一種基于種子點(diǎn)擴(kuò)散的隧道裂縫半自動(dòng)提取方法

張 碩 張尤賽 許智勛 孫露霞 周 旭

(江蘇科技大學(xué)電子信息學(xué)院 鎮(zhèn)江 212003)

一種基于種子點(diǎn)擴(kuò)散的隧道裂縫半自動(dòng)提取方法

張 碩 張尤賽 許智勛 孫露霞 周 旭

(江蘇科技大學(xué)電子信息學(xué)院 鎮(zhèn)江 212003)

及時(shí)準(zhǔn)確地對(duì)隧道裂縫進(jìn)行檢測(cè)對(duì)隧道安全至關(guān)重要。隧道環(huán)境復(fù)雜,隧道圖像含有大量噪聲和干擾信息,即使經(jīng)過(guò)復(fù)雜的機(jī)器訓(xùn)練學(xué)習(xí)也難以準(zhǔn)確的自動(dòng)識(shí)別出裂縫,在一定程度上降低了識(shí)別準(zhǔn)確率。文章提出了一種基于種子點(diǎn)擴(kuò)散的半自動(dòng)提取隧道裂縫的方法,通過(guò)用戶在裂縫上選取起始種子點(diǎn),實(shí)現(xiàn)裂縫的自動(dòng)追蹤。同時(shí)允許在種子點(diǎn)擬合擴(kuò)散的過(guò)程中人工干預(yù)來(lái)處理擬合偏差及擬合失敗的情況,提高了實(shí)用性。實(shí)驗(yàn)結(jié)果表明,該方法通過(guò)人機(jī)交互,降低了對(duì)算法的要求,裂縫識(shí)別更有針對(duì)性,能夠快捷準(zhǔn)確地提取出隧道裂縫。

裂縫提取; 機(jī)器學(xué)習(xí); 種子點(diǎn); 人機(jī)交互

Class Number TP391

1 引言

隨著我國(guó)城市地鐵及高速鐵路工程的快速發(fā)展,隧道以其線路平順性好、環(huán)境影響小的優(yōu)點(diǎn),數(shù)量逐年快速增加,其安全性成為隧道交通中不容忽視的關(guān)鍵問(wèn)題。因此定期對(duì)隧道進(jìn)行檢測(cè),動(dòng)態(tài)獲取、快速反饋、及時(shí)處理病害要素信息尤為重要。其中,裂縫是影響隧道安全的重要病害要素之一[1]。傳統(tǒng)的人工檢測(cè)方法檢測(cè)效率低,而且檢測(cè)結(jié)果的精度完全取決于工作人員的專業(yè)水平、經(jīng)驗(yàn)素質(zhì)等個(gè)人因素,檢測(cè)結(jié)果的主觀性強(qiáng)。目前常用的隧道檢測(cè)技術(shù)有雷達(dá)、超聲波、光纖傳感和圖像處理檢測(cè)等[2]。圖像處理技術(shù)以其高效便捷的優(yōu)勢(shì)被廣泛應(yīng)用,成為隧道裂縫檢測(cè)領(lǐng)域中一種直觀高效的檢測(cè)方法[3～4]。因?yàn)樗淼拦庹詹痪?隧道中的水痕、刮痕、電線等偽裂縫信息和圖像噪聲,直接導(dǎo)致裂縫的漏檢和誤檢,嚴(yán)重干擾了圖像處理技術(shù)中計(jì)算機(jī)自動(dòng)提取裂縫的準(zhǔn)確性,因此難以滿足實(shí)際工程的需要。本文在計(jì)算機(jī)對(duì)隧道圖像進(jìn)行處理識(shí)別的基礎(chǔ)上,引入人機(jī)交互,提出了一種基于種子點(diǎn)擴(kuò)散的隧道裂縫半自動(dòng)提取方法[5～6],不僅提高了識(shí)別的準(zhǔn)確率,而且彌補(bǔ)了自動(dòng)提取算法效率低的缺點(diǎn)。

2 基于SVM裂縫自動(dòng)識(shí)別算法

機(jī)器學(xué)習(xí)是人工智能領(lǐng)域里一項(xiàng)重要的研究?jī)?nèi)容[7]。其中基于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)理論逐漸趨于成熟,但在實(shí)際應(yīng)用問(wèn)題中,傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法因?yàn)樾颖締?wèn)題、維度災(zāi)難問(wèn)題和局部極值問(wèn)題得到的識(shí)別效果并不理想[8]。

隨著統(tǒng)計(jì)學(xué)習(xí)理論的研究,支持向量機(jī)(Support Vector Machine,SVM)作為一種新的學(xué)習(xí)算法得到發(fā)展,能夠一定程度上避免上述問(wèn)題。它通過(guò)VC維和結(jié)構(gòu)風(fēng)險(xiǎn)最小化,考慮到訓(xùn)練誤差與測(cè)試誤差,將經(jīng)驗(yàn)風(fēng)險(xiǎn)和期望風(fēng)險(xiǎn)最小化[9]。

2.1 SVM分類原理

支持向量機(jī)是通過(guò)構(gòu)建一個(gè)最優(yōu)分類超平面,使得正反例之間距離最大化,從而對(duì)樣本進(jìn)行最優(yōu)分類。最優(yōu)分類超平面是指不僅能夠?qū)深悩颖菊_分開(kāi)(零訓(xùn)練錯(cuò)誤率),而且使分類間隔最大[10]。如圖1所示,可說(shuō)明其基本思想。

圖1 最優(yōu)分類超平面

(1)

(αi≥0)

(2)

(3)

(4)

所以支持向量機(jī)是以VC維和風(fēng)險(xiǎn)誤差最小化為原則而設(shè)計(jì)的分類器。它首先把函數(shù)集分解成一個(gè)個(gè)有序的函數(shù)子集,然后按照VC維的大小排列各個(gè)子集,在各個(gè)子集中找到最小訓(xùn)練誤差,最后在每個(gè)子集中同時(shí)考慮訓(xùn)練誤差與測(cè)試誤差,最終得到最小的分類誤差。

2.2 訓(xùn)練SVM及裂縫識(shí)別

對(duì)含有裂縫及偽裂縫的隧道圖像,首先根據(jù)連通域的計(jì)算選擇出這些圖像構(gòu)建樣本庫(kù),然后提取特征構(gòu)造特征向量,用訓(xùn)練好的SVM模型進(jìn)行分類,最后將偽裂縫濾除?；赟VM的裂縫識(shí)別算法整體流程如圖2所示。

圖2 基于SVM的裂縫識(shí)別算法流程圖

根據(jù)裂縫與偽裂縫的不同特征,選取最大連通區(qū)域矩形度、目標(biāo)像素點(diǎn)比率、最大連通域的寬高比、最大連通域的偏心率、Hu不變矩1和Hu不變矩2來(lái)構(gòu)造6維特征向量[12],然后將其歸一化作為輸入訓(xùn)練SVM。

設(shè)核函數(shù)K為(xi,yj),則最優(yōu)分類函數(shù)為

(5)

其中SV是支持向量機(jī)的集合。

在分類過(guò)程中選擇RBF核函數(shù)K(x,y)=exp(-γ‖x-y‖2)。然后利用LibSVM工具箱的基于交叉驗(yàn)證和網(wǎng)絡(luò)搜索的方法選擇核函數(shù)的參數(shù)和懲罰參數(shù)C[13]。

上文可看出,裂縫識(shí)別的過(guò)程就是對(duì)子圖像Fk(x,y)進(jìn)行分類的過(guò)程。偽裂縫的提取公式為

iG(x,y)={Fk(x,y)|predict(Fk(x,y))=0}

(6)

其中iG(x,y)是偽裂縫信息,將iG(x,y)所有像素設(shè)為1,從而濾除偽裂縫信息。

理論上,基于SVM對(duì)裂縫進(jìn)行自動(dòng)識(shí)別算法能夠一定程度上可以將裂縫從偽裂縫干擾中識(shí)別出來(lái),但是該算法仍存在不足,雖然設(shè)計(jì)了裂縫識(shí)別過(guò)程來(lái)濾除偽裂縫,但因?yàn)闃颖緮?shù)量和場(chǎng)景有限,不能代表所有情況,加上圖像紋理復(fù)雜,所以在對(duì)裂縫進(jìn)行識(shí)別的同時(shí),存在部分誤判情況,文獻(xiàn)[12]在對(duì)北京地鐵2號(hào)線隧道表面圖像進(jìn)行裂縫識(shí)別實(shí)驗(yàn)時(shí),準(zhǔn)確率僅達(dá)81%。

3 種子點(diǎn)擴(kuò)散算法

從圖3的隧道圖像可以看出,獲得的圖像含有大量的噪聲和干擾信息,即使經(jīng)過(guò)復(fù)雜的訓(xùn)練學(xué)習(xí),計(jì)算機(jī)也難以準(zhǔn)確地從大量偽裂縫信息中區(qū)分出裂縫。但是專業(yè)技術(shù)人員可以通過(guò)觀察整幅圖像判斷出其中的裂縫。人的這種判斷能力來(lái)自長(zhǎng)期的訓(xùn)練學(xué)習(xí)和智能的神經(jīng)系統(tǒng),復(fù)雜環(huán)境下計(jì)算機(jī)難以模擬此過(guò)程,所以結(jié)合人工智能,引入種子點(diǎn)擴(kuò)散算法實(shí)現(xiàn)隧道裂縫的半自動(dòng)提取[14]。

圖3 隧道圖像

3.1 種子點(diǎn)概念

每一條裂縫僅有一個(gè)起始端點(diǎn)和一個(gè)終止端點(diǎn)。實(shí)驗(yàn)過(guò)程中,采用起始種子點(diǎn)結(jié)合引導(dǎo)種子點(diǎn)的方法對(duì)裂縫進(jìn)行擬合[15]。

起始種子點(diǎn)是人工選擇的第一個(gè)種子點(diǎn),指示擴(kuò)散的開(kāi)始位置；引導(dǎo)種子點(diǎn)是每次擬合過(guò)程中用于引導(dǎo)起始種子點(diǎn)向其擴(kuò)散的種子點(diǎn)。其中起始種子點(diǎn)和引導(dǎo)種子點(diǎn)不是分支的端點(diǎn),而在分支中間位置。

3.2 基于種子點(diǎn)擴(kuò)散的裂縫半自動(dòng)提取

首先人工給出起始種子點(diǎn)和引導(dǎo)種子點(diǎn),從而確定了起始種子點(diǎn)和擴(kuò)展方向,然后選擇擴(kuò)展方向上灰度值最大的點(diǎn)(因?yàn)榱芽p在整幅圖像中呈現(xiàn)較高的灰度值)作為下一個(gè)擴(kuò)展點(diǎn),當(dāng)周圍多個(gè)點(diǎn)的灰度值相同的情況下,則優(yōu)先沿主方向進(jìn)行擴(kuò)展,副方向一,副方向二的優(yōu)先級(jí)依次降低。以圖4為例,在第三擴(kuò)散區(qū)域內(nèi),方向5為主方向,方向6為副方向一,方向4為副方向二。

圖4 擴(kuò)展區(qū)域劃分圖

這里以起始種子點(diǎn)為中心,人為將整個(gè)圖像分為八個(gè)區(qū)域,繼而確定了擴(kuò)展的八個(gè)方向。在不同區(qū)域,起始種子點(diǎn)向特定的不同方向擴(kuò)展,使得人工選點(diǎn)和自動(dòng)擬合效果更好。

種子點(diǎn)的擴(kuò)散過(guò)程如圖5所示,P1和P2分別為起始種子點(diǎn)和引導(dǎo)種子點(diǎn),通過(guò)人工方式進(jìn)行選取。P1到P2屬于第三區(qū)域,應(yīng)該以P1為中心向左下、下、左方向鄰域內(nèi)找灰度值最大的點(diǎn)作為下一個(gè)擴(kuò)展點(diǎn),然后繼續(xù)以此方法進(jìn)行擴(kuò)展,直到到達(dá)P2點(diǎn)。

圖5 種子點(diǎn)擴(kuò)散過(guò)程圖

因?yàn)镻1和P2點(diǎn)由人工選擇,P2點(diǎn)僅僅用于確定擬合擴(kuò)散的區(qū)域,每次擬合過(guò)程并未考慮P2點(diǎn)具體位置,P1沿?cái)U(kuò)展方向擬合基本脫離了引導(dǎo)種子點(diǎn)的束縛,僅僅取決于擴(kuò)展方向上灰度值分布,會(huì)造成P1點(diǎn)的擬合偏離P2點(diǎn)。為解決此問(wèn)題,利用P2點(diǎn)對(duì)擬合終點(diǎn)進(jìn)行修正,采用距離閾值法。當(dāng)終點(diǎn)與P2距離小于閾值,用直線將兩點(diǎn)相連；否則提示誤差較大,重新選擇引導(dǎo)種子點(diǎn),再次擬合。

4 實(shí)驗(yàn)結(jié)果與分析

根據(jù)算法描述,種子點(diǎn)擴(kuò)散法程序流程圖如圖6示。首先從P1出發(fā)向P2擬合,下一次擬合過(guò)程中,P2作為新的起始種子點(diǎn),選取新的點(diǎn)作為擬合終點(diǎn),繼續(xù)進(jìn)行擬合擴(kuò)散,直到完成。

人機(jī)交互界面設(shè)計(jì)包括文件、取消、重新開(kāi)始、保存、放大和縮小六項(xiàng),其中前四個(gè)操作與人機(jī)交互法相關(guān),后兩個(gè)屬于視圖方面,為方便較大較復(fù)雜圖像的交互處理。

圖6 種子點(diǎn)擴(kuò)散法程序流程圖

交互提取過(guò)程中,當(dāng)引導(dǎo)種子點(diǎn)與擬合終點(diǎn)之間的偏差超過(guò)閾值,則系統(tǒng)將提醒重選引導(dǎo)種子點(diǎn)。如果擬合擴(kuò)散過(guò)程中出現(xiàn)偏差,應(yīng)及時(shí)“取消”操作,撤銷上一步的擴(kuò)散,選擇新的引導(dǎo)種子點(diǎn)。種子擴(kuò)展算法實(shí)驗(yàn)效果圖如下。

圖7 種子點(diǎn)擴(kuò)散算法實(shí)驗(yàn)圖

實(shí)驗(yàn)證明,采用人機(jī)交互方法提取隧道圖像中的裂縫方便快捷,而且識(shí)別準(zhǔn)確率不再僅依靠算法的復(fù)雜程度,因?yàn)槿斯さ募尤胧沟昧芽p的識(shí)別更有針對(duì)性。同時(shí)采用區(qū)域劃分的方式,提高了擬合擴(kuò)散的準(zhǔn)確度。

5 結(jié)語(yǔ)

本文分析了自動(dòng)提取隧道裂縫的主要方法,在此基礎(chǔ)上結(jié)合隧道裂縫自身特點(diǎn),引入種子點(diǎn)擴(kuò)散算法,提出了一種人機(jī)交互半自動(dòng)提取隧道裂縫的方法。通過(guò)實(shí)驗(yàn)說(shuō)明了此方法的可行性,而且在提高實(shí)用性的同時(shí)有效降低了對(duì)算法的要求,裂縫識(shí)別更有針對(duì)性,其準(zhǔn)確率有一定提高。

[1] 李新.隧道襯砌裂縫產(chǎn)生原因分析[J].鐵道建筑技術(shù),2005,S1:103-106. LI Xin. Cause analysis of tunnel lining crack[J]. Railway Construction Technology,2005,S1:103-106.

[2] 王睿,漆泰岳,王華夏.隧道襯砌裂縫檢測(cè)方法綜述[J].四川建筑,2013,03:135-136. WANG Rui, QI Taiyue, WANG Huaxia. Review of tunnel lining crack detection method[J]. Sichuan architecture,2013,03:135-136.

[3] Valenca J, Dias-da-Costa D, Julio E, et al. Automatic crack monitring using photogrammetry and image processing[J]. Measurement,2013,46(1):433-441.

[4] 胡皙.基于圖像處理的地鐵隧道裂縫檢測(cè)技術(shù)研究[D].北京:北京交通大學(xué),2014. HU Xi. Research on crack detection technology of Metro Tunnel Based on image processing[D]. Beijing: Beijing Jiaotong University,2014.

[5] 張帥毅,李永樹(shù),聶喜柯.自動(dòng)道路種子點(diǎn)提取與模板生成[J].光電工程,2013,03:81-86. ZHANG Shuaiyi, LI Yongshu, NIE Xike. Automatic road seed point extraction and template generation[J]. opto electronic engineering, 2013,03:81-86.

[6] 李鵬格,戴本祁.基于改進(jìn)的種子點(diǎn)擴(kuò)展自適應(yīng)立體匹配算法[J].計(jì)算機(jī)應(yīng)用與軟件,2016,03:217-221. LI Pengge, DAI Benqi. Adaptive stereo matching algorithm based on improved seed point expansion[J]. computer application and software, 2016,03:217-221.

[7] 郭亞寧,馮莎莎.機(jī)器學(xué)習(xí)理論研究[J].中國(guó)科技信息,2010,14:208-209,214. GUO Yaning, FENG Shasha. Machine learning theory research[J]. China Science and technology information, 2010,14:208-209,214.

[8] WOO Y W, SONG D H, KIM K B.FCM-based RBF Network in Identifying Concrete Slab Surface Cracks[C]//Proceedings of IEEE 8th International Conference on Intelligent System Design and Applications (ISDA 08). New York: IEEE Press,2008:664-669

[9] Ce Zhang, Tiejun Wang, Peter M.Atkinson, Xin Pan, Huapeng Li. A novel multi-parameter support vector machine for image classification[J]. International Journal of Remote Sensing,2015,367.

[10] Zhang Hannv, Jiang Qigang, Xu Jiang. Coastline Extraction Using Support Vector Machine from Remote Sensing Image[J]. Journal of Multimedia,2013,82.

[11] Jian Hua, Zhang. The Study of Remote Sensing Image Classification Based on Support Vector Machine[J]. Sensors&Transducers,2013,15911.

[12] 朱力強(qiáng),白彪,王耀東,等.基于特征分析的地鐵隧道裂縫識(shí)別算法[J].鐵道學(xué)報(bào),2015,05:64-70. ZHU Liqiang, BAI Biao, WANG Yaodong, et al. Metro tunnel crack identification algorithm based on feature analysis [J]. Journal of China Railway, 2015,05:64-70.

[13] 紀(jì)昌明,周婷,向騰飛,等.基于網(wǎng)格搜索和交叉驗(yàn)證的支持向量機(jī)在梯級(jí)水電系統(tǒng)隱隨機(jī)調(diào)度中的應(yīng)用[J].電力自動(dòng)化設(shè)備,2014,03:125-131. JI Changming, ZHOU Ting, XIANG Tengfei, et al. Application of support vector machine based on grid search and cross validation in the hidden stochastic scheduling of cascade hydropower system[J]. electric power automation equipment, 2014,03:125-131.

[14] Li Q, Zou Q, Zhang D, et al. FoSA: F* Seed-growing Approach for crack-line detection from pavement images[J]. Image and Vision Computing,2011, 29(12):861-872

[15] Jianpng Fan, Guihua Zeng, Mathurin Body, Mohand-Said Hacid. Seeded region growing:an extensive and comparative study [J]. Pattern Recognition Letters,2005,26(8):1139-1156.

A Semi-automatic Extraction Method for Tunnel Cracks Based on Seed Point Diffusion

ZHANG Shuo ZHANG Yousai XU Zhixun SUN Luxia ZHOU Xu

(School of Electronics and Information, Jiangsu University of Science and Technology, Zhenjiang 212003)

The timely and accurate detection of cracks in tunnels has very important impact on the safety of tunnels. Due to the complex environment, tunnel image contains a lot of noise and interference information. So it is difficult to accurately identify the cracks automatically, even after the complex machine learning.To a certain extent, the recognition accuracy of the crack is reduced. In this paper, a semi-automatic extraction method for tunnel image cracks based on seed point diffusion is proposed. The initial seed points and final seed points are selected by the user to realize the semi-automatic tracking of the cracks. At the same time, the user can intervene to solve the problem when the fitting deviation and the fitting error occurred in the fitting process. The experimental results show that the method can reduce the requirement of the algorithm, and crack identification is more specific and can extract the tunnel crack quickly and accurately.

crack extraction, machine learning, seed point, human-computer interaction

2016年8月3日,

2016年9月24日

張碩，女，碩士，研究方向:圖像處理與機(jī)器視覺(jué)。張尤賽，男，教授，研究方向:圖像處理與機(jī)器視覺(jué)。許智勛，男，碩士，研究方向:信息安全。孫露霞，女，碩士，研究方向:圖像處理。周旭，男，碩士，研究方向:圖像處理。

TP391

10.3969/j.issn.1672-9722.2017.02.035