何國(guó)華, 劉新根,陳瑩瑩,楊 俊，鐘 北

(1. 貴州高速公路集團(tuán)有限公司，貴州 貴陽(yáng) 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(chǔ)設(shè)施安全檢測(cè)與養(yǎng)護(hù)裝備工程技術(shù)研究中心，上海 200092)

0 引 言

截止2016年底，全國(guó)公路隧道為15 181處/14 039 km，其中特長(zhǎng)隧道815處/3 622 km，長(zhǎng)隧道3 520處/6 045 km。隨著我國(guó)西南地區(qū)的高速公路的快速發(fā)展以及國(guó)家“一帶一路”的發(fā)展戰(zhàn)略，我國(guó)的高速公路隧道建設(shè)及運(yùn)營(yíng)規(guī)模仍有巨大的發(fā)展空間。公路隧道在建設(shè)及營(yíng)運(yùn)過(guò)程中，由于隧道穿越復(fù)雜地質(zhì)環(huán)境、設(shè)計(jì)參數(shù)不匹配、施工質(zhì)量問(wèn)題等因素影響，隧道滲漏水、開裂、錯(cuò)臺(tái)、材料劣化、剝落剝離等病害突出，對(duì)隧道使用性能和正常運(yùn)營(yíng)構(gòu)成了極大的安全隱患，為保證隧道運(yùn)營(yíng)安全，須定期或不定期進(jìn)行檢查和維護(hù)。

傳統(tǒng)的公路隧道檢測(cè)方式多以人工巡檢或人工測(cè)量為主，存在速度慢、耗時(shí)、效率差，成本高，對(duì)作業(yè)人員技術(shù)要求高，不能準(zhǔn)確表達(dá)和記錄病害的形態(tài)和性質(zhì)，單點(diǎn)測(cè)量，檢測(cè)數(shù)據(jù)覆蓋性差等諸多缺點(diǎn)。此外，運(yùn)營(yíng)期時(shí)還需要封道檢測(cè)，極易導(dǎo)致交通阻塞。

隨著信息處理技術(shù)和傳感器技術(shù)的進(jìn)步，針對(duì)隧道結(jié)構(gòu)各種病害損傷情況的評(píng)價(jià)，有條件開發(fā)使用各種檢測(cè)儀器。目前，對(duì)于隧道襯砌結(jié)構(gòu)圖像采集，多采用穩(wěn)定性強(qiáng)、拍攝速度快、拍攝精度高的工業(yè)相機(jī)。采用多臺(tái)工業(yè)相機(jī)組成相機(jī)陣列，連續(xù)、快速、非接觸拍攝圖像覆蓋整個(gè)隧道斷面。這將會(huì)產(chǎn)生較大的數(shù)據(jù)量，這就要求檢測(cè)過(guò)程中通過(guò)圖像處理準(zhǔn)確、自動(dòng)識(shí)別病害的位置。

公路智能檢測(cè)車可以高效地檢測(cè)路面病害，路面平整度和車轍檢測(cè)[1]。然而，由于隧道襯砌結(jié)構(gòu)背景的復(fù)雜性，基于圖像進(jìn)行病害處理的技術(shù)相對(duì)困難一些，國(guó)內(nèi)外已經(jīng)開展了不少相關(guān)研究?jī)?nèi)容。

F. ROLI[2]提出了CTA(conditional Texture Anisotropy,簡(jiǎn)稱CTA)測(cè)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(zhǔn)則的路面裂紋檢測(cè)算法，該種算法能夠有效的檢測(cè)出路面裂紋，并通過(guò)后向神經(jīng)網(wǎng)絡(luò)能夠有效的對(duì)裂紋、連接線縫及橋接縫進(jìn)行有效的分類及識(shí)別；并基于公路裂縫的連續(xù)性及裂縫灰度級(jí)較低的特性提出了一種快速高效的裂縫檢測(cè)方法，該方法能夠檢測(cè)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(dòng)態(tài)閾值選擇及非重疊的裂縫分塊圖像熵的裂縫檢測(cè)分類方法，該方法能夠在一定程度上對(duì)水平裂縫路面、豎直裂縫路面、雜亂裂縫路面及完好路面進(jìn)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(lái)進(jìn)行使用。劉學(xué)增等[6]以隧道襯砌滲漏水面積為檢測(cè)目標(biāo),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(duì)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(dòng)態(tài)檢測(cè)軟件系統(tǒng)開發(fā)奠定基礎(chǔ)。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(dòng)識(shí)別方法。王耀東等[9]提出了一種全局與局部相結(jié)合的預(yù)處理算法，以及基于連通區(qū)域的多級(jí)濾波算法，能較好地實(shí)現(xiàn)地鐵隧道表面裂縫的檢測(cè)。朱力強(qiáng)等[10]利用Mask勻光等預(yù)處理算法改善隧道圖像的質(zhì)量，而后基于模板、Hough變換、SVM等分析方法對(duì)隧道表面裂縫圖像各成分進(jìn)行提取分析，提升了裂縫圖像識(shí)別準(zhǔn)確度。

1 裂縫圖像識(shí)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(yán)重程度不同，其長(zhǎng)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(huì)導(dǎo)致裂縫圖像顏色的變化，但總的來(lái)說(shuō)，裂縫圖像比正常混凝土表面的暗。代表裂縫的像素?cái)?shù)量遠(yuǎn)遠(yuǎn)小于代表背景的像素?cái)?shù)量。正常表面的灰度值與裂縫的灰度值有部分重疊。對(duì)于由CCD攝像機(jī)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(gè)頻率低幅值高的信號(hào)[2]?；诹芽p的狹長(zhǎng)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(zhǎng)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(gè)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(jié)構(gòu)特征為狹長(zhǎng)形。

CTA測(cè)度主要融合了以下3方面的裂縫特征：①裂縫處灰度級(jí)較周圍要低；②裂縫往往具有細(xì)長(zhǎng)連續(xù)的特點(diǎn)；③裂縫在每一處均具有一個(gè)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(gè)方向上呈現(xiàn)出連續(xù)性等特征進(jìn)行裂縫檢測(cè)，檢測(cè)流程如下。

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

步驟2)：由于實(shí)際隧道環(huán)境多變、補(bǔ)光等問(wèn)題，會(huì)導(dǎo)致圖像光照不均勻；設(shè)定閾值無(wú)法滿足圖像的多變性等問(wèn)題，需將圖像進(jìn)行分塊處理。經(jīng)過(guò)大量實(shí)驗(yàn)發(fā)現(xiàn)，將區(qū)域設(shè)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(jì)算圖像的CTA值，依據(jù)裂縫在圖像中像素?cái)?shù)較少，且裂縫上的CTA值較大這一特點(diǎn)，利用CTA值概率密度分布函數(shù)，將累計(jì)分布值大于th(th一般設(shè)為0.75)的設(shè)為1，否則設(shè)為0，記為CTA_ROI。

步驟4)：利用Sobel邊緣檢測(cè)方法，獲取ROI區(qū)域內(nèi)圖像的邊緣，裂縫實(shí)際上亦為狹長(zhǎng)型區(qū)域病害，而邊緣檢測(cè)只獲取邊界，而CTA值計(jì)算得到的是整個(gè)區(qū)域，若要將兩者進(jìn)行比較，需要將邊緣檢測(cè)結(jié)果進(jìn)行形態(tài)學(xué)膨脹，其形態(tài)學(xué)結(jié)構(gòu)元尺寸可通過(guò)計(jì)算裂縫邊界寬度來(lái)獲取。通過(guò)膨脹后圖像記為Sobel_ROI。

步驟5)：計(jì)算CTA_ROI和Sobel_ROI的相關(guān)性，相關(guān)性計(jì)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(diǎn)統(tǒng)計(jì)和。

步驟6)：若步驟5)中計(jì)算的coef > th2，將ROI區(qū)域的值設(shè)為CTA_ROI，反之為0(即目標(biāo)為1，背景色為0)。其中th2的值通常設(shè)為0.5，這是由于當(dāng)背景復(fù)雜時(shí)，若th2的值較大，將會(huì)濾掉病害信息，對(duì)病害識(shí)別造成嚴(yán)重的影響；同時(shí)將子圖像包含目標(biāo)較小的區(qū)域也設(shè)為0。

步驟7)：根據(jù)步驟2)中設(shè)置的區(qū)域尺寸大小，對(duì)Image進(jìn)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(jìn)一步處理。首先，獲取每個(gè)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(diǎn)，將區(qū)域分段，獲取其長(zhǎng)度和寬度，若長(zhǎng)度較短或長(zhǎng)寬比較小，即可認(rèn)為不是裂縫；然后，利用裂縫比正?；炷帘砻姘?、灰度變化較快這一特點(diǎn)，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(diǎn)，將管線等線性干擾去除。

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

圖1為裂縫圖像檢測(cè)識(shí)別流程，圖2為具體的識(shí)別過(guò)程。

圖1 裂縫圖像檢測(cè)識(shí)別流程Fig. 1 Crack image detection identification flowchart

圖2 裂縫圖像識(shí)別效果1Fig. 2 Crack image recognition effect 1

圖2詳細(xì)地展示了裂縫識(shí)別的每個(gè)步驟，圖2(b)為分塊處理效果，圖2(c)展示了3個(gè)不同區(qū)域的分塊處理結(jié)果，其中1為平坦背景，2為強(qiáng)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(cè)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(jié)構(gòu)。圖2(d)和圖2(e)為步驟8)的處理效果。同時(shí)在圖2(g)～圖2(J)中展示了全局canny邊緣檢測(cè)效果、大津律法自動(dòng)分割效果、全局sobel邊緣檢測(cè)效果和全局CTA分割效果，實(shí)驗(yàn)表明，采用分塊處理，將CTA測(cè)度算法和Sobel邊緣結(jié)合，再利用裂縫本身特征，可準(zhǔn)確識(shí)別裂縫。圖2(f)以及圖3～圖4為筆者提出方法的識(shí)別效果，結(jié)果表明筆者提出算法比其他方法更加準(zhǔn)確。

圖3 裂縫圖像識(shí)別效果2Fig. 3 Crack image recognition effect 2

圖4 裂縫圖像識(shí)別效果3Fig. 4 Crack image recognition effect 3

2 滲漏水圖像識(shí)別

隧道滲漏水特征主要包括了以下幾個(gè)方面：①由于滲漏水的擴(kuò)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(duì)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(kuò)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(diǎn)，并根據(jù)特征3可知，滲漏水區(qū)域的像素相對(duì)于未污染的區(qū)域，體現(xiàn)著較明顯方向性。對(duì)于未污染區(qū)域的任何一個(gè)像素而言，考慮其所在位置的m個(gè)方向上的信息，對(duì)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(qiáng)的一致性，故在各個(gè)方向上均具有較相近的性能(此處所說(shuō)的相近性能是指：該像素的方向性在該m個(gè)方向上均具有相近的概率值)。依據(jù)滲漏水圖像的3個(gè)特征，采用改進(jìn)的CTA算法對(duì)圖像滲漏水區(qū)域進(jìn)行快速識(shí)別，識(shí)別方法如下：

1)計(jì)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(xì)節(jié)增強(qiáng)圖像。

2)提取圖像中的某個(gè)像素點(diǎn)P，考慮以該像素點(diǎn)為中心，取半幅寬為d，以2×d+1為邊長(zhǎng)的正方形區(qū)域，分別考慮m個(gè)方向(可取0°、45°、90°、135°)上包含在正方形以內(nèi)的像素點(diǎn)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(jìn)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?qū)崿F(xiàn)對(duì)非滲漏水區(qū)域與滲漏水區(qū)域的分割。

①在區(qū)域檢測(cè)時(shí)，我們修改了CTA值的形成準(zhǔn)則，改寫為

(3)

(4)

其中：

(5)

(6)

(7)

(8)

(9)

當(dāng)前像素P具有較強(qiáng)方向性時(shí)，則min(P(Xl))值所相應(yīng)的方向即為當(dāng)前像素的方向，且該值較小，同時(shí)方差較大，則該像素的CTA值較??；若當(dāng)前像素P不具有較強(qiáng)的方向性，則min(P(Xl))值較大，與此同時(shí)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(dòng)態(tài)地調(diào)整平均特征屬性，可完成對(duì)區(qū)域分割，并且不存在對(duì)圖像全局特征屬性的依賴。

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

4)對(duì)CTA閾值處理后的圖像進(jìn)行形態(tài)學(xué)處理，去除面積較小的雜點(diǎn)，對(duì)邊界進(jìn)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(shí)別效果如圖5～圖7。

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

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

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

圖5(e)展示了改進(jìn)CTA算法的處理結(jié)果。改進(jìn)后的CTA圖像，邊界值較小(二值圖為0)，通過(guò)大量的實(shí)驗(yàn)表明，采用改進(jìn)的CTA算法，不需要設(shè)定閾值，即可獲取滲漏水的邊界，且可以過(guò)濾邊界不夠明顯的區(qū)域。

筆者研究成果已集成于同濟(jì)曙光公路隧道檢測(cè)車數(shù)據(jù)處理系統(tǒng)中，處理超過(guò)3 000萬(wàn)張圖片，病害有效識(shí)別率達(dá)80%以上。

3 結(jié) 論

筆者基于數(shù)字圖像分析技術(shù)，給出了隧道結(jié)構(gòu)快速檢測(cè)車的數(shù)據(jù)采集方法與隧道結(jié)構(gòu)表觀病害的圖像識(shí)別算法，得出以下結(jié)論：

1)數(shù)字圖像處理技術(shù)為公路隧道結(jié)構(gòu)表觀病害快速自動(dòng)化識(shí)別檢測(cè)提供了一種新的途徑。

2)隧道襯砌裂縫的圖像檢測(cè)能夠?qū)崿F(xiàn)大部分裂縫的自動(dòng)檢測(cè)，但由于復(fù)雜背景干擾，也可能存在誤檢情況，因此在未來(lái)實(shí)際應(yīng)用中的后續(xù)算法需要持續(xù)改進(jìn)。

3)基于改進(jìn)CTA算法，滲漏水檢測(cè)算法執(zhí)行效率較高，檢測(cè)區(qū)域較好，有效解決了隧道襯砌滲漏水區(qū)域的自動(dòng)檢測(cè)問(wèn)題。在實(shí)際工程中，對(duì)于滲漏水區(qū)域灰度圖像的灰度值范圍值，可以通過(guò)預(yù)先控制補(bǔ)償光照強(qiáng)度來(lái)保證滲漏水區(qū)域灰度圖像的灰度值處于某個(gè)指定的范圍。