蔣文波，羅秋容，張曉華

(1.西華大學(xué)電氣與電子信息學(xué)院，四川 成都 610039；2.廣島工業(yè)大學(xué)，日本 廣島 731-5193)

公路、隧道和橋梁作為重要的道路交通基礎(chǔ)設(shè)施，關(guān)系到國(guó)民生產(chǎn)的各行業(yè)及人們的日常生活?？焖侔l(fā)展的道路交通基礎(chǔ)設(shè)施為人們的日常生活提供便利，同時(shí)也給設(shè)施的監(jiān)管和養(yǎng)護(hù)帶來(lái)了新的挑戰(zhàn)。在公路、橋梁及隧道等交通基礎(chǔ)設(shè)施的建設(shè)中，混凝土發(fā)揮著重要作用，同時(shí)在混凝土結(jié)構(gòu)表面的維護(hù)中，裂縫是最常見(jiàn)病害之一；因此，加強(qiáng)混凝土結(jié)構(gòu)裂縫的檢查和養(yǎng)護(hù)工作尤為重要。

早期的檢查和養(yǎng)護(hù)主要依靠人工方式，這種方式不僅費(fèi)時(shí)、費(fèi)力，結(jié)果也不夠嚴(yán)謹(jǐn)和精確，而且對(duì)于隧道和跨山、河而建的橋梁，其危險(xiǎn)度高。為滿足經(jīng)濟(jì)社會(huì)建設(shè)的需要，急需開(kāi)發(fā)更高效、更穩(wěn)定、更智能的混凝土裂縫檢測(cè)新技術(shù)和新方法。

目前，基于數(shù)字圖像的裂縫檢測(cè)系統(tǒng)是較為主流的檢測(cè)方法，現(xiàn)已用于公路、隧道和橋梁等混凝土結(jié)構(gòu)裂縫檢測(cè)中。系統(tǒng)一般由圖像采集硬件系統(tǒng)和圖像處理軟件系統(tǒng)2部分組成。圖像采集常采用多功能道路檢測(cè)車，圖像處理常采用圖像預(yù)處理算法、基于閾值分割和邊緣分割的裂縫檢測(cè)算法和基于數(shù)學(xué)形態(tài)學(xué)的裂縫檢測(cè)算法等。通常，檢測(cè)步驟一般分為3步，首先通過(guò)車載攝像頭采集裂縫圖像，然后通過(guò)檢測(cè)算法對(duì)采集到的圖像進(jìn)行處理，最后得到裂縫類型、裂縫位置和病害嚴(yán)重程度等信息。

本文從圖像采集硬件系統(tǒng)和圖像處理軟件系統(tǒng)2方面分別對(duì)公路、隧道和橋梁3種混凝土裂縫檢測(cè)方法的研究現(xiàn)狀進(jìn)行全面分析與總結(jié)，重點(diǎn)分析目前存在的問(wèn)題，并對(duì)接下來(lái)的研究方向提出建議。

1 公路裂縫檢測(cè)

1.1 硬件系統(tǒng)研究現(xiàn)狀

裂縫檢測(cè)的第一步是混凝土表面圖像采集，主要依靠硬件系統(tǒng)來(lái)實(shí)現(xiàn)，如多功能檢測(cè)車等。

多功能檢測(cè)車的研究始于20世紀(jì)60年代末，國(guó)外已開(kāi)發(fā)了一系列的車載裂縫檢測(cè)系統(tǒng)，比較典型的有法國(guó)的GERPHO系統(tǒng)[1]、日本的Komatsu系統(tǒng)[2]、加拿大的ARAN(Automatic Road Analyzer)系統(tǒng)[3]和澳大利亞的Hawkeye系統(tǒng)[4]等。具體檢測(cè)技術(shù)及優(yōu)缺點(diǎn)如表1所示。

表1 國(guó)外車載裂縫檢測(cè)系統(tǒng)發(fā)展分析

參照國(guó)外多功能道路檢測(cè)車的研究，國(guó)內(nèi)也研發(fā)了相應(yīng)的車載裂縫檢測(cè)系統(tǒng)，如南京理工大學(xué)研發(fā)的N-1系統(tǒng)和JG-1系統(tǒng)[5]、武漢大學(xué)研發(fā)的ZOYON-RTM系統(tǒng)[6-7]、北京公路科學(xué)研究院開(kāi)發(fā)的CiCS(cracking image collection system)系統(tǒng)[6-7]等。具體檢測(cè)系統(tǒng)及優(yōu)缺點(diǎn)如表2所示。

表2 國(guó)內(nèi)車載裂縫檢測(cè)系統(tǒng)發(fā)展分析

目前，國(guó)內(nèi)外許多公司和學(xué)者仍致力于研究新的車載裂縫檢測(cè)系統(tǒng)。利用智能檢測(cè)車進(jìn)行裂縫檢測(cè)具有廣闊的發(fā)展前景和巨大的經(jīng)濟(jì)價(jià)值，必將成為未來(lái)交通設(shè)施維護(hù)的主要發(fā)展方向。

1.2 軟件系統(tǒng)研究現(xiàn)狀

上述采集到的公路裂縫圖像含有大量噪聲，須進(jìn)行圖像預(yù)處理和圖像分割等操作；因此，軟件系統(tǒng)對(duì)于裂縫檢測(cè)同樣重要。軟件系統(tǒng)的核心是檢測(cè)算法，圖像預(yù)處理包括增強(qiáng)算法和去噪算法，圖像分割包括基于閾值和基于邊緣檢測(cè)等分割算法。

下面分別對(duì)裂縫預(yù)處理算法和裂縫分割算法的研究進(jìn)展進(jìn)行分析。

1.2.1 裂縫預(yù)處理算法

通常情況下，公路裂縫圖像受雜物、油污、陰影和光斑等影響，質(zhì)量低，識(shí)別難度大，因此，須對(duì)圖像進(jìn)行增強(qiáng)和去噪等操作，以削弱或消除這些干擾。其中：前者主要是通過(guò)消除背景不均勻及陰影的影響來(lái)突出識(shí)別目標(biāo)，增強(qiáng)圖像識(shí)別的能力；后者主要是去除圖像中的噪聲點(diǎn)，同時(shí)最大程度地保留圖像的細(xì)節(jié)信息。

常見(jiàn)的圖像增強(qiáng)和去噪方法有傳統(tǒng)圖像增強(qiáng)法[8-10]、數(shù)學(xué)形態(tài)學(xué)法[11-12]、模糊理論法[13-14]、小波變換法[15-16]，以及最新的方法，如多級(jí)去噪模型法[17]、多特征融合法[18]等方法。

1)傳統(tǒng)圖像增強(qiáng)法主要是對(duì)灰度圖像的處理，有直方圖均衡化法、維納濾波法、差影法等。這些方法降低了光照不均勻的干擾，但增強(qiáng)效果不顯著。

2)數(shù)學(xué)形態(tài)學(xué)法利用形態(tài)學(xué)中4個(gè)基本算子的不同組合對(duì)裂縫目標(biāo)進(jìn)行處理。形態(tài)學(xué)濾波作為一種降噪算法，常與圖像分割算法組合起來(lái)使用，但該方法結(jié)構(gòu)元素相對(duì)不容易確定，且去噪速度慢。

3)模糊理論法利用公路圖像本身的模糊性，將公路裂縫圖像從頻域轉(zhuǎn)到模糊域進(jìn)行圖像增強(qiáng)研究。該方法對(duì)于消除因光照不均勻引起的公路噪聲有很好的效果。

4)小波變換法是對(duì)公路圖像進(jìn)行分解變換，對(duì)不同分解尺度上的小波系數(shù)進(jìn)行處理，從而消除公路裂縫圖像中的噪聲。這種方法可以根據(jù)裂縫圖像的特點(diǎn)選擇不同的小波，以達(dá)到不同的去噪要求，但是在一定程度上會(huì)造成重構(gòu)圖像失真，影響去噪效果。

5)最新的方法。公路圖像中常存在各種疊加的復(fù)雜噪聲，若單一采用上述預(yù)處理方法都不能有效去除疊加的多種噪聲；因此，出現(xiàn)結(jié)合多種去噪算法的新方法。文獻(xiàn)[17]提出了適用于公路裂縫檢測(cè)的多級(jí)去噪模型，該模型結(jié)合灰度去噪、空間濾波和形態(tài)學(xué)濾波等方法，可同時(shí)去除不同類型的噪聲。文獻(xiàn)[18]提出了基于多特征融合的裂縫提取算法，該方法能解決復(fù)雜背景下的噪聲去除問(wèn)題，算法提取結(jié)果如圖1所示：裂縫雖有部分?jǐn)嗔?，但背景噪聲濾除良好，能滿足實(shí)際檢測(cè)需要。

(a)公路有斑馬線干擾的裂縫信息提取結(jié)果

(b)公路有粉塵遮擋物的裂縫信息提取結(jié)果

(c)公路有不規(guī)則路標(biāo)及油污的裂縫信息提取結(jié)果

1.2.2 裂縫分割算法

圖像分割是將圖像劃分為不同的區(qū)域，把目標(biāo)區(qū)域從背景中分離出來(lái)，分割好壞直接影響裂縫的分類和評(píng)價(jià)。常見(jiàn)分割算法有基于閾值和基于邊緣檢測(cè)的分割算法。近幾年陸續(xù)出現(xiàn)新的分割算法。

1)基于閾值的分割算法。

基于閾值的圖像分割方法起源較早，運(yùn)用范圍十分廣泛。1992年，Kirschke等[19]提出了基于直方圖的公路破損圖像閾值分割方法，這種方法只能用于較明顯的裂縫識(shí)別。1997年，Siriphan[20]對(duì)比了Otsu閾值法、回歸法、松弛因子法、Kittler閾值法等4種公路破損圖像閾值分割方法，認(rèn)為回歸法效果最好，但不具備通用性。2003年，Cheng等[21]提出了一種減少樣本空間和插值的實(shí)時(shí)閾值分割算法，該方法提高了樣本的實(shí)時(shí)性，但未考慮裂縫的空間分布特征，誤檢率和漏檢率都較高。2009年，Katakam[22]采用對(duì)公路圖像分塊后，再分別對(duì)各子塊閾值分割的方法，得到裂縫目標(biāo)，極大提高了裂縫的識(shí)別率。2016年，姜吉榮[23]提出結(jié)合Otsu、多特征和形態(tài)學(xué)的公路裂縫目標(biāo)提取方法，該方法綜合考慮了較多裂縫特征，具有較好的穩(wěn)定性和實(shí)用性，并與傳統(tǒng)分割算法提取效果進(jìn)行了對(duì)比，其結(jié)果如圖2所示。

總體而言，閾值分割算法一般適用于背景灰度一致、光照均勻和對(duì)比度較高的圖像處理。當(dāng)考慮較多裂縫特征時(shí)，裂縫識(shí)別率更高。

2)基于邊緣檢測(cè)的分割算法。

裂縫邊緣的灰度具有明顯的階躍現(xiàn)象，且背景灰度變化緩慢；因此可以通過(guò)檢測(cè)裂縫邊緣來(lái)分割出裂縫目標(biāo)。

學(xué)者們對(duì)邊緣檢測(cè)算法展開(kāi)了研究，提出了許多邊緣檢測(cè)算子。常用的邊緣檢測(cè)算子有Robert算子、Sobel算子、Canny算子、Prewiit算子和LOG算子等。2007年，Shah[24]和Wang等[25]對(duì)基于邊緣檢測(cè)的裂縫分割進(jìn)行了研究，但沒(méi)有考慮公路病害的自然屬性，算法的適用范圍不太理想。2008年，張娟等[26]提出采用相位編組法進(jìn)行裂縫提取，該方法有利于檢測(cè)出有強(qiáng)弱對(duì)比度的裂縫及細(xì)小裂縫，但算法產(chǎn)生的偽裂縫較多。2014年，瞿中等[27]、Oliveira等[28]采用基于形態(tài)學(xué)的裂縫檢測(cè)算法，利用數(shù)學(xué)形態(tài)學(xué)4個(gè)基本操作算子來(lái)完成線狀裂縫目標(biāo)的檢測(cè)、連接等處理，但該類方法需要裂縫有較強(qiáng)的邊緣性，并且過(guò)多的閾值設(shè)定降低了此類方法的可用性和檢測(cè)效果。

圖2 不同分割算法提取結(jié)果[23]

總之，邊緣檢測(cè)的分割算法大都是基于局部灰度和梯度信息識(shí)別裂縫邊緣，僅適用于具有較強(qiáng)邊緣信息的裂縫圖，且易將邊緣信息強(qiáng)的背景判斷為裂縫信息點(diǎn)。當(dāng)噪聲較多時(shí)，邊緣檢測(cè)的效果較差。

3)其他方法。

近年來(lái)，也出現(xiàn)了一些高效、準(zhǔn)確的裂縫分割算法，例如基于種子生長(zhǎng)的圖像識(shí)別算法[29-30]、基于滲流模型的裂縫檢測(cè)算法[31]、基于有監(jiān)督學(xué)習(xí)的裂縫識(shí)別算法[32]和基于公路裂縫的三維檢測(cè)算法[33]等。

基于種子生長(zhǎng)的圖像識(shí)別算法具有高效、準(zhǔn)確和易自動(dòng)實(shí)時(shí)處理等優(yōu)點(diǎn)，受到了許多先進(jìn)檢測(cè)系統(tǒng)的青睞。基于滲流模型的裂縫檢測(cè)算法精確率高，但算法耗時(shí)長(zhǎng)。文獻(xiàn)[31]對(duì)基于滲流模型的傳統(tǒng)檢測(cè)算法進(jìn)行了改進(jìn)，對(duì)比了傳統(tǒng)滲流算法與改進(jìn)滲流算法的裂縫提取效果，其結(jié)果表明改進(jìn)滲流算法不僅繼承了原算法精確率高的優(yōu)點(diǎn)，還降低了圖像的噪聲率，如圖3所示?；谟斜O(jiān)督學(xué)習(xí)的裂縫識(shí)別算法在準(zhǔn)確率方面有所改善，但需要監(jiān)督學(xué)習(xí)、計(jì)算成本高，不利于海量公路圖像的自動(dòng)實(shí)時(shí)處理?；诠妨芽p的三維檢測(cè)算法可以很好識(shí)別出裂縫并且完成裂縫特征數(shù)據(jù)的提取，性能穩(wěn)定且準(zhǔn)確率高, 對(duì)公路養(yǎng)護(hù)管理決策的制定和路表三維形態(tài)重構(gòu)起到了重要的指導(dǎo)作用，發(fā)展前景較好。

(a)精確率

(b)噪聲率

1.2.3 存在的主要問(wèn)題

綜合分析國(guó)內(nèi)外基于數(shù)字圖像的公路裂縫檢測(cè)方法，對(duì)目前公路裂縫檢測(cè)硬件、軟件系統(tǒng)存在的問(wèn)題總結(jié)如下：

1)數(shù)據(jù)采集率和準(zhǔn)確性不夠高，裂縫信息采集及識(shí)別還未完全實(shí)現(xiàn)智能化和實(shí)時(shí)化；

2)破損分類和評(píng)價(jià)系統(tǒng)的建立還不夠完善；

3)現(xiàn)存的去噪算法和分割算法都具有一定針對(duì)性，不具有通用性；

4)裂縫分割時(shí)考慮的特征較少，易導(dǎo)致誤檢和漏檢；

5)在提取裂縫時(shí)，部分去噪算法和分割算法會(huì)造成裂縫的斷裂，這將影響到后期參數(shù)的精確計(jì)算。

2 隧道裂縫檢測(cè)

隧道裂縫與公路裂縫在外部環(huán)境與圖像特征上存在著區(qū)別，因此，其圖像采集與識(shí)別方法相對(duì)于公路裂縫有所不同。

當(dāng)前國(guó)內(nèi)外隧道裂縫自動(dòng)檢測(cè)技術(shù)可以歸納為2大類：第1類是基于形變數(shù)據(jù)的固定式檢測(cè)方法；第2類是基于光學(xué)成像和圖像處理技術(shù)的移動(dòng)式檢測(cè)方法。其中：前者檢測(cè)成本高、操作復(fù)雜，不能作為一種普適的檢測(cè)方法；后者采用安裝相機(jī)的檢測(cè)車采集隧道圖像數(shù)據(jù)，利用圖像處理技術(shù)對(duì)圖像中的裂縫進(jìn)行分析識(shí)別。

隨著圖像釆集設(shè)備和圖像處理技術(shù)的不斷發(fā)展，基于數(shù)字圖像的裂縫檢測(cè)系統(tǒng)的檢測(cè)效率和準(zhǔn)確率都飛速提高，因此，它成為隧道裂縫自動(dòng)檢測(cè)的主要發(fā)展方向。

2.1 硬件系統(tǒng)研究現(xiàn)狀

從外部環(huán)境上來(lái)說(shuō)，隧道裂縫硬件采集系統(tǒng)存在以下難點(diǎn)：隧道內(nèi)光線不足，采集的裂縫圖像質(zhì)量不高；隧道內(nèi)檢測(cè)時(shí)間有限，檢測(cè)存在較大的安全隱患；對(duì)于處于超長(zhǎng)隧道的裂縫，所采集的圖像數(shù)據(jù)量大。針對(duì)隧道所處環(huán)境特點(diǎn)，相比于公路裂縫，隧道裂縫硬件采集系統(tǒng)須能解決上述問(wèn)題。

最初，隧道裂縫圖像采集主要是依靠人工拍攝，這種采集方式需要通過(guò)肉眼初步判斷后進(jìn)行采集，工作量大、危險(xiǎn)系數(shù)高且易漏檢。隨著科技的發(fā)展，隧道檢測(cè)車運(yùn)應(yīng)而生，它解決了隧道裂縫檢測(cè)速度和安全的問(wèn)題。

韓國(guó)、德國(guó)和日本在隧道裂縫檢測(cè)車領(lǐng)域處于領(lǐng)先地位，已研發(fā)出一系列基于隧道檢測(cè)車的裂縫檢測(cè)系統(tǒng)[34-36]，其核心技術(shù)和優(yōu)缺點(diǎn)如表3所示。

表3 國(guó)外隧道裂縫檢測(cè)系統(tǒng)技術(shù)及優(yōu)缺點(diǎn)分析

年份國(guó)家核心技術(shù)優(yōu)缺點(diǎn)2003韓國(guó)[34] 收斂傳感器、局部控制單元 優(yōu)點(diǎn)：能檢測(cè)隧道形變、裂縫等病害 缺點(diǎn)：成本高，操作復(fù)雜2006德國(guó)[35] 隧道激光掃描技術(shù) 優(yōu)點(diǎn)：功能全面，提高了采集圖像質(zhì)量 缺點(diǎn)：不能對(duì)裂縫進(jìn)行分類2012日本[36] 光學(xué)檢測(cè)系統(tǒng) 優(yōu)點(diǎn)：檢測(cè)精度達(dá)0．2mm，檢測(cè)成本低 缺點(diǎn)：檢測(cè)不夠快速準(zhǔn)確

在我國(guó)，隧道裂縫檢測(cè)車最初是以國(guó)外進(jìn)口為主，但2015年武漢卓越科技有限公司的“隧道醫(yī)生”檢測(cè)車的下線，打破了國(guó)外隧道檢測(cè)技術(shù)在我國(guó)的壟斷。2017年，武漢長(zhǎng)盛公司發(fā)布了JL-PTCDS(A)隧道裂縫全景快速檢測(cè)系統(tǒng)，該系統(tǒng)的問(wèn)世，成功解決了目前隧道檢測(cè)的速度、精度和安全問(wèn)題，填補(bǔ)了國(guó)內(nèi)市場(chǎng)空白，標(biāo)志著我國(guó)成功攻克隧道快速檢測(cè)的世界性難題。

近幾年，針對(duì)隧道裂縫特點(diǎn)，國(guó)內(nèi)學(xué)者設(shè)計(jì)了一系列檢測(cè)系統(tǒng)[37-39]，其核心技術(shù)和優(yōu)缺點(diǎn)如表4所示。文獻(xiàn)[37]所述系統(tǒng)，使隧道裂縫檢測(cè)不僅僅限于病害檢測(cè)，同時(shí)能實(shí)現(xiàn)病害變化趨勢(shì)預(yù)測(cè)。文獻(xiàn)[38]所述系統(tǒng)的框圖如圖4所示，其獨(dú)特的相機(jī)分布與LED光源分布，解決了隧道內(nèi)部光線不足的問(wèn)題。文獻(xiàn)[39]建立了分布式集群，能實(shí)現(xiàn)隧道裂縫圖像分布式存儲(chǔ)與分布式處理，解決了海量隧道裂縫圖像存儲(chǔ)與處理的問(wèn)題。

表4 國(guó)內(nèi)隧道裂縫檢測(cè)系統(tǒng)技術(shù)及優(yōu)缺點(diǎn)分析

圖4 隧道裂縫檢測(cè)系統(tǒng)框圖[38]

2.2 軟件系統(tǒng)研究現(xiàn)狀

從圖像特征上說(shuō)，隧道裂縫圖像存在表面紋理復(fù)雜、噪聲污染嚴(yán)重、滲水嚴(yán)重、裂縫與背景對(duì)比度低等問(wèn)題。相比于公路裂縫檢測(cè)算法，其軟件系統(tǒng)的檢測(cè)算法應(yīng)著重解決以上問(wèn)題。

2.2.1 預(yù)處理算法

相對(duì)于公路裂縫，隧道裂縫噪聲沒(méi)有疊加的復(fù)雜噪聲，因此預(yù)處理應(yīng)致力于去除復(fù)雜紋理背景、保護(hù)裂縫邊緣信息、提高裂縫圖像信噪比等方面。

在傳統(tǒng)的圖像去噪方法中，維納濾波[40]能較好地保存裂縫的邊緣信息，但噪聲濾除效果不好，對(duì)后續(xù)的裂縫提取不利；中值濾波[41]、均值濾波[42]對(duì)噪聲的濾除效果好，但不能較好地保存裂縫的細(xì)節(jié)信息，且對(duì)邊緣有一定程度的模糊。

學(xué)者們不斷對(duì)濾波算法進(jìn)行改進(jìn)，提出了基于結(jié)構(gòu)元素的中值濾波[43]、加權(quán)鄰域?yàn)V波[44]、自適應(yīng)中值濾波[45]等方法，但是這些方法仍然無(wú)法消除隧道中復(fù)雜裂紋背景的影響。文獻(xiàn)[46]在參考上述方法的基礎(chǔ)上，提出一種融合多種處理技術(shù)的SFC結(jié)合法，該方法不但可以有效去除噪聲、消除復(fù)雜裂紋背景的影響，還能銳化裂縫邊緣，解決隧道滲水所導(dǎo)致邊緣模糊的問(wèn)題。為解決裂縫與背景對(duì)比度低的問(wèn)題， 文獻(xiàn)[47]提出了一種基于圖像融合的新方法，首先采用改進(jìn)Canny算子對(duì)裂縫圖像進(jìn)行邊緣檢測(cè)，接著將小波分解后的兩層圖像融合，最終通過(guò)小波反變換得到裂縫圖像。該方法提高了圖像的峰值信噪比和裂縫檢測(cè)精度，圖像增強(qiáng)效果良好。文獻(xiàn)[48]提出的全局與局部相結(jié)合的預(yù)處理算法和基于連通區(qū)域的多級(jí)濾波算法，在提升裂縫與背景對(duì)比度的基礎(chǔ)上，更能濾去隧道圖像大量不規(guī)則噪聲和解決圖像光照不均勻問(wèn)題，裂縫識(shí)別率較高，具體裂縫提取流程如圖5所示。

圖5 裂縫提取流程圖[48]

2.2.2 分割算法

圖像分割算法主要有邊緣檢測(cè)法、閾值分割法和基于區(qū)域生長(zhǎng)的分割方法。

如公路裂縫分割算法所述，閾值分割算法一般適用于背景灰度一致、光照均勻和對(duì)比度較高的圖像處理，而隧道裂縫與背景灰度值相近，直接使用閾值分割法將導(dǎo)致裂縫目標(biāo)信息淹沒(méi)在大量的噪聲中，很難將目標(biāo)區(qū)域與背景區(qū)域分開(kāi)。邊緣檢測(cè)的分割算法僅適用于具有較強(qiáng)邊緣信息的裂縫圖，當(dāng)噪聲較多時(shí)，邊緣檢測(cè)的效果較差。單純的閾值分割算法和邊緣檢測(cè)分割算法都不適用于隧道裂縫的分割提取。

文獻(xiàn)[49]在考慮隧道裂縫圖像特點(diǎn)的基礎(chǔ)上，提出基于邊緣信息的改進(jìn)Otsu分割方法。該方法首先采用八方向的Sobel算子對(duì)圖像進(jìn)行邊緣檢測(cè)，然后通過(guò)特定點(diǎn)計(jì)算分割的最佳閾值，最后利用Otsu方法進(jìn)行圖像分割。該分割方法能很好地將隧道裂縫從背景中分離出來(lái)。

閾值、邊緣分割方法對(duì)隧道裂縫圖像分割都有一定的缺陷。為更好地將裂縫從背景中分離出來(lái)，需要一種更準(zhǔn)確和細(xì)致的劃分裂縫目標(biāo)的方法。文獻(xiàn)[50]提出一種基于最小路徑的裂縫識(shí)別算法，該算法以裂縫點(diǎn)作為起始點(diǎn)，按最小路徑的原則向周圍生長(zhǎng)，能快速準(zhǔn)確提取出連續(xù)的裂縫，但起始點(diǎn)需要手動(dòng)選取。

為更快速、有效地檢測(cè)出隧道裂縫圖像，文獻(xiàn)[51]研究了襯砌裂縫遠(yuǎn)距離圖像測(cè)量技術(shù)，將采集到的裂縫圖像結(jié)合試驗(yàn)擬合標(biāo)定曲線，對(duì)圖像進(jìn)行裂縫區(qū)域提取、形態(tài)學(xué)處理等操作，為裂縫檢測(cè)提出了新思路。

隧道裂縫的檢測(cè)不僅要致力于裂縫病害的檢測(cè)，還應(yīng)致力于病害趨勢(shì)的分析。文獻(xiàn)[52]對(duì)隧道裂縫圖像智能匹配與變化趨勢(shì)檢測(cè)算法進(jìn)行研究，通過(guò)設(shè)定寬度變化閾值，對(duì)隧道裂縫趨勢(shì)進(jìn)行監(jiān)控。該算法處理傳統(tǒng)公路裂縫圖像和隧道裂縫圖像的結(jié)果如表5所示。

表5 公路裂縫圖像和隧道裂縫圖像檢測(cè)結(jié)果[52]

2.3 存在的主要問(wèn)題

綜合對(duì)國(guó)內(nèi)外基于數(shù)字圖像的隧道裂縫自動(dòng)檢測(cè)技術(shù)分析，對(duì)目前隧道裂縫檢測(cè)硬件、軟件系統(tǒng)存在的問(wèn)題總結(jié)如下：

1)我國(guó)隧道裂縫檢測(cè)車主要是以國(guó)外進(jìn)口為主，現(xiàn)有的檢測(cè)設(shè)備不夠成熟；

2)隧道內(nèi)部環(huán)境較差、光照強(qiáng)度低、表面紋理復(fù)雜、噪聲分布無(wú)規(guī)律，采集的圖像質(zhì)量不佳，而且現(xiàn)有算法無(wú)法同時(shí)兼顧這些問(wèn)題，裂縫檢測(cè)精確率有待提高；

3)針對(duì)長(zhǎng)距離隧道和高速鐵路隧道的檢測(cè)，若圖像采集速度過(guò)慢，無(wú)法滿足檢測(cè)需要，但檢測(cè)車速度加快又會(huì)導(dǎo)致圖像質(zhì)量降低，不利于后期圖像的處理和分析。

3 橋梁裂縫檢測(cè)

橋梁裂縫在成因及形態(tài)上與公路裂縫較為接近，但橋梁所處情況相對(duì)公路更復(fù)雜(橋梁跨山、河而建，呈圓柱形)，且橋梁底面存在表層脫落、水漬、劃痕等缺陷；因此，可在借鑒公路裂縫檢測(cè)技術(shù)的基礎(chǔ)上，進(jìn)一步研究適合于橋梁裂縫檢測(cè)的方法。

最初，國(guó)內(nèi)外對(duì)橋梁裂縫檢測(cè)研究主要采用超聲儀、傳感器等物理設(shè)備進(jìn)行，針對(duì)橋梁裂縫硬件檢測(cè)系統(tǒng)的研究相對(duì)較少，利用數(shù)字圖像進(jìn)行裂縫自動(dòng)檢測(cè)起步較晚。目前，國(guó)內(nèi)外許多專家都致力于將數(shù)字圖像處理技術(shù)應(yīng)用于橋梁裂縫的檢測(cè)中，并取得相應(yīng)的成果。

3.1 硬件系統(tǒng)研究現(xiàn)狀

諸多橋梁都是跨山、跨河而建，裂縫檢測(cè)車只適用于采集橋梁上表面的裂縫，對(duì)于橋梁側(cè)面與下表面的裂縫，圖像采集存在困難；因此，針對(duì)橋梁裂縫的各種硬件采集系統(tǒng)應(yīng)運(yùn)而生[53-55]，具體系統(tǒng)和工作原理如表6所示。

表6 橋梁裂縫硬件采集系統(tǒng)

3.2 軟件系統(tǒng)研究現(xiàn)狀

橋梁裂縫與公路裂縫在成因及形態(tài)上較為接近，而且基于數(shù)字圖像的公路裂縫檢測(cè)技術(shù)較為成熟；因此，可將其用于橋梁裂縫檢測(cè)。橋梁底面存在表層脫落、水漬等缺陷，因此，為提高橋梁裂縫檢測(cè)精確度，須對(duì)其裂縫提取算法進(jìn)一步研究。

同公路裂縫圖像一樣，橋梁上表面裂縫有大量污染物，在對(duì)其進(jìn)行檢測(cè)前需要進(jìn)行去噪處理，綜合公路裂縫去噪方法分析，采用多級(jí)去噪模型[17]和基于多特征融合的裂縫檢測(cè)算法[18]能較好地去除復(fù)雜噪聲，從而提取出橋梁裂縫。

在橋梁裂縫檢測(cè)中，對(duì)于圓柱形橋梁裂縫的檢測(cè)需用到基于三維掃描的裂縫檢測(cè)技術(shù)。文獻(xiàn)[56]采用三維投影技術(shù)和圖像處理方法對(duì)中國(guó)臺(tái)灣某圓柱形橋梁進(jìn)行了現(xiàn)場(chǎng)測(cè)試，該方法不僅可以檢測(cè)圓柱形裂縫，而且可識(shí)別并顯示寬度達(dá)0.2像素的肉眼不可見(jiàn)裂縫?；谌S掃描的裂縫檢測(cè)技術(shù)具有裂縫檢測(cè)精確性好，定位精度高等優(yōu)點(diǎn)[57]。

開(kāi)發(fā)橋梁裂縫分析軟件對(duì)裂縫高效檢測(cè)尤為重要。文獻(xiàn)[58]在分析橋梁裂縫圖像特點(diǎn)的基礎(chǔ)上，開(kāi)發(fā)出一套適用于遠(yuǎn)距離橋梁缺陷檢測(cè)的圖像分析軟件。該分析軟件在橋梁缺陷檢測(cè)方面實(shí)用性較高，但識(shí)別精度仍有待提高。文獻(xiàn)[59]采用機(jī)器視覺(jué)技術(shù)開(kāi)發(fā)了一套裂縫智能識(shí)別軟件。該軟件對(duì)橋底圖像進(jìn)行處理、識(shí)別、計(jì)算和記錄裂縫的特征參數(shù)，以評(píng)估橋梁的裂縫損傷情況。

3.3 存在的主要問(wèn)題

盡管關(guān)于基于數(shù)字圖像的橋梁裂縫自動(dòng)檢測(cè)系統(tǒng)取得了一定成績(jī)，但還存在很多問(wèn)題。

1)橋梁所處環(huán)境復(fù)雜，基于數(shù)字圖像處理的橋梁裂縫檢測(cè)主要集中在公路橋梁上，對(duì)于環(huán)境復(fù)雜的橋梁并不一定適用。

2)目前研究多集中在對(duì)橋梁裂縫圖像的采集，對(duì)于如何進(jìn)行裂縫的參數(shù)識(shí)別，還沒(méi)有足夠深入的研究。

3)橋梁底面存在大量噪聲，裂縫信息難以識(shí)別，目前的裂縫檢測(cè)算法都存在一定的缺陷。

4 對(duì)比分析

公路、隧道、橋梁裂縫由于特點(diǎn)各異，因此所需采集設(shè)備和識(shí)別算法不同。本文對(duì)3種類型裂縫的特點(diǎn)及檢測(cè)難點(diǎn)進(jìn)行了詳細(xì)的對(duì)比，如表7所示。

表7 3種類型裂縫檢測(cè)對(duì)比

5 討論

基于數(shù)字圖像的自動(dòng)檢測(cè)技術(shù)是混凝土裂縫檢測(cè)的發(fā)展趨勢(shì)，具有廣泛的應(yīng)用前景；但是還有不少有待完善和改進(jìn)之處。

1)急需建立科學(xué)完善的公路破損分析和評(píng)價(jià)系統(tǒng)，將破損形式、類別、等級(jí)及地點(diǎn)等傳回系統(tǒng)，做到檢測(cè)與修補(bǔ)的規(guī)范化和標(biāo)準(zhǔn)化。

2)針對(duì)特殊情況下(長(zhǎng)距離、高速鐵路隧道，跨山、跨河而建的橋梁等)的裂縫，現(xiàn)有自動(dòng)檢測(cè)方法在圖像采集與目標(biāo)提取方面較為困難，需要一種不同于公路檢測(cè)且快速準(zhǔn)確的裂縫檢測(cè)系統(tǒng)。

3)現(xiàn)有裂縫自動(dòng)檢測(cè)方法的數(shù)據(jù)采集率和準(zhǔn)確率有待進(jìn)一步提高，裂縫信息采集及自動(dòng)檢測(cè)有待進(jìn)一步智能化和實(shí)時(shí)化。

4)針對(duì)檢測(cè)指標(biāo)單一、檢測(cè)算法不具有通用性的不足，今后應(yīng)致力于研究功能更全面、檢測(cè)效果更好的混凝土裂縫自動(dòng)檢測(cè)系統(tǒng)。

此外，基于數(shù)字圖像的三維重構(gòu)技術(shù)的裂縫自動(dòng)檢測(cè)具有更穩(wěn)定的性能和更高的檢測(cè)精度，可作為未來(lái)的重點(diǎn)研究方向之一。

6 總結(jié)

本文分別從采集設(shè)備和識(shí)別算法2方面對(duì)公路、隧道和橋梁3種類型混凝土裂縫的檢測(cè)方法進(jìn)行了全面分析。分析發(fā)現(xiàn)，由于3種類型混凝土裂縫特點(diǎn)不同，因此所需硬件設(shè)備和檢測(cè)算法不同?？傮w來(lái)說(shuō)，混凝土裂縫檢測(cè)的硬件設(shè)備功能有待進(jìn)一步完善，且準(zhǔn)確度和實(shí)時(shí)性等方面還未達(dá)到滿意的效果，檢測(cè)算法尚存在精度與速度的矛盾。

不難預(yù)測(cè)，研究實(shí)時(shí)、高效、功能全面的裂縫檢測(cè)系統(tǒng)和基于數(shù)字圖像的三維重構(gòu)技術(shù)的裂縫自動(dòng)檢測(cè)是未來(lái)混凝土裂縫檢測(cè)發(fā)展的重要方向之一，具有良好前景。

[1]FUKUHARA Toshihiko,TERADA Keiji,NAGAO makoto, et al. Automatic pavement-distress-survey system[J]. Journal of Transportation Engineering, 1990, 116(3):280.

[2]WANG K C P. Designs and implementations of automated systems for pavement surface distress survey[J]. Journal of Infrastructure Systems, 2000, 6(1):24.

[3]MATE Sr?en. Automatic road analyzer-ARAN[J]. Gradevinar, 2002, 54(5):275.

[4]孫波成. 基于數(shù)字圖像處理的瀝青路面裂縫識(shí)別技術(shù)研究[D]. 成都:西南交通大學(xué),2014.

[5]郝靈恩. 多功能道路檢測(cè)車發(fā)展綜述[J]. 四川水泥, 2017(2):136.

[6]高飛. 道路綜合信息采集系統(tǒng)的研究與實(shí)現(xiàn)[D]. 西安:長(zhǎng)安大學(xué), 2009.

[7]啜二勇. 國(guó)內(nèi)路面自動(dòng)檢測(cè)系統(tǒng)研究歷程及展望[J]. 中國(guó)高新技術(shù)企業(yè), 2009(19):195.

[8]張娟, 沙愛(ài)民, 孫朝云,等. 路面裂縫自動(dòng)識(shí)別的圖像增強(qiáng)技術(shù)[J]. 中外公路, 2009, 29(4):301.

[9]CHENG H D, CHEN J R, GLAZIER C, et al. Novel approach to pavement distress detection based on fuzzy set theory[J]. Journal of Computing in Civil Engineering, 1999, 13(4):270.

[10]高建貞, 任明武, 唐振民,等. 路面裂縫的自動(dòng)檢測(cè)與識(shí)別[J]. 計(jì)算機(jī)工程, 2003, 29(2): 149.

[11]WU Jinhui, ZHAO Maotai, WU Bo. Improved pavement distress detection based on contourlet transform and multi-direction morphological structuring elements[J]. Advanced Materials Research, 2012, 466:371.

[12]陳利利. 基于多尺度圖像分析的路面病害檢測(cè)方法研究與分析[D]. 南京:南京理工大學(xué), 2009.

[13]閆茂德,伯紹波,李雪,等.一種自適應(yīng)模糊的局部區(qū)域圖像增強(qiáng)算法[C]//第二十六屆中國(guó)控制會(huì)議論文集.北京:北京航空航天大學(xué)出版社,2007:308-311.

[14]歐陽(yáng)琰, 陳先橋, 初秀民. 路面破損圖像的模糊增強(qiáng)方法研究[J]. 計(jì)算機(jī)工程與應(yīng)用, 2012, 46(10):184.

[15]鄧若曦, 王展青. 基于小波變換的路面破損圖像降噪增強(qiáng)算法[J]. 武漢理工大學(xué)學(xué)報(bào)(信息與管理工程版), 2013, 35(5):678.

[16]ZUO Y, WANG G, ZUO C. Wavelet packet denoising for pavement surface cracks detection.[C]// International Conference on Computational Intelligence and Security. Suzhou:IEEE, 2008:481-484.

[17]王興建, 秦國(guó)鋒, 趙慧麗. 基于多級(jí)去噪模型的路面裂縫檢測(cè)方法[J]. 計(jì)算機(jī)應(yīng)用, 2010, 30(6):1606.

[18]王澍.復(fù)雜背景下路面裂縫圖像自動(dòng)檢測(cè)與識(shí)別算法研究[D]. 武漢:武漢工程大學(xué), 2013.

[19]KIRSCHKE K R, VELINSKY S A. Histogram-based approach for automated pavement-crack sensing[J]. Journal of Transportation Engineering, 1992, 118(5):700.

[20]SIRIPHAN J. Development of a new digital pavement image processing algorithm for unified crack index computation[D]. Utah:The University of Utah, 1997.

[21]CHENG H D, SHI X J, GLAZIER C. Real-time image thresholding based on sample space reduction and interpolation approach[J]. Journal of Computing in Civil Engineering, 2003, 17(4):264.

[22]KATAKAM N. Pavement crack detection system through localized thresholding[D]. Toledo:The University of Toledo, 2009.

[23]姜吉榮. 基于圖像分析的路面裂縫檢測(cè)方法與識(shí)別研究[D]. 南京:南京郵電大學(xué), 2016.

[24]SHAH S. Automatic cell image segmentation using a shape classification model[C]//Proceeding of LAPR Conference on Machine Vision Applications. Tokyo: Machine Vision Applications, 2007:428-432.

[25]WANG Hua, ZHU Ning, WANG Qi. Segmentation of pavement cracks using differential box-counting approach[J]. Journal of Harbin Institute of Technology, 2007, 39(1):142.

[26]張娟, 沙愛(ài)民, 孫朝云,等. 基于相位編組法的路面裂縫自動(dòng)識(shí)別[J]. 中國(guó)公路學(xué)報(bào), 2008, 21(2):39.

[27]瞿中, 林麗丹, 郭陽(yáng). 形態(tài)學(xué)與區(qū)域延伸相結(jié)合的圖像裂縫檢測(cè)算法研究[J]. 計(jì)算機(jī)科學(xué), 2014, 41(11):297.

[28]OLIVEIRA H, CORREIA P L. CrackIT-An image processing toolbox for crack detection and characterization[C]//IEEE International Conference on Image Processing (ICIP). Paris:IEEE, 2014:798-802.

[29]SORNCHAREAN S, PHIPHOBMONGKOL S. Crack detection on asphalt surface image using enhanced grid cell analysis[C]//Proceedings of the 4th IEEE International Symposium on Electronic Design, Test and Applications. Hong Kong:IEEE, 2008: 49-54.

[30]MIGUEL G, DAVID B, OSCAR M, et al. Adaptive road crack detection system by pavement classification[J]. Sensors, 2011, 11(10):9628.

[31]郭陽(yáng). 改進(jìn)滲流模型的混凝土路面圖像裂縫檢測(cè)算法研究[D]. 重慶:重慶郵電大學(xué), 2016.

[32]LEE JUN S, CHOI Il-Yoon, LEE Hee-Up，et al.隧道檢測(cè)系統(tǒng)及其在韓國(guó)高速鐵路隧道的應(yīng)用[J]. 中國(guó)鐵道科學(xué), 2004, 25(3):21.

[33]趙海偉. 路面裂縫三維檢測(cè)算法研究[D]. 西安:長(zhǎng)安大學(xué), 2015.

[34]YU S N, JANG J H, HAN C S. Auto inspection system using a mobile robot for detecting concrete cracks in a tunnel[J]. Automation in Construction, 2007(16):255.

[35]肖書(shū)安. 隧道測(cè)量技術(shù)的發(fā)展新方向：隧道掃描技術(shù)在德國(guó)紐倫堡—英戈施塔特高速鐵路竣工測(cè)量中的應(yīng)用[C]//2006中國(guó)高速鐵路隧道國(guó)際技術(shù)交流會(huì)論文集. 北京:中國(guó)鐵道出版社，2006:653-657.

[36]LEUNG C K Y, WAN K T, INAUDI D, et al. Review: optical fiber sensors for civil engineering applications[J]. Materials & Structures, 2015, 48(4):871.

[37]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.

[38]成艷枝. 基于圖像處理的隧道襯砌裂縫檢測(cè)系統(tǒng)設(shè)計(jì)與研究[D]. 太原:太原理工大學(xué), 2015.

[39]亓大鵬. 地鐵隧道圖像數(shù)據(jù)分析系統(tǒng)[D]. 北京:北京交通大學(xué), 2016.

[40]BISWAS P, SUFIAN S A, MYNUDDIN M. Deblurring. Images using a Wiener filter [J]. International Journal of Computer Applications, 2015, 109(7):36.

[41]鐘濤, 張建國(guó), 左俊彥. 一種改進(jìn)的中值濾波算法及其應(yīng)用[J]. 云南大學(xué)學(xué)報(bào)(自然科學(xué)版), 2015, 37(4):505.

[42]李晉惠. 公路路面裂縫類病害圖像處理算法研究[J]. 計(jì)算機(jī)工程與應(yīng)用, 2003, 39(35):212.

[43]GAN Shuwei, WANG Shoudong, CHEN Yangkang, et al. Separation of simultaneous sources using a structural-oriented median filter in the flattened dimension[J]. Computers & Geosciences, 2016, 86(C):46.

[44]朱磊, 徐佩霞. 一種倒數(shù)加權(quán)的窗口自適應(yīng)鄰域圖像濾波算法[J]. 測(cè)控技術(shù), 2006, 25(5):33.

[45]朱其剛. 基于像素特征的路面裂縫圖像自適應(yīng)濾噪[J]. 山東師范大學(xué)學(xué)報(bào)(自然科學(xué)版), 2005, 20(3):37.

[46]劉曉瑞, 謝雄耀. 基于圖像處理的隧道表面裂縫快速檢測(cè)技術(shù)研究[J]. 地下空間與工程學(xué)報(bào), 2009, 5(S2):1624.

[47]MUDULI P R, PATI U C. A novel technique for wall crack detection using image fusion[C]//2013 International Conference on Computer Communication and Informatics (ICCCI). Coimbatore:IEEE, 2013:1-6.

[48]王耀東, 余祖俊, 白彪,等. 基于圖像處理的地鐵隧道裂縫識(shí)別算法研究[J]. 儀器儀表學(xué)報(bào), 2014, 35(7):1489.

[49]朱鑫. 隧道結(jié)構(gòu)表面病害特征快速檢測(cè)研究[D]. 成都:西南交通大學(xué), 2014.

[50]AMHAZ R, CHAMBON S, IDIER J, et al. Automatic crack detection on two-dimensional pavement images: an algorithm based on minimal path selection[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 17(10):2718.

[51]劉學(xué)增, 葉康. 隧道襯砌裂縫的遠(yuǎn)距離圖像測(cè)量技術(shù)[J]. 同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版), 2012, 40(6):829.

[52]王春薇. 隧道裂縫圖像智能匹配與變化趨勢(shì)檢測(cè)算法研究[D]. 北京:北京交通大學(xué), 2017.

[53]陳瑤,梅濤,王曉杰,等. 基于爬壁機(jī)器人的橋梁裂縫圖像檢測(cè)與分類方法[J]. 中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào), 2016, 46(9):788.

[54]OH J K, JANG G, OH S, et al. Bridge inspection robot system with machine vision[J]. Automation in Construction, 2009, 18(7):929.

[55]鄒大鵬, 吳百海, 賴亞勇,等. 智能視頻橋梁檢測(cè)車工作臂超聲探障系統(tǒng)研究[J]. 機(jī)床與液壓, 2010, 38(13):74.

[56]YANG Y S, YANG C M, HUANG C W. Thin crack observation in a reinforced concrete bridge pier test using image processing and analysis[J]. Advances in Engineering Software, 2015, 83:99.

[57]曾凌, 李紹彬. 三維激光掃描的龍腦橋裂縫檢測(cè)技術(shù)[J]. 激光雜志, 2017, 38(2):13.

[58]張維峰, 劉萌, 楊明慧. 基于數(shù)字圖像處理的橋梁裂縫檢測(cè)技術(shù)[J]. 現(xiàn)代交通技術(shù), 2008, 5(5):34.

[59]尹周平, 宋俊, 余其競(jìng),等. 一種混凝土橋梁底面裂縫檢測(cè)裝置:中國(guó), CN201110094062.X [P]. 2011-11-16.