瀝青路面裂縫病害識別技術(shù)研究*

摘 要 瀝青路面受汽車載荷和自然因素的影響出現(xiàn)表面裂縫病害，直接影響著公路的路用性能和駕乘性能。為提高瀝青路面裂縫病害檢測準(zhǔn)確度，文章研究了圖像線性灰度變換、自適應(yīng)閾值分割等處理算法，并提出一種多方向方差降噪法。結(jié)果表明，該圖像處理算法可以較好地提取裂縫特征，并能在整幅圖片上實現(xiàn)裂縫方向的連續(xù)提取。

關(guān)鍵詞 裂縫病害;灰度變換;閾值分割;多方向方差降噪

引言

截止到2018年底，國內(nèi)通車公路總里程已經(jīng)達(dá)到484.65萬公里，高速公路里程約為14.2萬公里[1]。且高速公路80%以上均為瀝青路面。當(dāng)前瀝青路面陸續(xù)出現(xiàn)不同程度的表面裂縫病害，為避免病害程度進(jìn)一步擴(kuò)大，勢必要求對病害路面進(jìn)行統(tǒng)計。

2012年，Su等人[2]提出采用雙光源獲取圖像，利用傳統(tǒng)Canny邊緣檢測算子進(jìn)行處理以獲得路面裂縫信息。2017年，CHa等人[3]使用基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行裂紋損傷檢測研究。2009年，馬常霞等人[4]使用分?jǐn)?shù)階微分和數(shù)學(xué)形態(tài)學(xué)法，提出了基于非下采樣輪廓波的圖像增強(qiáng)和裂縫提取算法，噪聲抑制效果較好。2017年，王澤浩等人[5]提出了一種自適應(yīng)方向模板的結(jié)構(gòu)光條紋中心提取方法，并對影響提取效果的因素進(jìn)行了分析。

綜上所述，3D結(jié)構(gòu)光檢測裂縫是主流，但必須以2D及其圖像處理技術(shù)為基礎(chǔ)，但已有文獻(xiàn)多針對圖像局部展開，而在整張圖像上進(jìn)行研究并不多，對病害裂縫的方向連續(xù)性關(guān)注也不夠，本文擬針對上述研究不足而展開，為后續(xù)的3D路面裂縫深度信息檢測打下理論和技術(shù)基礎(chǔ)。

1裂縫病害識別

實際瀝青路面裂縫會受到復(fù)雜背景的干擾，如光照不均、油污、黑斑等，如圖1所示。

1.1 圖像增強(qiáng)

首先對原始圖像進(jìn)行增強(qiáng)操作，突出裂縫特征。采用空間域算法中的灰度變換，用于拉伸特征目標(biāo)的灰度細(xì)節(jié)，抑制背景灰度等級。采用分段線性變換完成操作。對應(yīng)的分段函數(shù)為：

其中，表示折線的斜率，對應(yīng)的函數(shù)圖像如圖2所示。

圖3為對應(yīng)的灰度拉神效果，由圖可知圖像增強(qiáng)效果較好。原始圖像位于的灰度像素經(jīng)變換后位于區(qū)間，明顯變長，效果得以凸顯。同樣的，原始圖像位于和的灰度像素被壓縮，明顯變短，圖像像素點被抑制。

1.2 自適應(yīng)閾值分割

對全局圖像進(jìn)行像素剖分（），統(tǒng)計每部分的直方圖并設(shè)定合適的閾值，二值化操作后將大于閾值的灰度轉(zhuǎn)為白色，小于閾值的變?yōu)楹谏?，效果如圖4所示，可知裂縫信息提取較準(zhǔn)確，缺點是有一定的噪聲干擾。

1.3 多方向方差降噪法

經(jīng)過上述圖像處理后，發(fā)現(xiàn)病害圖像本身裂縫特征提取和噪音消除效果二者尚不能兼容。并且實際觀察到的瀝青路面裂縫是有方向性的，大體順著裂縫方向其灰度變化較緩慢，在裂縫垂直方向其灰度變化較劇烈，故裂縫圖像中獨立像素點周圍其灰度變化會呈現(xiàn)出方向性。基于該想法，本文提出使用多方向方差降噪法，對圖像中每個方向上像素點對應(yīng)的灰度值進(jìn)行統(tǒng)計，具體方法如下：

（1）將歸一化圖像分成尺寸為16×16的子塊;以每個像素點為中心，分別計算其周邊八個方向上的灰度均值，提取方向上均值及其垂直方向上灰度均值并做差：

當(dāng)式（2）最大時，對應(yīng)的就是該中心點可能的方向。

（2）以圖像的八個方向為基礎(chǔ)，分別計算每個方向的方差及其垂直方向的方差，取其比值為，當(dāng)為最大時對應(yīng)的即為裂縫大體延伸方向。

（3）當(dāng)式（2）和式（3）求得的裂縫延伸方向一致時，既能得到準(zhǔn)確的裂縫走向。

圖5為八方向方差降噪法提取路面病害裂縫的實際效果，可知提取裂縫特征屬性效果較好，基本無漏檢。背景噪聲也基本被抑制，最重要的是以完整圖像為尺度，實現(xiàn)了裂縫方向連續(xù)性的準(zhǔn)確提取。

2結(jié)束語

針對裂縫特征提取和噪音消除效果二者尚不能兼容，提出一種多方向方差降噪法。結(jié)果表明，該文圖像處理算法可以較好地提取裂縫特征，并能在整幅圖片上實現(xiàn)裂縫方向的連續(xù)提取。

參考文獻(xiàn)

[1] 佚名.2018年交通運輸行業(yè)發(fā)展統(tǒng)計公報[R].北京：交通運輸部綜合規(guī)劃司，2019.

[2] Su Y-S，Kang S-C，Chang J-R，et al. A Dual-Light Inspecti-on Method for Automatic Pavement Surveys[J]. Journal of Computing in Civil Engineering，2012，27（5）：534-543.

[3] YJ Cha，W Choi，O Büyük?ztürk. Deep Learning-Based Cr-ack Damage Detection Using Convolution Neural Networks[J].Computer-Aided Civil and Infrastructure Engineering，? ?2017，32（5）：1-18.

[4] 馬常霞，趙春霞，胡勇.結(jié)合NSCT和圖像形態(tài)學(xué)的路面裂縫檢測[J].計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報，2009，21（12）：1761-1767.

[5] 王澤浩，張中煒. 自適應(yīng)方向模板線結(jié)構(gòu)光條紋中心提 取方法[J].激光雜志，2017，38（1）：60-64.

作者簡介

安靜（1980-），男;職稱：講師，現(xiàn)就職單位：浙江工業(yè)職業(yè)技術(shù)學(xué)院，研究方向：圖像處理、微波加熱。