基于机器视觉的隧道衬砌裂缝检测算法综述.pdf

所需积分/C币:42 2019-09-20 11:22:25 6.17MB .PDF
136
收藏 收藏
举报

基于机器视觉的隧道衬砌裂缝检测算法综述.pdf,《公路隧道养护技术规范》中明确指出隧道裂缝的调查是专项检查项目之一。目前常采用人工检测,漏检不可避免,为克服此缺点,用机器视觉的方法实现自动化检测已成为近年来该领域里国内外主要研究手段。在机器视觉研究方法的背景下,对目前国内外关于隧道混凝土衬砌裂缝检测算法的研究进行了较全面的综述,包括衬砌图像预处理、裂缝的检测、干扰的剔除、裂缝宽度的测量及误差分析4个部分,并对所采用的算法进行了优势及不足的比较,最后给出结论和未来设想。
3102 仪器仪表学报 第38卷 边缘处较弱,尤其图像左右两边裂缝边缘附近梯度变化从多尺度空间进行改进,文献[17-18]采用一种基于 不明显,提取裂缝信息容易丢失;图3(b)对整幅图像增 Guided滤波的 Retinex算法,利用小波函数将图像分解为 强效果可见加重了光照不均匀,裂缝信息被淹没不利于多个尺度,分解后对各阶高频系数进行阈值处理;低频系 提取;图3(c)对梯度变化较大的边缘处增强,裂缝及细数采用基于 Guided滤波的 Retinex算法2进行处 小衬砌上的纹理变得清晰可见,更利于提取裂缝边缘、不理。 Guided滤波器既能很好地保持图像的梯度,也能很 容易漏检。 好地保持图像边缘。 Retinex算法对图像细节的增强效 果较好,但其算法复杂度较高、计算量大,增强的过程中 难以做到压缩动态范围和提高局部对比度的统一,使图 像缺乏柔性,对比结果如图4所示。 (a)原图 (a) Original image(b) Image enhancement的边缘处增强 (c)The edge is enhanced at the gradient changed obviously 图3增强图及边缘检测结果 Fig 3 Enhancement image and edge detection results (a)原始图像 (b)灰度变换法(c)同态滤波法 (a)Original image (b) Gray level transform (c)Homomorphic filtering method 由于衬砌表面坑洼造成的噪声很多,干扰了裂缝的 提取。因此通常平滑滤波去噪和裂缝增强同时进行能得 到更好的预处理效果。 1)基于灰度变换的裂缝增强 由于裂缝灰度值比背景低,因此主要采用灰度变换 法,对图像中低灰度值变的更低,高灰度值变的更高的方 (d)梯度阙图像增强 (e) Retinex法 (f)基于 Guided滤波 (d) Gradient threshold (e)Retinex method 的 Retinex法 法实现增强,包括直方图均衡、线性变化等。直方图均衡 image enhancement (f) Retinex method based on ided filte 会导致只要与裂缝有相似灰度的地方就都会被增强。这 些区域在阈值分割时难以滤除;线性变化的前提是选择 图4不同滤波法对比 合适的参数。尤其在低信噪比的裂缝图像中,参数选择 Fig 4 Comparison of different filtering methods 是影响裂缝识别率的关键。文献[6]采用该方法实验效 果并不好,文献[12]在此方法基础上又配合中值滤波、 由图4可知,用灰度变换法、空域的梯度域图像增强 维纳滤波等方法对图像进行增强,发现扩展灰度级虽然法、频域的同态滤波法、 Retinex算法对裂缝增强的同时 可以提高图像的反差,但会使得动态范围变的更大,容易噪声也被增强;而改进的基于 Guided滤波的 Retinex算 造成图像增强过度而失真,尤其不适用光照不均匀图像。法对裂缝增强的同时抑制了噪声,取得较好增强效 2)基于梯度锐化的裂缝增强 果 由于裂缝在图像中表现为屋脊边缘,因此采用梯度 3)基于SFC结合的裂缝增强 算子进行锐化达到增强效果。文献[13-14]采用一种基 同时考虑裂缝的灰度值小与梯度值大的特点,将灰 于梯度域的图像增强算法。在图像的层次、细节方面有度变换和平滑锐化滤波相结合。文献[8]采用了基于中 较好的处理效果,适合图像阴影区或者高光区细节的增值滤波和拉普拉斯算子锐化相结合的方式对裂缝图像进 强。但增强的同时会岀现锐化现象,且梯度修改后图像行多次处理,再利用图像灰度阈值进行拉伸来提升对比 的重建算法较复杂。 度,取得较好效果;文献[4]首次提出增强滤波结合法 由于裂缝边缘处梯度差较大属于高频成分,因此有( enhanced filter combination,SFC),反复多次交替使用改 学者从频域角度研究。文献[6]采用频域滤波中典型的进的直方图灰度拉伸、四邻域平均平滑和拉普拉斯锐化 同态滤波法,其中低频反映的是照明分量,高频反映的是进行对比度增强处理;文献[19]中也有使用SFC结合 反射分量,利用滤波函数对两者分别评估,并调节滤波器法,实验结果表明较好地改善了由于图像亮度范围不足 系数实现图像增强。但目前没有一个很好的方法对这两或非线性等引起的对比度不强的缺陷,能保留裂缝细节 个分量进行估计510,因此该方法适用于局部灰度值低同时有效地去除了噪声和锐化了边缘,从而更好地突出 的图像。由于裂缝和噪声同属于高频成分,在分辨率较了背景和裂缝的区别,取得了较好效果。裂缝图像及对 高的图像中,加强裂缝的同时噪声也随之加强。有学者应的增强效果如图5所示。由5(b)可知,对比度得到明 第12期 苑玮琦等:基于机器视觉的隧道衬砌裂缝检测算法综述 3103 显的提高,图5(c)中裂缝的突出尖角得到了很好的增心思想为釆用一种合适的滤波器处理图像,并用原图像 强,边缘得到了较好的平滑和锐化。 与处理后图像做差。 1)基于形态学光照均衡化 文献6,20]采用形态学的底帽变换进行处理,即用 闭运算的结果与原始图像做差得到。闭运算是用高像素 填充比结构元素小的低像素的洞,减去原图像后,低像素 (a)原图 (b)SFC结合法 (c)裂缝处放大图 a) Original image (b)SFC combination method (c) Crack enlarged image 部分被明显的反映出来。效果如图7所示。 图5裂缝图像及对应的增强效果 Fig 5 Crack image and the corresponding enhancement results (a)原始图像 (b)低帽变换后图像(c)低帽变化后二值化图像 SFC结合法对比效果如图6所示。图6中SFC结 (a)Original image (b)Bottom-hat transform (c)Binary quantized image after bottom-hat 法对裂缝图像的处理要优于单一的算法,尽管对裂 缝的细节有所损失,但大量的平滑处理基本消除了其 图7数学形态学处理结果 他噪声的影响。但针对不同图像中裂缝不同明暗不 Fig 7 Mathematical morphology processing results 同宽窄的复杂情况,提出该方法的文中并未给出多次 灰度变换时阈值大小、平滑窗口大小的选取依据,适应 由图7(b)阈值分割后可见,裂缝被明显的分割出来 性并不强 取得良好效果6。但不足之处是由于闭运算本质是膨 胀、腐蚀运算的结合,会破坏细小裂缝形态,因此不适 识别细小裂缝,且裂缝特征参数计算精度较低。 2)基于低通滤波器的光照均衡化 文献[9,21-24]采用Mask匀光算法,首先对原始图 像进行高斯低通滤波得到背景图像,再用原始图像与背景 (a)原始图像 (b)SFC结合法处理结果 (a)Original image (b) SFC binding processing results 图像做差,最后将得到的图像进行亮度值拉伸,并配合灰 度级腐蚀等预处理算法平衡图像的光照,增强裂缝的对比 度,取得的良好效果如图8所示2。缺点是匀光的同时噪 声也增强,为后面裂缝提取带来误判,具体如图9所示,并 且采用直接分割无法除去图像中存在的大量噪声9。 (c)维纳滤波后结果 (d)中值滤波后结果 (c)Wiener filtering result (d) Median filtering result 图6SFC结合法对比效果 Fig6 SFC combination method contrast effect result (a)原始图像 (b)MASK匀光 以上文献中增强的算法,应用在对比度较强较宽的 (a) Origin image (b)Mask dodging 裂缝增强的效果较好,但对细小裂缝进行增强的更好的 图8均衡光照 算法还有待进一步研究。 Fig 8 balanced illumination 1.3光照均衡化 由于公路隧道检测车在行走中没有固定轨道,与隧 道衬砌表明的距离是不定的,因此成像时需要采用面阵 相机。另外隧道较黑暗,为采集到清晰的图像,必须外加 光源,这样就会带来光照不均匀的现象,这种现象会导致 图像阈值分割时严重影响阈值、参数等的选取造成错误。 (a)Otsu分割 (b)MASK匀光和Osu分割 尤其过渡曝光的图像,对比度小的裂缝会淹没其中难以 (a)Otsu segmentation(b) Mask dodging and Otsu segmentation 分割提取。 图9光照问题影响的分割结果 为解决光照不均匀的问题,相关学者进行研究的核 Fig 9 Segmentation affecting by illumination 3104 仪器仪表学报 第38卷 3)基于线性滤波器的光照均衡化 由图10可知,一阶经典的 Roberts算子对具有陡峭 文献[25-26]中引入海森矩阵构建线性滤波器,用増的低噪声的图像处理效果较好,但提取的边缘较粗,且定 强图像中的线性结构进行平滑处理后的图像与原始图像位不准确; Sobel算子对噪声较多和灰度渐变的图像处理 做差,达到平衡光照的目的。缺点是对一些低灰度噪声效果较好,对边缘方向较敏感,但对于局部边缘信息定位 较敏感,对复杂图像进行处理时,极易造成误判,不具有不够准确; Prewitt算子与 Sobel算子类似,由于隧道衬砌 普适性。 图像通常不是灰度渐变图像,因此都不太适合隧道内裂 光照不均匀问题会直接影响后续图像分割,但目前缝的检测; Canny算子实质是用一个准高斯函数作平滑 解决得并不理想。由于很多硏究杋构是在实验室模拟或运算,然后以带方向的一阶微分算子定位导数最大值,不 者在现场釆用多个照明光源拍摄,基本避免了该问题,但易受噪声干扰和填充,更容易检测岀弱边缘,但运算量较 是若想降低成本,那么减少光源数量光照不均匀问题不大速度较慢。二阶典型的拉普拉斯算子( Laplacian)用 容忽视。 于检测屋脊型边缘的效果不错,但对噪声非常敏感,有可 能使噪声加强,常产生双像素宽的边缘且不能提供边缘 2裂缝的检测 方向信息,不适合精确定位5。另外MarD等人2在 1980年提出一种Log算子,先用高斯函数对原始图像作 裂缝的检测方法主要包括边缘检测法和灰度级阈值平滑,经 laplacian算子运算后,再用提取零交叉点的方 分割法。 法作边缘检测,其精度明显提高 2.1边缘检测法 文献[4]提出一种比梯度算子应用更广的基于灰度 由于裂缝与背景交界处有明显的梯度差,因此可差阈值的边缘检测方法,文献[8]在此基础上提出一种 通过梯度进行边缘检测提取裂缝,包括利用梯度检测改进的cany算子的灰度阈值边缘检测和提取方法实现 算子进行边缘检测、跟踪法、以及亚像素进行精确定裂缝粗定位。该方法能选择性的处理裂缝区域,可以避 位 免受到噪声、周围小缺陷、污点等干扰因素的影响,得到 2.1.1边缘检测 图11(c)所示的光滑单像素边缘。 经典的边缘检测梯度算子,分为一阶梯度算子,主要 对阶跃型边缘检测效果较好;二阶梯度算子,主要对屋脊 型边缘检测效果较好。裂缝边缘在图像中表现为屋脊边 缘 文献[5]对以上经典梯度算子在隧道裂缝检测中进 行了实验,如图10所示。 (a)原图 b)增强图 (c)灰度差阈值边缘检测 (a)Origin image(b) Enhanced image(c)Gray difference threshold edge detecti 图11灰度差阈值边缘检测结果 Fig. 11 Grayscale threshold edge detection results 另外有学者从多尺度进行改进。文献[30]提出 种基于非下采样 Contourlet变化( nonsubsampled contour (a)原图 (b) Roberts算子检测(c) Sobel算子检测 let transform,NSCT)的隧道裂缝图像检测算法。分别对 (a) Origin image (b)Roberts operator (c)Sobel operator detection detection 高频子带图像采用模极大值方法筛选系数极值点和对低 频子带图像采用Cany算子进行边缘检测,对比结果如 图12所示。 由图12可知, Sobel算子误检边缘点数最多,存在很 多噪声点,定位准确性最差; Canny算子误检边缘点数较 少,但由于高斯平滑的模糊特性,定位准确性较差;小波 模极大边缘检测方法误检边缘点数较多,定位准确性较 (d) Prewitt算子检测e)Cany算子检测 f)Log算子检测 (d) Prewitt operator (e) Canny operator (f) Log operator 好,但由于降斑效果仍不理想和缺乏弱边缘连接,存在较 detection detection detection 多的孤立噪声点;NSCT变换误检边缘点数最少,定位准 图10边缘检测算法对比处理结果 确性最好,具有更好的方向性和平移不变性,该算法无论 Fig 10 comparison of different edge detection methods 在分割正确率还是精度上均表现出良好的性能28。 第12期 苑玮琦等:基于机器视觉的隧道衬砌裂缝检测算法综述 3105 述渗漏区域的形态或者利用终止-跳过程序以减少计算 时间,适用于大幅混凝土图像裂缝的快速识别。文 (a)原始图像 (b) Sobel算子 献[6]对其进行改进,釆用一种基于概率松弛和渗漏的 a)Original image b)Sobel operator 裂缝搜索法,将渗漏标准由灰度值改为概率,该方法考虑 到了相邻像素点之间的影响,同时更新迭代的过程使整 个图像内像素点的概率趋于收敛,达到归一化的目的。 (c) Canny算子 (d)小波模极大 实验结果表明裂缝区域能被完整地提取岀来,解决了裂 (c)Canny operator ( d)Wavelet modulus maxima 缝断裂问题,但搜索到的裂缝区域变宽。 文献[36]提出一种基于图像局部网格特征的隧道 衬砌裂缝自动识别方法。先将图像划分为8 pixel X (e)非下采样 Contourlet变换 8 pixel的局部网格,基于局部网格内不同方向之间的对 (e) Nonsubsampled contourlet transform(NSTC 比度差异和亮度差异特征设计十字形模板,通过模板计 图12基于多尺度空间算法对比结果 算将网格中灰度值最小的像素识别为潜在的裂缝种子, Fig. 12 Comparison based on multi-scale spatial 再采用种子连接算法将离散的裂缝种子像素连接成完整 algorithms 的连续裂缝,并自动计算裂缝的走向、长度和宽度,取得 良好的裂缝识别效果如图13所示,特别是对细微裂缝和 2.1.2跟踪法 存在渗漏水的衬砌图像,算法的可靠性和识别率均高于 除经典梯度算子外,近年来相关学者还采用跟踪法常规的图像识别方法6。但该方法适用于处理理想背 进行裂缝的提取。即先通过对图像上的点的简便运算来景的裂缝图像,不适合噪声较多的图像,难于有效识别隧 检测出可能存在的物体上的点,然后在检测到的点的基道表面裂缝网格和背景网格复杂的灰度剖面图和计算裂 础上通过跟踪运算来检测物体的边缘轮廓。 缝宽度37 文献[29-30采用基于最小路径的裂缝识别算法,该 算法以裂缝点作为起始点,根据最短路径的原则向周围 扩张,可快速准确地检测出连续的裂缝;文献[31]提出 一种基于种子点扩散的半自动提取隧道裂缝的方法,通 过用户在裂缝上选取起始种子点实现裂缝的自动追踪 同时允许在种子点拟合扩散的过程中人工干预来处理拟 (a)原始图像 (b)局部网格法 合偏差及失败的情况。由于这些起始种子点需要手动选 (a)Original image (b) Local grid method 取,并不符合自动识别的要求。 图13基于跟踪法典型实验结果 文献[32]对文献[29]进行了改进,采用一种F种 ig. 13 Typical experimental results based on 子生长( F seed- growing approach,FOSA)算法,设定种 tracking method 子生长策略,自动选择路径中的起始点和终止点。同时 算法缩小处理范围,用局部搜索代替全局搜索,大大提高2.1.3亚像素定位 了处理效率。但噪声较多时,容易岀现初始点选择不当 随着测量精度要求的提高,像素级已无法满足要求, 的情况。 更高精度的亚像素算法得到关注。亚像素级精度对边缘 文献[33中提岀裂缝树的概念,先初步预测图像中的定位算法是先像素级精度进行粗定位,再亚像素精度 的裂缝点,再釆用张量投票法增强图像中的裂缝信息,根的精确定位 据投票结果进行裂缝种子取样,构建裂缝的最小生成树, 最早应用的亚像素算法是重心法,后来又发展了应 最后对树进行剪枝,检测图像中的裂缝。这种检测方式用不同原理的亚像素提取算法,如概率论法、解调测量 的准确率优于一般的裂缝边缘检测,但仅滤除了光照不法、切线法、滤波重建法、矩法、插值法、多项式拟合法、 均这一种噪声 阶微分期望值法等4。相关学者在具体应用时作了一定 文献[34-35]采用渗流原理模型,从初始点开始,按改进,文献[4]提出一种基于水平划线法的改进的重心 照某种规则向周围扩散渗漏,直至边界。该算法根据背法亚像素提取方法,其优点是将传统重心算法中水平、垂 景和裂缝的不同渗流表现获取裂缝点,进而提取裂缝,成直双方向都需要进行处理,变成只需在水平方向处理即 功达到了降低误判率的目的。为降低时间复杂度,改为可,提高了运算速度。但对于计算平均宽度的离散程度 从疑似裂缝区域选取某些点作为初始点,并以圆度来描而言,没有传统重心算法好。文献[38]采用基于 Zernike 3106 仪器仪表学报 第38卷 正交矩的图像亚像素边缘检测算法,描绘出以亚像素点献[40]对比进行改进,与 Prewitt算子进行结合,并用数 表示的精确边缘图,可实现远距离拍摄裂缝检测宽度平学形态学对图片进一步优化,从而得到裂缝区域完整而 均误差为0.20mm。文献[8]提岀一种基于邻域梯度特杂质区域较少的二值图像。文献[19]使用基于直方图 征的高斯曲线拟合亚像素定位算法,与一维灰度矩和二修正的迭代剪枝法与最大类间方差法进行对比实验,效 次多项式插值法在各信噪比水平下比较,其边缘定位精果如图15所示。 度最高且可重复性最好。 改进算法在检测和提取图像裂缝边缘时定位精度更 高、边缘特征更明显,但是都存在计算复杂、计算机处理 耗时长等缺点。 2.2灰度级阈值分割法 对于光照均匀、裂缝清晰,直方图中呈现双峰特征的 (a)原始图像 (b)Ostu法 (c)迭代剪枝法 (a)Original image (b)Ostu method (c) Iterative pruning method 图像,采用该方法分割效果较好。文献[38]通过全局和 局部阈值的循环迭代动态获取和区域的灰度特性相匹配 图15区域分割法处理结果 Fig 15 Region segmentation results 的自适应阈值得到裂缝区域,具体如图14所示。 由图15可知,两种算法都能较好地区分出目标裂缝 和背景。Ostu法分割后,裂缝有断开现象,但噪声得到了 很好的抑制,对直方图双峰不明显,或图像背景和目标比 例差异悬殊时,效果更佳;而迭代剪枝法较好地保留了裂 缝细节,但图像处理中仍有多余的噪声,适合于直方 (a)区域 (b)所选区域放大图 图双峰明显,谷底较深的图像。 (a) Region (b) Selected area magnification 3干扰信息剔除 裂缝检测分割提取后,除了裂缝本身还有非裂缝部 分,为了后续裂缝宽度的测量,需要在此剔除非裂缝的干 扰信息。采用的方法主要包括基于二值图的形态学法、 (c)灰度变换后的增强图 (d)阈值分割图 基于二值图与灰度图相结合法以及机器学习法。 (c) Gray scale transformation of (d) Threshold segmentation the enhanced image 3.1基于二值图的干扰剔除 图14全局阈值和局部阈值的循环迭代算法 裂缝检测分割后将灰度图转换成二值图,从中可见 Fig. 14 Cyclic iteration algorithm with global 裂缝与干扰信息的差别主要集中于几何形态特征上。文 threshold and local threshold 献[5,12,40-41]采用基于二值图的数学形态学识别法 通过对试验图片集合特征的分析确定描绘子为面积、周 由图14可知,该方法裂缝区域是人为选择,在阈值长、集中度、分散度、外接矩形长宽比、外接矩形占有率、 选择中忽略了大部分背景噪声干扰,属于理想情况下的密度、长度、分形维数、斜裂缝夹角、裂缝间距、宽度等。 灰度阈值分割。但实际情况背景复杂,需要自动最佳阈文献[42]对其进行改进,将基于结构的几何形状和裂纹 值分割,最常用的方法是基于最大类间方差分割法,它是的图案相结合识别裂缝,取得一定效果 1979年由日本学者OsuN.A.提出,该方法解决了最 然而,当裂缝形态复杂时,使得形态变量的定义变得 佳阈值点的选择问题,是一种自适应的阈值确定方法,又十分困难。分形理论属于非线性科学,适合用来描述无 叫大津法(Osu)。文献[12,18-19,21,39]都采用该方法序的混乱现象和不规则的形态。分形学作为信息科学的 对图像进行分割,该方法能够将背景与裂缝分割开,去除基础数学理论,已经被广泛地应用到计算机图形学和图 背景噪声较干净,但裂缝有断开现象,二值化图像基本无像处理等领域。现今的硏究成果已经表明,物体的裂 多余信息,减少后续处理的数据量,提高运算效率。缝(陶瓷、岩石、路面、混凝土等)均为分形结构,具有很 但在光照不均匀或者背景存在杂色点时,会导致背景区好的自相似性,满足分形规律。文献[45]通过分析混 域与裂缝区域存在灰度接近或者一致的点,通过计算得凝土裂缝图像面积-周长关系的分形规律,提出一种结合 到的最佳阈值不是太合适,因此分割效果不理想8。文简单灰度骨架提取和分形优化的裂缝识别算法,能够较 第12期 苑玮琦等:基于机器视觉的隧道衬砌裂缝检测算法综述 3107 好地抑制背景干扰,与传统的阈值分割和分形维数分割3.3基于机器学习的干扰剔除 相比更为有效,如图16所示。 近几年,机器学习法在系统辨识、模式识别、智能控 制等领域中广泛应用,可自动将裂缝与非裂缝进行分类。 3.3.1神经网络 与传统的神经网络相比,2006年由 Huang g.B.等人 提出的一种单隐层前馈型神经网络( extreme learning ma chine,ELM),有避免局部最小值、训练速度快、参数选择 随机等优势③3。文献[6]采用此方法,将面积、平均灰 (a)原始图像 (b)差分计盒维数图像分割 (a)Original image(b) Differential box-counting ( DBC)algorithm 度值、距离直方图、样本间线性关系这4个特征变量提取 出来,通过训练ELM分类器实现二值图中裂缝和非裂缝 的分类,处理后的图像中裂缝的主体区域均被正确的识 别出来,且识别出的裂缝完整性更高。 从20世纪90年代开始,由 Eckhorn r等人对猫的 视觉皮层神经元脉冲串同步震荡现象的研究,得到了哺 乳动物神经元模型,对 Eckhorn提出的模型进行改进得 (c)Otsu算法 d)本文算法 到了脉冲耦合神经网络模型( pulse coupled neural net- (c)Otsu algorithm (d)The proposed al gorithm work,PCNN)。它是由若干个神经元互连形成的有连接 图16分形优化结果 域的非线性的反馈型神经网络。文献[18,55]分别采用 Fig. 16 Fractal optimization results 了该方法,实现裂缝图像的自动分割。但由于隧道衬砌 裂缝图像比较复杂,使用该分割方法不能完整地获取到 3.2基于二值图与灰度图结合的干扰剔除 图像中的信息,图像分割效果不佳。 对于形态上与裂缝十分相近的干扰,在二值图中无3.3.2SVM 法分开,再重新回到灰度图,分析信息量(熵)、灰度平均 Corts o等人于1995年首次提出的SⅤM可以克服神 值、灰度众数、灰度中值、灰度方差等统计信息剔除干扰。经网络难以避免的问题,受到各领域的重视。文献[21, 文献[41]采用选择式掩膜平滑滤波,掩模均值滤波56]均采用了该方法,将统计岀的特征进行训练,再用 后利用方差特征进行裂缝提取,但方差反应图像高频部SVM进行分类识别裂缝。其中文献[21将矩形度、不变 分的大小,裂缝和噪声都有高频成分,因此很难区分。文矩等特征提取出来作为训练对象,利用前处理算法构造 献[46]采用结合形态学处理和逻辑回归算法检测裂缝,裂缝和非裂缝的样本库,设计样本特征,构造特征向量, 利用统计学分类方法滤除噪声,提高检测精度。为去除训练采用交叉验证和网格搜索法选择的参数。最后对传 形状不规则噪声,如紧密型块状、延展性块状、近似裂缝统图像进行实验,识别准确率为97%;对北京地铁隧道 线条状噪声等。文献[47-48]采用一种基于连通区域的表面图像进行实验,识别准确率为81%。该方法缺点是 多级滤波算法,通过连通区域零阶矩、矩形度和特殊区域在噪声复杂的隧道图像中,样本特征定义不明确、识别率 这3个滤波特征,滤除图像中大量的不规则噪声。文较低。 献[49]采用一种基于特征分析的多级滤波算法,包括基于 目前来看,虽然神经网络、SⅤM均为机器学习领域 矩形模板的滤波、基于连通区域的滤波和基于变换的线性非常流行的方法,但是针对裂缝的识别问题,尤其在复杂 特征滤波,能滤除图像中的大量背景成分和纹理噪声。文背景情况下的裂缝与干扰具有相似的灰度值、梯度值、形 献[2]釆用一种基于支持向量机( support vector machine,状特征等,如电缆线、砖块、网格等,甚至有相交叉的情 VM)的裂缝识别算法,选取最大连通区域的矩形度、目标况,即使对于近年来新提出的深度学习理论也存在着训 像素点比率、最大连通区域的宽高比、血不变矩1、h不练特征时不够充分准确的现象而导致实际应用时识别率 变矩2、最大连通区域的偏心率这6个统计特征,为后续并不高的缺点。 VM训练构造特征向量。为改善传统识别分割算法对受 多噪点干扰的裂缝图像处理效果不佳的情况,文献[50]对4裂缝的宽度测量及误差分析 此进行改进,引入二维大津法和马尔科夫随机场”两 种分割算法,较好地结合了预处理与分割处理的优点,考 裂缝宽度是主要衡量裂缝严重程度的因素,因此需 虑其邻域要求,通过局部运算就能获得全局的优化结果,定量计算裂缝平均宽度和最大宽度。国际标准大于 对于裂缝中的断裂处也可以较好地填充和修补 0.2mm宽的裂缝需要修补。 3108 仪器仪表学报 第38卷 1)二值图的线测量法 法,对于背景纹理对比度不大的图像看起来有一定效果。 对环向裂缝宽度测量主要采用裂缝边缘距离法。文但是,如何确保背景纹理不被增强,没有看到有效的方 献[4]采用水平标尺法结合最小距离法,求裂缝某一行法。至于图像均衡化,对于裂缝提取的作用有待磋商。 左边缘点的坐标与各行右边缘点的各坐标的距离,取距总之,所有旨在消除背景纹理的操作,都应该确保裂缝信 离最小值作为该行的裂缝宽度值。为了使计算量减小,息不被消除或者削弱 文献[8]将右边缘点的搜索范围控制在以同一行右边缘 关于裂缝检测,一些学者从边缘检测、目标跟踪、多 点为中心的5×5窗口内。 分辨率分析角度出发,提出了一些实现方法,在一定环境 对斜向裂缝、纵向裂缝宽度的测量主要采用裂缝边下取得了一定效果。由于拍摄的图像可能存在如下情 缘或骨架切线垂线法。文献[8]采用裂缝边缘选取切况:1)图像特别是裂缝区域对比度小;2)衬砌表面粗糙 线,即将左边缘点以及上下相邻行的左边缘点一起确定度大,使得背景纹理清晰;3)裂缝呈现断断续续、宽度变 抛物线,计算左边缘点处的一阶导数为抛物线切线斜率,化大、裂缝内部亮度变化大的特点,本项目对目前一些算 过左边缘点处作切线垂线,并相交于右边缘点,若右边缘法在采集的图像中进行测试,未发现有能适应上述环境 没有点在该垂线上,则遍历右边缘寻找与该垂线距离最条件的算法。 短的点,左右边缘点之间的距离即为裂缝宽度。但裂缝 关于如何消除衬砌上悬挂的灯箱、灯、电线对于裂缝 边缘弯曲严重或拐角过多时,误差很大。文献[57]采用检测结果的影响,目前还缺少相关文献报道。 裂缝骨架选取切线,即对裂纹提取骨架后上下或者左右 搜索,并结合链码决定的裂纹走向得到宽度。但对于复6未来设想 杂的多分支细小裂纹,算法难以处理。 2)二值图的区域测量法 高速公路衬砌表面裂缝存在的环境比较复杂,从实 文献[6]采用邻域扩张的思想来计算裂缝的宽度,际应用角度出发,无论采用什么数学模型,都要针对以下 即选取裂缝的一个内部点,向两侧扩张直至到裂缝边界。环境开展算法研究,提高算法的鲁棒性,特别是将漏检率 计算4个宽度方向上扩张的像素点个数,取所有内部点为零作为研究目标。 宽度的最小值作为裂缝区域的宽度。 1)裂缝区域图像对比度小;2)衬砌表面粗糙度大, 3)灰度图的测量法 使得背景纹理清晰;3)裂缝呈现断断续续,宽度变化大, 文献[47]先对裂缝二值图像细化、提取裂缝骨架、裂缝内部亮度变化大;4)渗水、水印与裂缝共存;5)修好 去除分支后,再结合灰度图中邻域均值和标准差计算裂的裂缝不被误识;:6)背景干扰的剔除,包括砖缝、灯箱、电 缝宽度。 线管线灯、笔迹、以及其他结构等。 裂缝检测结果与真实情况存在着一定误差,相关学 者对这些误差的产生原因进行了研究总结。文献[38]致谢 总结为误差主要是由图像成像质量、相机标定、图像识别 算法自身不足、拍摄角度变化及拍摄距离变化等5个方 辽宁省高速公路养护中心在本项目建立高速公路隧 面引起的。文献58]分析了有效像素、检测距离、检测道衬砌裂缝图库中给与了大力支持,在此表示感谢! 速度、光照强度等因素对检测精度的影响。有效像素增参考文献 大会导致检测距离减小,对图像分布的特征影响不大,检[1]唐亮.隧道病害调查分析及衬砌结构的风险分析与控 测精度增大;检测速度增大会导致检测精度降低,光照强 制研究[D].杭州:浙江大学,2008 度过高或过低都会影响检测精度。 TANG L. Tunnel disease diagnosis and risk analysis and control research of lining structure[D. Hangzhou: Zhe- 5结论 jiang University, 2008 [2]中国公路学报编辑部.中国隧道工程学术研究综述 本文在机器视觉研究方法的背景下,对目前国内外 2015[J].中国公路学报,2015,28(5):1-65 关于隧道衬砌混凝土裂缝检测算法的研究进行了较全面 Editorial Department of China highway journal. Summary of academic research on Chinese tunnel engineering 的综述并给出如下结论及未来研究方向的建议。 2015[J]. Journal of China highway 2015,28(5) 隧道衬砌表面粗糙,形成了一种特定的纹理。在提 1-65 取裂缝的同时,也会提取到背景的纹理。因此,一些学者[3]重庆市交通委员会.公路隧道养护技术规范(JG 提出了通过滤波的方法消除背景纹理信息,从结果来看 H12-2015)[S].北京:人民交通出版社,2015 并没有彻底消除背景纹理;一些学者提出了裂缝增强算 Chongqing Traffic Committee. Technical specifications for 第12期 苑玮琦等:基于机器视觉的隧道衬砌裂缝检测算法综述 3109 highway tunnel maintenance (JTG H12-2015)[S. Bei image enhancement based on light compensation[ J]. Ac- jing People Communications Press, 2015 ta Elfctromca Sinica, 2009, 37( Suppl. 1): 151-155 [4]尹兰.基于数字图像处理技术的混凝土表面裂缝特征15] ZHANGⅩM, SHEN L S. Image contrast enhancement 测量和分析[D].南京:东南大学,2006 by wavelet based homomorphic filtering[ J]. Acta Elec- YIN L. Measurement and analysis of crack feature of con tronica Sinica, 2001, 29(4): 531-533 crete surface based on digital image processing techniques [16 FATTAL R, LISCHINSKI D, WERMAN M. Gradient [D. Nanjing: Southeast University, 2006 domain high dynamic range compression [C]. ACM [5]王睿.隧道衬砌裂缝车载检测图像分析研究[D].成 Transactions on Graphics(TOG), 2002: 249-256 都:西南交通大学,2012 [17]肖创柏,赵宏宇,禹晶.基于引导滤波的 Retinex快速 WANG R. Research on image processing of in-vehicle 夜间彩色图像增强技术[J].北京工业大学学报, tunnel lining crack detection[D. Chengdu: Southwest 2013(12):1868-1873. Jiaotong University, 2012 XIAO CH B, ZHAO HY, YU J. Rapid retinex algorithm 6]元大鹏.地铁隧道图像数据分析系统[D].北京:北京 for night color image enhancement based on guided filte 交通大学,2016 [J]. Journal of Belting University of Technolo YUAN D P. Analysis system for subway tunnel 2013(12):1868-1873 image[D. Beijing: Beijing Jiaotong University, 2016 [18]成艳枝.基于图像处理的隧道衬砌裂缝检测系统设计 [7]吴欢欢.混凝土裂缝图像测量系统研究与开发[D] 与研究[D].太原:太原理工大学,2015 南京:南京航空航天大学,2009 CHENG Y ZH. Research and design of tunnel lining WUHH. Research and development of an image meas- crack detection system based on image processing [D] urement system for concrete crack[ D]. Nanjing: Nanjing Taiyuan Taiyuan University of Technology 2015 University of Aeronautics and Astronautics, 2009 [19]刘晓瑞,谢雄耀.基于图像处理的隧道表面裂缝快速 [8]崔磊.基于图像处理技术的建筑物表面裂缝测量方法 检测技术研究[J].地下空间与工程学报,209, 的应用研究[D].北京:北京工业大学,2013 5(增刊2):1624-1628. CUI L. Applied study of crack measurement methods in LIU X R, XIE X Y. Rapid crack inspection of tunnel the surface of buildings based on image processing tech- surface based on image processing [J]. Chinese Journal nology[D]. Beijing University of Technology, 2013 of Underground Space and Engineering, 2009, 5(Suppl. 2) [9] DONOHO D L. Denoising by soft-thresholding[ J] 1624-1628 IEEE Transformation Theory, 1995, 41(3): 613-627 L 20 IYER S, SINHA S K. Segmentation of pipe images for [10 DONOHO D L. Neo-classical minimax problems, thresh crack detectionin buried sewers[ J]. Computer-aided Civ olding and adaptive function estimation [ J]. Bernoulli il and Infrastructure Engineering, 2006, 21(6): 395-410 1996,2(1):39-62 [21]白彪.地铁隧道表面图像裂缝识别算法研究[D].北 [11 DONOHO D L, JOHNSTONE I M. Adapting to unknown 京:北京交通大学,2015 smoothness via wavelet shrinkage[J]. Journal of Ameri BAI B. Research on crack identification algorithm of sub can Statistical Association, 1995, 909(432): 1200 way tunnel surface image [D]. Beijing Jiaotong Universi- 1224 ty,2015 [12]王华夏高速铁路隧道衬砌裂缝图像快速采集系统研「22]SHC,LUF,LILL,etl.Pan- sharpening algorithm 究[D].成都:西南交通大学,2013 to remove thin cloud via mask dodging and nonsampled WANG HX. Research on rapid acquisition image system shift-invariant shearlet transform[ J. Journal of Applied for the cracks of high-speed railway tunnel lining[D] Remote sensing,2014,8(1):083658083658 Chengdu: Southwest Jiaotong University, 2013 [23 HU Q, LI Q. A cloud change detection algorithm in MO [13]梁琳,何卫平,雷蕾,等.光照不均图像增强方法综 DIS image based on mask dodging technique[C]. IEEE 述[J].计算机应用研究,2010,27(5):1625-1628 Congress on Image and Signal Processing, 2008: 249 LIANG L. HE WP LEI L. et al. Su rvey on enhance 253 ment methods for non-uniform illumination image[ J. Ap 24 WANG M, PAN J, CHEN S, et al. A method of remo plication Research of Computers, 2010, 27(5): 1625 ving the uneven illumination phenomenon for optical re 1628 mote sensing image[C]. Geoscience and Remote Sensing [14]蒋永馨,王孝通,徐晓刚,等.一种基于光照补偿的图 Symposium,2005:3243-3246 像增强算法[J].电子学报,209,37(增刊1):[25] FUJITA Y, MITANI Y, HAMAMOTO Y. a method for 151-155 crack detection on a concrete structure [C. 18th IEEE JIANG YX. WANG T XU X G. et al. A method for International Conference on Pattern Recognition. 2006

...展开详情
试读 12P 基于机器视觉的隧道衬砌裂缝检测算法综述.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
一个资源只可评论一次,评论内容不能少于5个字
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
关注 私信
上传资源赚钱or赚积分
最新推荐
基于机器视觉的隧道衬砌裂缝检测算法综述.pdf 42积分/C币 立即下载
1/12
基于机器视觉的隧道衬砌裂缝检测算法综述.pdf第1页
基于机器视觉的隧道衬砌裂缝检测算法综述.pdf第2页
基于机器视觉的隧道衬砌裂缝检测算法综述.pdf第3页

试读结束, 可继续读1页

42积分/C币 立即下载 >