基于數(shù)字圖像的隧道表觀病害識別方法研究

何國華, 劉新根,陳瑩瑩,楊 俊，鐘 北

(1. 貴州高速公路集團有限公司，貴州 貴陽 550004； 2. 上海同巖土木工程科技股份有限公司，上海 200092；3. 上海地下基礎設施安全檢測與養(yǎng)護裝備工程技術研究中心，上海 200092)

0 引 言

截止2016年底，全國公路隧道為15 181處/14 039 km，其中特長隧道815處/3 622 km，長隧道3 520處/6 045 km。隨著我國西南地區(qū)的高速公路的快速發(fā)展以及國家“一帶一路”的發(fā)展戰(zhàn)略，我國的高速公路隧道建設及運營規(guī)模仍有巨大的發(fā)展空間。公路隧道在建設及營運過程中，由于隧道穿越復雜地質環(huán)境、設計參數(shù)不匹配、施工質量問題等因素影響，隧道滲漏水、開裂、錯臺、材料劣化、剝落剝離等病害突出，對隧道使用性能和正常運營構成了極大的安全隱患，為保證隧道運營安全，須定期或不定期進行檢查和維護。

傳統(tǒng)的公路隧道檢測方式多以人工巡檢或人工測量為主，存在速度慢、耗時、效率差，成本高，對作業(yè)人員技術要求高，不能準確表達和記錄病害的形態(tài)和性質，單點測量，檢測數(shù)據(jù)覆蓋性差等諸多缺點。此外，運營期時還需要封道檢測，極易導致交通阻塞。

隨著信息處理技術和傳感器技術的進步，針對隧道結構各種病害損傷情況的評價，有條件開發(fā)使用各種檢測儀器。目前，對于隧道襯砌結構圖像采集，多采用穩(wěn)定性強、拍攝速度快、拍攝精度高的工業(yè)相機。采用多臺工業(yè)相機組成相機陣列，連續(xù)、快速、非接觸拍攝圖像覆蓋整個隧道斷面。這將會產(chǎn)生較大的數(shù)據(jù)量，這就要求檢測過程中通過圖像處理準確、自動識別病害的位置。

公路智能檢測車可以高效地檢測路面病害，路面平整度和車轍檢測[1]。然而，由于隧道襯砌結構背景的復雜性，基于圖像進行病害處理的技術相對困難一些，國內(nèi)外已經(jīng)開展了不少相關研究內(nèi)容。

F. ROLI[2]提出了CTA(conditional Texture Anisotropy,簡稱CTA)測度的概念。T. S. NGUYEN等[3-4]提出一種基于條件紋理異向性(CTA)量準則的路面裂紋檢測算法，該種算法能夠有效的檢測出路面裂紋，并通過后向神經(jīng)網(wǎng)絡能夠有效的對裂紋、連接線縫及橋接縫進行有效的分類及識別；并基于公路裂縫的連續(xù)性及裂縫灰度級較低的特性提出了一種快速高效的裂縫檢測方法，該方法能夠檢測到水平、豎直、網(wǎng)狀等形狀的裂紋。H. OLIVEIRA等[5]提出一種基于圖像動態(tài)閾值選擇及非重疊的裂縫分塊圖像熵的裂縫檢測分類方法，該方法能夠在一定程度上對水平裂縫路面、豎直裂縫路面、雜亂裂縫路面及完好路面進行正確分類，表明了非重疊分塊圖像熵可以作為公路裂縫圖像的裂縫特征來進行使用。劉學增等[6]以隧道襯砌滲漏水面積為檢測目標,提出一種包括去噪、銳化、分割、修正的一整套數(shù)字圖像處理算法。豆海濤等[7]針對滲漏水紅外圖像特征，利用MATLAB編寫的程序能夠提取熱圖像中的滲漏水面積等信息，為隧道滲漏水車載動態(tài)檢測軟件系統(tǒng)開發(fā)奠定基礎。王平讓等[8]提出一種基于圖像局部網(wǎng)格特征的隧道襯砌裂縫自動識別方法。王耀東等[9]提出了一種全局與局部相結合的預處理算法，以及基于連通區(qū)域的多級濾波算法，能較好地實現(xiàn)地鐵隧道表面裂縫的檢測。朱力強等[10]利用Mask勻光等預處理算法改善隧道圖像的質量，而后基于模板、Hough變換、SVM等分析方法對隧道表面裂縫圖像各成分進行提取分析，提升了裂縫圖像識別準確度。

1 裂縫圖像識別

由于混凝土材料的不均勻性，正常表面的紋理也不均勻。因此，所采集的裂縫圖像背景顏色本身有較大的變化。另外裂縫嚴重程度不同，其長度、寬度、深度也不同。如果裂縫中有與背景顏色相近甚至更亮的比較大的顆粒，也會導致裂縫圖像顏色的變化，但總的來說，裂縫圖像比正?；炷帘砻娴陌?。代表裂縫的像素數(shù)量遠遠小于代表背景的像素數(shù)量。正常表面的灰度值與裂縫的灰度值有部分重疊。對于由CCD攝像機拍攝的含有裂縫的灰度圖像常常包括非均勻光照和成像系統(tǒng)所形成緩慢變化部分，即圖像由中間亮至周圍暗的變化，是一個頻率低幅值高的信號[2]?；诹芽p的狹長型幾何特征，可以獲取沿裂縫方向的灰度剖面特征及沿裂縫長度方向上的裂縫寬度變化特征[3]。

綜上，裂縫的圖像特征有：①裂縫圖像比周圍背景區(qū)域顏色暗；②裂縫圖像像素個數(shù)占少數(shù)；③裂縫邊緣與正常表面灰度值有重疊；④裂縫呈現(xiàn)頻率低幅值高的特征；⑤裂縫幾何因子結構特征為狹長形。

CTA測度主要融合了以下3方面的裂縫特征：①裂縫處灰度級較周圍要低；②裂縫往往具有細長連續(xù)的特點；③裂縫在每一處均具有一個主方向，該方向常常是變化的。

筆者基于裂縫分布處灰度值較低，并且裂縫在某個方向上呈現(xiàn)出連續(xù)性等特征進行裂縫檢測，檢測流程如下。

步驟1)：采用高斯低通濾波對圖像進行預處理，可減少隧道襯砌防火層顆粒、灰塵等對后續(xù)識別效果的影響；其中原圖記為ImageOrg，預處理后圖像記為Image。

步驟2)：由于實際隧道環(huán)境多變、補光等問題，會導致圖像光照不均勻；設定閾值無法滿足圖像的多變性等問題，需將圖像進行分塊處理。經(jīng)過大量實驗發(fā)現(xiàn)，將區(qū)域設為50*50(pixel)效果較好。

步驟3)：選定ROI(Region Of Interest,感興趣區(qū)域，這里指選定區(qū)域)區(qū)域，計算圖像的CTA值，依據(jù)裂縫在圖像中像素數(shù)較少，且裂縫上的CTA值較大這一特點，利用CTA值概率密度分布函數(shù)，將累計分布值大于th(th一般設為0.75)的設為1，否則設為0，記為CTA_ROI。

步驟4)：利用Sobel邊緣檢測方法，獲取ROI區(qū)域內(nèi)圖像的邊緣，裂縫實際上亦為狹長型區(qū)域病害，而邊緣檢測只獲取邊界，而CTA值計算得到的是整個區(qū)域，若要將兩者進行比較，需要將邊緣檢測結果進行形態(tài)學膨脹，其形態(tài)學結構元尺寸可通過計算裂縫邊界寬度來獲取。通過膨脹后圖像記為Sobel_ROI。

步驟5)：計算CTA_ROI和Sobel_ROI的相關性，相關性計算方法如下：

(1)

coef=S/(M*N)

(2)

式中：M,N分別為ROI區(qū)域的高度和寬度；S為值相同的點統(tǒng)計和。

步驟6)：若步驟5)中計算的coef > th2，將ROI區(qū)域的值設為CTA_ROI，反之為0(即目標為1，背景色為0)。其中th2的值通常設為0.5，這是由于當背景復雜時，若th2的值較大，將會濾掉病害信息，對病害識別造成嚴重的影響；同時將子圖像包含目標較小的區(qū)域也設為0。

步驟7)：根據(jù)步驟2)中設置的區(qū)域尺寸大小，對Image進行遍歷，利用步驟3)～步驟6)得到圖像ImageBw。

步驟8)：ImageBw為二值圖像，去除面積較小區(qū)域，但是依然存在背景干擾、不連續(xù)等情況，需進一步處理。首先，獲取每個聯(lián)通區(qū)域的外接橢圓，若聯(lián)通區(qū)域非單一分支，可根據(jù)節(jié)點，將區(qū)域分段，獲取其長度和寬度，若長度較短或長寬比較小，即可認為不是裂縫；然后，利用裂縫比正?；炷帘砻姘怠⒒叶茸兓^快這一特點，去除其他干擾；其次，利用裂縫區(qū)域灰度為峽谷型，即裂縫區(qū)域暗，而周邊亮且兩邊亮度差值較小這一特點，將管線等線性干擾去除。

步驟9)：連接并細化裂縫。將角度相近、距離較近的裂縫進行連接，在連接過程中，以裂縫的端點作為起點向兩端延伸，可利用步驟3)～步驟6)，對局部進行識別，獲取裂縫位置，對于干擾區(qū)域，可利用步驟8)中的已刪除的區(qū)域進行進一步剔除。將已識別區(qū)域中心較暗區(qū)域進一步提取，可獲取最終的裂縫識別位置。

圖1為裂縫圖像檢測識別流程，圖2為具體的識別過程。

圖1 裂縫圖像檢測識別流程Fig. 1 Crack image detection identification flowchart

圖2 裂縫圖像識別效果1Fig. 2 Crack image recognition effect 1

圖2詳細地展示了裂縫識別的每個步驟，圖2(b)為分塊處理效果，圖2(c)展示了3個不同區(qū)域的分塊處理結果，其中1為平坦背景，2為強干擾，3為真正的裂縫區(qū)域，小圖分別展示了CTA效果圖、Sobel邊緣檢測效果以及最終生成效果圖，可以清楚地看出，包含裂縫區(qū)域具有明顯的線性結構。圖2(d)和圖2(e)為步驟8)的處理效果。同時在圖2(g)～圖2(J)中展示了全局canny邊緣檢測效果、大津律法自動分割效果、全局sobel邊緣檢測效果和全局CTA分割效果，實驗表明，采用分塊處理，將CTA測度算法和Sobel邊緣結合，再利用裂縫本身特征，可準確識別裂縫。圖2(f)以及圖3～圖4為筆者提出方法的識別效果，結果表明筆者提出算法比其他方法更加準確。

圖3 裂縫圖像識別效果2Fig. 3 Crack image recognition effect 2

圖4 裂縫圖像識別效果3Fig. 4 Crack image recognition effect 3

2 滲漏水圖像識別

隧道滲漏水特征主要包括了以下幾個方面：①由于滲漏水的擴散作用，滲漏水區(qū)域往往呈現(xiàn)塊狀；②滲漏水區(qū)域相對于非滲漏水區(qū)域往往亮度較暗；③由于受重力影響，滲漏水區(qū)域常常是呈現(xiàn)由上至下擴散的方向性特征。

因此，考慮滲漏水污染的襯砌面區(qū)域與未受滲漏水污染的襯砌面區(qū)域特征相異性，利用滲漏水區(qū)域呈現(xiàn)塊狀的特點，并根據(jù)特征3可知，滲漏水區(qū)域的像素相對于未污染的區(qū)域，體現(xiàn)著較明顯方向性。對于未污染區(qū)域的任何一個像素而言，考慮其所在位置的m個方向上的信息，對于區(qū)域內(nèi)的像素而言，若該區(qū)域內(nèi)的像素有著較強的一致性，故在各個方向上均具有較相近的性能(此處所說的相近性能是指：該像素的方向性在該m個方向上均具有相近的概率值)。依據(jù)滲漏水圖像的3個特征，采用改進的CTA算法對圖像滲漏水區(qū)域進行快速識別，識別方法如下：

1)計算待分割圖像的梯度圖像，并將原圖像與梯度圖像疊加，形成細節(jié)增強圖像。

2)提取圖像中的某個像素點P，考慮以該像素點為中心，取半幅寬為d，以2×d+1為邊長的正方形區(qū)域，分別考慮m個方向(可取0°、45°、90°、135°)上包含在正方形以內(nèi)的像素點的特征，和該正方形所在區(qū)域所有像素特征的平均特征屬性進行比較，依據(jù)未受滲漏水污染的區(qū)域像素具有不明顯的方向性，而受滲漏水污染的區(qū)域像素具有更明顯的方向性的特征，則能夠實現(xiàn)對非滲漏水區(qū)域與滲漏水區(qū)域的分割。

①在區(qū)域檢測時，我們修改了CTA值的形成準則，改寫為

(3)

(4)

其中：

(5)

(6)

(7)

(8)

(9)

當前像素P具有較強方向性時，則min(P(Xl))值所相應的方向即為當前像素的方向，且該值較小，同時方差較大，則該像素的CTA值較??；若當前像素P不具有較強的方向性，則min(P(Xl))值較大，與此同時方差較小，CTA值則具有較大值。

②依據(jù)正方形包圍的局部信息，動態(tài)地調整平均特征屬性，可完成對區(qū)域分割，并且不存在對圖像全局特征屬性的依賴。

3)計算圖像中每一個像素的CTA值，形成CTA矩陣；對CTA矩陣進行雙閾值劃分處理，得到關于滲漏水區(qū)域與未滲漏水區(qū)域的分割圖像。

4)對CTA閾值處理后的圖像進行形態(tài)學處理，去除面積較小的雜點，對邊界進行光滑處理，即可獲得滲漏水病害區(qū)域。

部分滲漏水圖像識別效果如圖5～圖7。

圖5 滲漏水圖像識別效果1Fig. 5 Seepage water image recognition effect 1

圖6 滲漏水圖像識別效果2Fig. 6 Seepage water image recognition effect 2

圖7 滲漏水圖像識別效果3Fig. 7 Seepage water image recognition effect 3

圖5(e)展示了改進CTA算法的處理結果。改進后的CTA圖像，邊界值較小(二值圖為0)，通過大量的實驗表明，采用改進的CTA算法，不需要設定閾值，即可獲取滲漏水的邊界，且可以過濾邊界不夠明顯的區(qū)域。

筆者研究成果已集成于同濟曙光公路隧道檢測車數(shù)據(jù)處理系統(tǒng)中，處理超過3 000萬張圖片，病害有效識別率達80%以上。

3 結 論

筆者基于數(shù)字圖像分析技術，給出了隧道結構快速檢測車的數(shù)據(jù)采集方法與隧道結構表觀病害的圖像識別算法，得出以下結論：

1)數(shù)字圖像處理技術為公路隧道結構表觀病害快速自動化識別檢測提供了一種新的途徑。

2)隧道襯砌裂縫的圖像檢測能夠實現(xiàn)大部分裂縫的自動檢測，但由于復雜背景干擾，也可能存在誤檢情況，因此在未來實際應用中的后續(xù)算法需要持續(xù)改進。

3)基于改進CTA算法，滲漏水檢測算法執(zhí)行效率較高，檢測區(qū)域較好，有效解決了隧道襯砌滲漏水區(qū)域的自動檢測問題。在實際工程中，對于滲漏水區(qū)域灰度圖像的灰度值范圍值，可以通過預先控制補償光照強度來保證滲漏水區(qū)域灰度圖像的灰度值處于某個指定的范圍。