shù)靈敏性分析Fig.6 Parameter sensitivity analysis

文獻(xiàn)[7]算法使用默認(rèn)參數(shù)；文獻(xiàn)[8]算法中多尺度參數(shù) σ取值為(3,4,5,6,7) ；使用文獻(xiàn)[10]算法時(shí)，在算法原基礎(chǔ)上，將面積大于3 ×104的輪廓濾除。

2.2 性能評估

考慮細(xì)小裂縫、復(fù)雜背景、污漬污染和光照不均勻等情況，本文算法、文獻(xiàn)[7]、[8]和[10]算法的部分實(shí)驗(yàn)結(jié)果分別如圖7的3～6列所示，圖7中第1列為原圖像，第2列為手動標(biāo)注結(jié)果。其他3種算法無法檢測特別細(xì)的裂縫，在圖像背景干擾較多時(shí)，無法濾除干擾目標(biāo)，且分割裂縫的連續(xù)性較差，而本文算法能完整檢測細(xì)小裂縫，且降低復(fù)雜背景及不均勻光照干擾，保留裂縫區(qū)域。

圖7 4種算法實(shí)驗(yàn)結(jié)果Fig.7 Results of four methods

分別統(tǒng)計(jì)4種算法的性能指標(biāo)平均值如表2所示，本文算法的精確率、召回率和綜合評價(jià)指標(biāo)F值均大幅度領(lǐng)先于其余3種算法，F(xiàn)值分別提升115%、148%和238%。在單線程運(yùn)行速度上，本文算法處理每張圖像的平均耗時(shí)僅為1.73 s，接近文獻(xiàn)[10]算法，遠(yuǎn)快于文獻(xiàn)[7]和文獻(xiàn)[8]算法。

表2 4種算法的性能指標(biāo)值Table 2 Experimental performance of four methods

3 結(jié)論

本文提出一種嵌入式平臺上高分辨率裂縫圖像的實(shí)時(shí)檢測算法，所建立的裂縫聚合模型在一定程度上模擬了裂縫的延伸趨勢，僅將延伸趨勢一致的連通域聚合，抑制了大量灰度表現(xiàn)與裂縫相似的背景干擾。對比實(shí)驗(yàn)表明，本文算法大幅度領(lǐng)先于數(shù)種現(xiàn)有算法，有效提高了橋梁裂縫檢測算法的可靠性和實(shí)時(shí)性，可應(yīng)用于嵌入式平臺上實(shí)時(shí)檢測橋梁裂縫。但本文算法僅處理灰度圖像，對彩色線狀干擾的抑制能力不足，后期考慮引入彩色信息，進(jìn)一步提高算法的可靠性。