強干擾條件下機場道面細小裂縫自動識別算法 *

李海豐，吳治龍，聶晶晶

(中國民航大學計算機科學與技術學院，天津 300300)

1 引言

近年來,隨著我國民用航空的飛速發(fā)展，民航安全風險管理問題日益突出，其中機場道面安全檢測是確保飛行安全和機場穩(wěn)定運行的工作重點。裂縫作為機場道面最常見的病害，不僅影響著飛機起降的安全性，而且極易迅速發(fā)展為板塊斷裂、道面剝落等各類更嚴重的病害。《民用運輸機場運行安全管理規(guī)定》明確指出了機場跑道道面裂縫及時檢測的必要性。目前，依靠人工巡檢的裂縫檢測方式已難以滿足機場高精度、窄時限、大范圍等實際要求，因此亟待研究高性能的機場道面自動化裂縫檢測方法。

目前基于可見光傳感器的裂縫檢測方法研究已取得了諸多進展，如閾值分割、最短路徑搜索、邊緣檢測和形態(tài)學等方法。Li等人[1]采用改進的Otsu閾值算法分割裂縫與道面背景，但該算法無法避免實際場景中油污、輪痕等非病害區(qū)域的誤檢。Amhaz等人[2]基于裂縫像素之間的連通性，提出最短路徑選擇算法，該算法可抵抗大面積陰影的干擾，但檢測效果受參數選擇影響。Zou等人[3]提出Cracktree算法，首先采用測地線陰影去除算法避免陰影干擾，然后構建基于裂縫種子點的最小生成樹算法實現裂縫的檢測，算法針對不連續(xù)裂縫可獲得較好的檢測結果。Shi等人[4]提出CrackForest算法，使用隨機結構森林學習裂縫的結構特征，生成可識別復雜拓撲結構的裂縫檢測器。李良福等人[5]構建了基于語義分割的神經網絡模型，并利用滑動窗口實現道面圖像分塊化裂縫檢測。Yang等人[6]提出一種使用特征金字塔的裂縫檢測模型，通過融合多層卷積特征實現裂縫快速分割。Zou等人[7]構建一種編解碼器架構的神經網絡裂縫檢測模型，首先融合編碼器和解碼器相同尺度下的裂縫特征，再將各個尺度裂縫特征進一步融合，從而實現不同尺度特征信息的有效結合。此類基于機器學習的算法有較好的檢測結果，然而其性能嚴重依賴訓練集的完備性。基于可見光圖像的算法普遍利用裂縫在二維光學圖像中的灰度差、線性結構和邊緣等特性進行檢測。然而在機場特殊場景下，道面通常存在大量的油污和輪痕干擾，且只能在夜間停航后作業(yè)，因此光照環(huán)境差，這些均導致基于可見光傳感器的裂縫檢測算法難以達到預期效果。

基于結構光的深度相機利用激光測距原理，捕捉并記錄裂縫和道面背景的真實三維輪廓結構信息。利用三維深度數據進行裂縫檢測，可避開光照條件、油污和瀝青修補等各類干擾，并獲得更詳細的裂縫測量信息，具有重要的研究價值和實際應用意義。He等人[8]利用三維道面數據中裂縫的傾斜、高斯分布和邊緣梯度等特征進行篩選，從而實現裂縫的有效檢測。 Peng等人[9]結合裂縫的深度、方向特征等信息，利用局部自適應閾值法和最短路徑搜索算法實現裂縫的篩選和連接。Zhang等人[10]對比了裂縫與道面在幾何形態(tài)上的區(qū)別，通過分析像素的法線方向與其所在區(qū)域法線分布的差異性實現裂縫檢測。Cao等人[11]利用裂縫的三維邊緣梯度特征，采用基于非線性拉伸算子改進的分數階微分模板提取裂縫的邊緣。上述算法主要通過對裂縫部分幾何特征(如梯度、形狀、邊緣斜率和深度突變等)的識別實現檢測，然而實際路面中裂縫類型復雜多樣且檢測平臺劇烈震動帶來強烈噪聲影響，導致此類算法容易造成裂縫的漏檢和誤檢。此外，由于深度學習良好的特征提取性能，目前已在如行人識別[12]、車輛檢測[13]等多種場景下的三維目標檢測中驗證了其顯著的優(yōu)越性，因此部分學者嘗試將其應用于三維深度圖像的裂縫檢測。CrackNet[14]首次利用卷積神經網絡CNN(Convolutional Neural Network)對瀝青路面的深度圖像進行裂縫檢測，并獲得像素級精度的檢測效果，然而該算法使用預設的特征抽取器提取的特征作為卷積神經網絡的輸入，限制了模型的學習能力。針對此問題，Zhang等人[15]使用整體網絡實現相關特征的學習與訓練，同時增加了網絡層數，并限制隱藏層的卷積核尺寸和特征通道數，從而減少模型參數，提高其計算速度；Fei等人[16]在CrackNet基礎上，使用預處理層校正道面表面三維數據的不平整，并針對淺表裂縫易被隱藏層忽略的問題，提出Leaky Rectified Tanh激活函數，進一步提高了隱藏層對淺表裂縫特征提取能力。但是，利用深度學習進行檢測的結果嚴重依賴訓練樣本的質量，若訓練集中裂縫類型覆蓋面不全，則無法獲得較好的檢測結果。

基于道面三維重建的方法通過道面主輪廓的擬合和道面病害的良好分離，可實現裂縫的有效檢測及其深度特征參數的精確計算。Jahanshahi等人[17]使用Kinect傳感器獲得道面三維點云數據，并基于隨機抽樣一致算法獲得道面平面模型，然后判斷像素點是否位于該平面來檢測裂縫。該算法有效地消除了異常點對面擬合的干擾，然而平面模型自由度過低，算法僅適用于非常平整的道面。文獻[18]結合道面主輪廓的起伏對其縱橫向斷面的輪廓線形狀影響較小的特性，采用基于最小二乘法的直線擬合算法獲得道面的斷面輪廓直線，該算法提高了道面整體輪廓模型的自由度，但依然無法避免其斷面輪廓線的欠擬合情況。李清泉等人[19]首先利用快速傅里葉變換將道面斷面的深度數據從時空域轉換到頻率域，然后截取對應的低頻信號，從而實現道面主輪廓的獲取和疑似裂縫點的分離。該算法可獲得自由度較高、貼合路面走勢的道面主輪廓，然而算法對截止頻率取值的依賴性較大，且不同道面的主輪廓在頻域的表現有所區(qū)別，因此需要根據實際場景人為設置截止頻率值，否則將無法獲得道面主輪廓良好的擬合結果，從而造成裂縫的漏檢或錯檢。

面向機場道面裂縫識別的重大需求，針對機場道面表觀結構復雜和檢測平臺劇烈震動的雙重強干擾下道面細小裂縫識別困難，本文提出一種基于三維深度數據道面主輪廓提取的細小裂縫自動識別算法，通過構建L2正則化與改進貪心策略相結合的道面主輪廓提取算法(RG-spline)，實現三維深度數據中道面主輪廓的準確提取和細小裂縫高精度檢測。

2 結合L2正則化與貪心策略的道面主輪廓提取算法

2.1 機場道面三維深度數據分析

從機場道面中采集的三維深度數據存在大量強干擾信息，主要有2個來源：工作場景的復雜表觀結構和數據采集平臺震動。具體體現為：混凝土材質表面固有的粗糙紋理和大量實際檢測環(huán)境中存在的異常數據(如裂縫、凸起和板塊錯臺等)，以及機場道面由于其場景的特殊性導致表面存在修補、局部刻槽等各種干擾；由于三維深度數據采集設備搭建在運動平臺上，移動過程中不可避免地出現數據采集平臺的震動。以上干擾具有強度大、不確定等特點，對基于深度圖像的道面主輪廓和裂縫信息的精確提取造成了顯著影響。圖1展示了一段機場道面的深度圖像(為了以二維方式顯示深度圖像，已將深度圖像中各點的深度值歸一化至0～255的灰度值),圖中裂縫區(qū)域為白色矩形框標記位置。從圖1中可以看出，機場道面深度圖像中非裂縫區(qū)域所呈現的特征與裂縫區(qū)域相近，導致裂縫檢測較為困難。

Figure 1 Depth image of airport pavement 圖1 機場道面深度圖像

2.2 基于三次樣條曲線的道面主輪廓擬合

因施工、受強力沖壓和自然環(huán)境等多種因素，道面具有主輪廓起伏變化的特點，不同位置斷面的道面主輪廓為自由變化的曲線。因此，通過擬合其曲線方程能實現道面主輪廓的有效提取。常用的擬合方法有拉格朗日插值法、BEZIER曲線擬合和三次樣條曲線法等。拉格朗日插值法因數據增多或間隔不均易出現龍格現象，導致曲線邊緣處的擬合誤差較大。BEZIER擬合法可得到符合控制點整體走勢的平滑曲線，但其局部擬合效果較差。三次樣條曲線是由多個二階導數連續(xù)的分段多項式構成，其具有自由度高、曲線光滑、對數據擬合能力好的優(yōu)點。因此，本文選擇三次樣條曲線對斷面的道面主輪廓進行擬合。三次樣條曲線有B樣條基和截斷冪基2種表示形式，本文使用三次樣條曲線的截斷冪基表示形式，其定義如式(1)所示:

(1)

其中，(x-tk)3=max((x-tk)3,0)，tk=(k+1)/(n+2),k=1,2,…,n,U=(u0,u1,u2,u3,u3,1,u3,2,…,u3,n)是待估計曲線的系數向量，n為節(jié)點數量。

Y-XU=0

(2)

由式(2)可知，使用最小二乘法可計算出三次樣條曲線的系數向量，但其基本原理是計算出估計值與觀測值距離最小的系數向量，因此觀測值的質量決定了系數向量的準確性。而三維深度數據中存在大量道面紋理信息、檢測平臺震動帶來的噪聲信息和異常數據(裂縫、凸起和板縫等)等干擾，導致實際擬合結果存在以下2個問題：(1)由于道面中的紋理信息影響，擬合的道面主輪廓在局部區(qū)域易出現波動(即過度擬合問題)；(2)數據中還存在大量噪聲信息和異常數據，此類異常數據參與計算將導致估計的系數向量偏離真實值，無法反映真實的道面主輪廓。

為解決上述問題，本文在系數向量計算中引入L2正則化約束，對道面主輪廓進行平滑；使用基于動態(tài)閾值改進的貪心策略對道面主輪廓進行優(yōu)化，從而精確提取道面主輪廓。

2.3 基于L2正則化的道面主輪廓平滑

上述問題中擬合的道面主輪廓出現局部波動的主要原因為：擬合過程中三次樣條曲線為追求最大擬合精度，會一定程度地忽略道面的平滑性，使得擬合結果中部分系數的絕對值大于最優(yōu)解。因此，本文在最小二乘法擬合中引入L2正則化對樣條曲線的系數進行約束，從而減少道面主輪廓的局部波動性。L2正則化是廣泛應用于機器學習領域處理過擬合問題的方法，其主要思想是通過添加正則項對系數向量進行懲罰約束，在模型中迫使系數向量值接近0，從而實現模型擬合精度和平滑性相互平衡的目的。引入正則項λU′DU后，定義道面主輪廓的代價函數為：

Jλ=(Y-XU)′(Y-XU)+λU′DU,λ≥0

(3)

通過矩陣求導法對式(3)求解可得，道面主輪廓的L2正則化約束平滑結果為:

(4)

其中，向量X′為向量X的轉置。

本文懲罰因子λ的取值由廣義交叉驗證法GCV(Generalized Cross-Validation)進行確認，即:

(5)

其中，矩陣Q=X(X′X+λD)-1X,trace(Q)表示Q的跡。

2.4 基于改進貪心策略的道面主輪廓擬合優(yōu)化

三維數據中的異常點包含裂縫、凸起、坑洞和板縫等異常數據和檢測平臺震動帶來的噪聲數據，具有數量不確定、數據值大的特點。直接對含有這些異常點的數據進行三次樣條曲線擬合將得到嚴重失真的道面主輪廓，因此，本文進行以下優(yōu)化措施：

(1)基于貪心策略的道面主輪廓擬合優(yōu)化。

(6)

此外，為正確擬合出最優(yōu)道面主輪廓，應對Hj中數據點個數進行一定的約束，但是每個道面斷面中異常點數量和紋理特征均有變化，導致使用固定閾值保留數據點的方式會出現異常點篩選遺漏或過度篩選的情況。而且在貪心選擇過程中每次只篩選一個最大異常值數據點，極大地增加了時間成本。因此，本文采用動態(tài)閾值改進貪心策略。

(2)基于動態(tài)閾值的貪心策略改進。

根據Hj中非異常數據具有異常值小且數值分布集中的特點，采用數據的統(tǒng)計特征設置動態(tài)閾值能有效加快異常點篩選速度和有效保留非異常點，提高道面主輪廓擬合的精確度和速度。

2.5 RG-spline算法流程

綜上所述，本文提出的RG-spline算法步驟如下所示：

(1)使用上述基于L2正則化的道面主輪廓平滑方法對道面斷面數據Hj(初始狀態(tài)為H0)擬合當前最優(yōu)道面主輪廓。

圖2所示為RG-spline算法流程圖。

Figure 2 Flow chart of RG-spline algorithm圖2 RG-spline算法流程圖

3 基于RG-spline的細小裂縫識別算法

本文首先通過RG-spline實現機場道面多方向主輪廓提取與融合，然后使用最大類間方差法獲取道面候選裂縫，最后使用形態(tài)學方法進行去噪和連接斷開裂縫，獲得完整裂縫識別結果。細小裂縫識別算法流程如圖3所示。

Figure 3 Flow chart of fine crack detection algorithm圖3 細小裂縫識別算法流程

3.1 基于RG-spline的多方向道面主輪廓提取與融合

當斷面掃描方向和裂縫走勢相近或檢測平臺劇烈震動時，斷面中異常數據過多，導致此部位基于該方向擬合的道面主輪廓嚴重偏離整體走勢。因此，本文使用RG-spline算法從多方向擬合道面主輪廓，并針對每個數據點p(i,j)選取其中的最大值作為最優(yōu)道面主輪廓擬合結果，實現多方向道面主輪廓融合，(i,j)表示數據點p(i,j)在三維深度數據中的坐標。令l=kπ/h,k=1,2,…,h(h≥2)表示道面主輪廓擬合方向，首先使用RG-spline算法計算點p(i,j)在l方向的擬合值:

(7)

(8)

3.2 候選裂縫獲取

得到道面主輪廓融合結果后，通過將原始數據與道面主輪廓做差可獲得基于道面主輪廓的深度差值圖像。令y(i,j)表示點p(i,j)的原始數據，則深度差值圖像M中像素值為：

(9)

深度差值圖像中包含路面紋理帶來的大量深度數據，這些數據與裂縫的深度相比具有明顯的差距。因此，本文采用最大類間方差法(Otsu)選取自適應閾值分離深度差值圖像中的紋理數據，獲取候選裂縫像素。Otsu閾值計算方法如式(10)和式(11)所示：

g=w0×w1×(u0-u1)2

(10)

b=argmax(g)

(11)

其中，w0和w1分別為閾值為b時前景像素個數占全圖的比例和背景像素個數占全圖的比例，u0和u1分別為閾值為b時前景像素的平均灰度值和背景像素的平均灰度值。選擇使類間方差g最大的b作為分割閾值，對差值圖像使用b進行二值化分割，得到候選裂縫像素。

3.3 形態(tài)學裂縫去噪和裂縫連接

少量紋理或噪聲也具有和裂縫相似的深度值，因此候選裂縫圖像中還包含有少量噪聲，且部分裂縫存在斷開現象。為獲得更精確的裂縫識別結果，本文首先采用形態(tài)學方法中的開操作對候選裂縫圖像進行去噪處理，過濾其中的噪聲像素；然后使用形態(tài)學閉操作，將斷開的裂縫連接起來，形成完整的裂縫。令待處理圖像為A，se為結構元，開操作和閉操作分別定義如下：

A°se=(A?se)⊕se

(12)

A·se=(A⊕se)?se

(13)

其中,⊕表示用結構元se對A進行膨脹，?表示用結構元se對A進行腐蝕。結構元的尺寸需根據噪聲大小和裂縫斷開距離進行選擇，尺寸過小會導致噪聲去除不干凈、斷開的裂縫無法完全連接；尺寸過大會將部分裂縫識別為噪聲去除且導致相近的裂縫錯誤連接。本文經過多次實驗，在開操作和閉操作中皆選擇13×13大小的結構元時得到最優(yōu)識別結果。

4 實驗與分析

本文使用Matlab編程實現RG-spline算法，并在Intel Core i7-6700 CPU(3.4 GHz)，16 GB內存，Windows 10操作系統(tǒng)的平臺上完成驗證。

4.1 道面三維深度數據采集

本文使用的深度相機為德國AT相機(C2-2040HS-GIGE)，Computar鏡頭(M1214)，Osela激光器(ILS-670-1000-S-A-75°)，并搭建在成都圭目機器人有限公司提供的高精度巡檢機器人上(移動速度為30 km/h)，進行成都雙流機場道面真實三維深度數據的采集，圖像分辨率為1984*2000，共得到316幅圖像。在實際場景中，機場道面維護工作包括裂縫識別及相鄰板塊間接縫的異常評估，因此本文將接縫視為特殊的裂縫。該數據集中219幅圖像含有接縫，97幅圖像含有裂縫，且圖像包含異常數據點(如凸起、板塊錯臺、修補等)和檢測平臺震動等多種噪聲信息干擾，具有一定的代表性。為了更加客觀地評價算法的性能，對圖像中的裂縫和接縫進行像素級人工標注，考慮到人工標注存在一定的標注誤差，因此在評估時，若檢測結果中的裂縫點到人工標注裂縫之間的距離小于3個像素，則認為該裂縫點為True Positive。

4.2 主輪廓提取對比實驗

為客觀評價道面主輪廓提取的有效性，將RG-spline算法分別與文獻[17]的平面擬合算法、文獻[18]的直線擬合算法和文獻[19]的斷面主輪廓頻率信號截取算法進行對比。其中，文獻[19]中截取的低頻信號范圍為0～FL，此處采用使其擬合效果最好的截止頻率FL=0.02×FH(FH為最大頻譜范圍值)。

圖4展示了各算法提取的主輪廓與道面深度數據的斷面匹配程度，灰色線條為實際道面斷面起伏走勢，黑色線條為各算法提取的主輪廓橫斷面。由此可看出：平面擬合和直線擬合算法因自由度較差，其主輪廓與實際數據之間相差過大，文獻[19]算法與RG-spline算法可獲得整體較貼合道面走勢的擬合結果，但部分局部位置(如橫坐標為300,500附近處)RG-spline算法較文獻[19]算法能獲得更吻合真實道面的結果。在橫坐標為1 000～1 500區(qū)域內，三維數據存在嚴重局部波動，RG-spline算法與文獻[19]算法均獲得了較平滑的擬合結果，但RG-spline在擬合精度和平滑度間平衡性更高。圖4中橫坐標為1 000,1 350處存在2條裂縫，文獻[19]算法獲得的主輪廓受裂縫干擾，局部略偏離整體走勢，導致裂縫深度信息有所偏差。

Figure 4 Main profile extraction results of each algorithm圖4 各算法提取的主輪廓結果

為進一步展示各算法主輪廓提取準確度對裂縫識別的影響，在上述對比算法提取的道面主輪廓基礎上，均使用3.2、3.3節(jié)算法作為后續(xù)裂縫識別算法進行對比實驗，其結果如圖5所示。從圖5中可看出，平面擬合算法和直線擬合算法提取的主輪廓與實際路面存在嚴重失真，因此裂縫識別結果中存在部分漏檢與大面積的錯檢?；陬l率信號截取的主輪廓提取算法由于部分區(qū)域與路面存在偏差，出現一定的漏檢現象。因此，RG-spline算法可獲得匹配度更高的主輪廓提取結果,更有利于細小裂縫識別及其相關參數計算。

Figure 5 Comparison of crack detection results圖5 裂縫識別結果對比

4.3 道面細小裂縫識別對比實驗

為客觀評價本文提出的細小裂縫識別算法對機場道面細小裂縫識別的有效性，將其分別與CrackForest[4]、Canny經典邊緣檢測算法、目前最新的裂縫檢測神經網絡DeepCrack[7]和文獻[17]算法進行對比。為了使用Canny算法、DeepCrack算法和CrackForest算法，此處將數據集圖像的深度值通過歸一化轉換為灰度值。

Figure 6 Examples of crack detection results圖6 部分識別結果展示

為更直觀地體現各算法的識別結果，選取部分典型裂縫類型進行展示(如圖6所示)，其中包括裂縫細小(如圖6c和圖6d所示)和局部凸起(如圖6f所示)、板塊錯臺(如圖6b所示)、數據采集平臺震動(如圖6e和圖6f所示)等多種噪聲信息干擾。Canny算法主要通過計算梯度幅值和方向參數實現邊緣的精確定位，因此當裂縫邊緣有明顯的梯度突變時算法識別效果較好，但由于部分裂縫和接縫內部梯度變化較小，其識別結果中的裂縫和接縫內部均為中空(如圖6a和圖6d所示)。此外，圖6b和圖6c中的裂縫邊緣梯度差較小，導致Canny算法基本失效。 CrackForest算法通過裂縫結構特征的學習獲得了較好的識別結果，但若訓練集未包含待識別裂縫的邊緣及灰度特征時，識別結果將受到影響，導致檢測到的接縫內部中空(如圖6a所示)和部分漏檢的現象(如圖6c所示)。文獻[17]算法通過平面模型的構建和三維數據點位置的判斷實現裂縫識別。由圖4可知，真實道面近似為整體曲率半徑較大、局部波動不規(guī)則的曲面，導致平面模型無法貼合道面起伏走勢，出現大面積的錯檢及漏檢。DeepCrack算法采用融合不同尺度裂縫特征的方式有效地改善了裂縫的識別效果，在強干擾下(如圖6e和圖6f所示)也能較好地識別裂縫，但是在部分裂縫位置依然存在一定的漏檢(如圖6f所示)。而本文算法可自由擬合道面主輪廓，從而更好地分割裂縫，即使對于細小且邊緣特征不明顯的裂縫(如圖6c所示)，算法依然獲得較精確的識別結果。

本文采用精確率-召回率(Precision-Recall)指標進行性能評估，從而更加全面評估各算法識別結果的有效性和準確性。其計算方法如式(14)～式(16)所示：

P=TP/(TP+FP)

(14)

R=TP/(TP+FN)

(15)

F=2*P*R/(P+R)

(16)

其中，TP表示正確識別為裂縫的像素總數，FP表示錯誤識別為裂縫的像素總數，FN表示錯誤識別為地面的像素總數。

根據定義可知，P(Precision)反映了裂縫識別的精確性；R(Recall)反映了裂縫識別的完整性；F(F-Measure)反映了裂縫識別結果的綜合性能。表1為各算法在本文數據集上的精確率、召回率、F值和計算時間4個指標上的均值，分別用MP、MR、MF和MT表示。其中，DeepCrack算法使用11 GB顯存的NVIDIA GeForce GTX1080ti顯卡進行加速，其余對比算法測試平臺配置皆與本文算法測試平臺相同。本文算法在道面主輪廓提取時需要對每個點進行多次計算，產生了較大的計算開銷，因此檢測耗時偏高。在實際場景中，可通過如改變程序語言、提升硬件平臺或采用并行計算等方式，進一步減少算法的計算時間。

Table 1 Mean values of crack detection results

結合表1可看出，本文算法在精確率、召回率和F值3個指標上均值高于其他算法。其中，在精確率上CrackForest算法雖有較好的表現，但由于該算法易受測試數據中裂縫特征不完備的影響，其召回率低于本文算法的，因此其綜合評價指標F值表現不佳。Canny算法識別結果中裂縫和接縫內部中空，導致其召回率較低。文獻[17]算法擬合的平面模型自由度差，與道面主輪廓的吻合度低，導致識別效果不理想，且無法避免將大面積道面識別為裂縫，進一步降低了精確率。DeepCrack算法在3個指標上均有良好的表現，但該算法檢測結果易受到訓練數據影響，在部分裂縫位置存在一定的漏檢，導致其F值指標略低于本文算法的。

此外， 同一算法對不同形態(tài)裂縫的識別性能存在差異，通過計算以上指標的均值無法全面反映算法的適用性與穩(wěn)定性。因此，本文使用標準差系數V=σ/x·100%展示各算法識別結果的離散程度，其中，x和σ分別為識別結果在各個指標上的均值和標準差。標準差系數反映了檢測結果在各個指標上的離散程度。標準差系數越小，表明算法對數據集中每幅圖像的識別結果越相近，即算法識別結果的穩(wěn)定性越強。

表2展示了各算法識別結果在3個指標上的標準差系數(分別用VP、VR和VF表示)。從中可看出，Canny算法受到識別圖像中裂縫面積的影響，導致其召回率上的標準差系數較差；CrackForest算法在3個指標上的標準差系數表現較好，但是受到機場道面情況復雜、部分裂縫特征不明顯的影響，其穩(wěn)定性略低；DeepCrack算法采用深度卷積模型檢測裂縫，相比CrackForest算法具有更強的學習能力，因此其穩(wěn)定性高于CrackForest的；而文獻[17]算法識別結果3個指標的標準差系數遠高于本文算法的，一定程度上反映了道面主輪廓提取精度對細小裂縫識別穩(wěn)定性的影響。

Table 2 Variation coefficient of crack detection results

圖7綜合展示了各算法的檢測性能，其中柱體的高度為指標數據的均值，線段的長度為指標數據的0.2倍標準差，線段長度越短表明算法檢測結果的穩(wěn)定性越強。由圖7可知，本文算法在保證F值均值較高的情況下，其標準差最低，因此本文算法可獲得穩(wěn)定性較好且綜合性能較高的識別效果。

Figure 7 Histogram error bar of Precision,Recall and F value圖7 準確率、召回率、F值柱狀圖和誤差棒圖

5 結束語

為滿足機場高精度、窄時限、大范圍的裂縫自動檢測實際需求，針對基于深度相機檢測技術面臨著道面表觀結構復雜和裂縫識別平臺劇烈震動的雙重強干擾下機場道面細小裂縫檢測困難的難題，本文進行了基于三維深度數據的機場道面細小裂縫精確識別算法研究。為了避免三維深度數據中紋理、深度相機裂縫識別平臺帶來的噪聲、異常數據和道面主輪廓相互混疊影響，本文提出了一種結合L2正則化與改進貪心策略的道面主輪廓提取算法(RG-spline)，并基于該算法實現了強干擾情況下機場道面細小裂縫的精確提取。在真實機場道面三維數據集上的實驗結果表明，本文算法能有效地提高主輪廓提取的精確率，從而獲得穩(wěn)定性較好且綜合性能較高的細小裂縫識別效果。該算法為機場道面裂縫的局部精準修護提供了技術支持，能夠滿足實際檢測需求。