欒星

摘 要：蜂窩麻面是橋梁病害的重要表現(xiàn)形式之一，目前關(guān)于蜂窩麻面的自動(dòng)識(shí)別檢測(cè)技術(shù)比較有限。本文采用圖像處理的方法對(duì)其進(jìn)行分析。首先可能需要對(duì)圖像大小進(jìn)行調(diào)整，然后根據(jù)預(yù)先設(shè)定的尺寸將圖像劃分成多個(gè)小圖像塊，將每個(gè)圖像塊轉(zhuǎn)換為灰度圖像，從中選取一些圖像塊作為樣本進(jìn)行訓(xùn)練學(xué)習(xí)，采用灰度共生矩陣的方法提取每個(gè)小圖像塊的紋理結(jié)構(gòu)特征，計(jì)算有缺陷樣本與無(wú)缺陷樣本間的平均歐氏距離，然后根據(jù)歐氏距離閾值對(duì)小圖像塊是否有蜂窩麻面等缺陷做出判斷，并計(jì)算缺陷面積。結(jié)果表明，該方法對(duì)缺陷的位置識(shí)別及面積計(jì)算都比較準(zhǔn)確。

關(guān)鍵詞：圖像劃分;灰度化;灰度共生矩陣;紋理結(jié)構(gòu)特征;歐氏距離;位置識(shí)別

Flaw Detection of Concrete Surface Based on Image Processing

LUAN Xing

（China Telecom Co.， Ltd. Hubei Branch， Wuhan， Hubei? Province ，430000 China）

Abstract：Flaw is one of the important manifestations of bridge disease. At present， the automatic detection technology of flaw is limited and it is analyzed by image processing method. First， it may be necessary to adjust the image size and then divide it into a plurality of small image blocks according to a preset size.Each image block is transformed into a grayscale image and some image blocks are selected as training samples. The texture structure of each small image block is extracted by gray level co-occurrence matrix method.Calculating the average Euclidean distance between the defective samples and the defect-free samples and judging whether the? image block has flaw according to it and then calculating the flaw area.The results show that the method is accurate to identify the location and area of the flaw.

Key words：Image division; Grayscale; Gray level co-occurrence matrix; Texture structure; Euclidean distance; Identify location

隨著經(jīng)濟(jì)的發(fā)展，觀念的更新，標(biāo)準(zhǔn)的提高，人們對(duì)混凝土工程外觀質(zhì)量要求愈來(lái)愈高，很多工程質(zhì)量評(píng)定的重要指標(biāo)中都包含了混凝土外觀質(zhì)量。對(duì)混凝土外觀質(zhì)量評(píng)價(jià)方法的要求在不斷更新和提高，而目前國(guó)內(nèi)主要采用人工檢測(cè)的方法對(duì)混凝土外觀質(zhì)量進(jìn)行測(cè)評(píng)，因此研究一種新的測(cè)評(píng)方法，使混凝土外觀質(zhì)量測(cè)評(píng)變得更加便捷、可靠非常有必要。

本文主要對(duì)混凝土表面蜂窩麻面進(jìn)行研究[1]，采用模式識(shí)別和圖像處理技術(shù)對(duì)表觀缺陷進(jìn)行識(shí)別檢測(cè)[2]，重點(diǎn)在于混凝土外觀缺陷圖像劃分和每個(gè)小圖像塊的紋理特征提取[3]，從而對(duì)有缺陷圖像塊進(jìn)行識(shí)別檢測(cè)。表面蜂窩、麻面、孔洞的識(shí)別是在灰度圖像的條件下進(jìn)行劃分，然后分別提取每個(gè)小圖像塊0度、90度、45度、135度等4個(gè)方向灰度共生矩陣的反差、能量、熵、相關(guān)性等4個(gè)特征值，每個(gè)方向可以獲得4個(gè)特征值，4個(gè)方向一共16個(gè)特征值，構(gòu)成特征向量，從劃分后的小圖像塊中挑選具有代表性、一定數(shù)量的缺陷圖像和無(wú)缺陷圖像，分別計(jì)算有缺陷圖像與無(wú)缺陷圖像特征向量間的平均歐氏距離[4]，分別計(jì)算其他圖像塊與這些無(wú)缺陷圖像塊之間的平均歐氏距離，如果，則認(rèn)為該圖像塊中有缺陷，否則無(wú)缺陷。本文算法對(duì)缺陷位置識(shí)別和面積計(jì)算精準(zhǔn)度都較高。

1 混凝土表面蜂窩麻面的圖像識(shí)別處理

對(duì)混凝土表面蜂窩麻面圖像的分析處理主要包括以下幾個(gè)步驟：調(diào)整圖像尺寸大小、圖像劃分、灰度化、提取特征向量、獲取平均歐氏距離、缺陷識(shí)別檢測(cè)、缺陷面積計(jì)算。

1.1調(diào)整圖像尺寸大小

為了將圖像劃分成多個(gè)同樣大小的圖像塊，有時(shí)需要對(duì)圖像大小進(jìn)行調(diào)整。比如實(shí)驗(yàn)中圖像大小為600x317（像素），如圖1所示，為了方便圖像劃分，將圖像大小調(diào)整為512x256（像素），如圖2所示。

1.2 圖像劃分

按照預(yù)先設(shè)定的尺寸大小以行掃描的方式將圖像劃分[5]成多個(gè)相同大小的小圖像塊。劃分圖像的尺寸大小可以根據(jù)圖像進(jìn)行相應(yīng)地調(diào)整。劃分圖像尺寸越小，劃分的圖像塊越多，運(yùn)算時(shí)間越長(zhǎng);劃分尺寸太大，對(duì)缺陷的位置檢測(cè)精度越低。如果調(diào)整大小后圖像尺寸比較大，圖像劃分尺寸也可以相應(yīng)地大一些;如果調(diào)整大小后圖像尺寸較小，圖像劃分尺寸也可以相應(yīng)地小一點(diǎn)。實(shí)驗(yàn)中劃分圖像的大小為16x16（像素）。

劃分后每個(gè)小圖像塊左上角頂點(diǎn)坐標(biāo)為（），其中，，和根據(jù)式（1）和式（2）計(jì)算可得。

（1）

（2）

其中，、分別表示調(diào)整大小后圖像矩陣的行、列;、分別表示劃分圖像的行、列數(shù)。

1.3 圖像灰度化

灰度共生矩陣的對(duì)象是灰度圖，因此需要對(duì)劃分后的每個(gè)小圖像塊進(jìn)行灰度轉(zhuǎn)換，部分灰度化圖像塊如圖3所示。

1.4 提取特征向量

1.4.1 灰度共生矩陣原理

灰度共生矩陣（Gray Level Co-Occurrence Matrix，GLCM）主要對(duì)圖像的二階組合條件概率密度函數(shù)進(jìn)行估計(jì)，通過(guò)對(duì)紋理基元或局部模式隨機(jī)和空間統(tǒng)計(jì)特征的描述來(lái)表示區(qū)域的一致性、相對(duì)性?；叶裙采仃囍傅氖菆D像中兩個(gè)距離為、方向?yàn)榈南袼攸c(diǎn)在圖像中出現(xiàn)的概率。改變的值可以組合出許多不同的灰度共生矩陣對(duì)圖像灰度級(jí)別的空間分布進(jìn)行分析。

1.4.2 灰度共生矩陣特征量

Haralick 等人在灰度共生矩陣的基礎(chǔ)上根據(jù)紋理的特點(diǎn)提出了4種紋理特征量。

1）能量（Energy，E）：

（3）

其中表示灰度級(jí)數(shù)，Energy體現(xiàn)了圖像灰度分布的均勻程度和紋理的粗細(xì)度。能量越大表明圖像紋理變化規(guī)則且比較穩(wěn)定。

2）熵（Entropy）：

（4）

的隨機(jī)性最大時(shí)，熵最大。因此，熵表明了圖像灰度分布的復(fù)雜程度，熵隨著圖像的復(fù)雜程度呈現(xiàn)出一致的變化。

3）對(duì)比度（Contrast，CON）：

（5）

Inertia Moment，IM），對(duì)比度能夠有效監(jiān)測(cè)圖像反差，提取物體邊緣信息，增強(qiáng)線性構(gòu)造等信息。

4）相關(guān)（Correlation）：

]? （6）

其中，

]? （7）

]? （8）

] （9）

]（10）

相關(guān)對(duì)灰度共生矩陣中行、列元素之間的相似程度進(jìn)行描述，反映了某個(gè)灰度值沿某個(gè)方向的延伸長(zhǎng)度，相關(guān)值隨著延伸長(zhǎng)度的增加越大。因此相關(guān)是對(duì)灰度線性關(guān)系的一種衡量。

紋理特征量還有差商、和熵、方差和、差的方差、均差和等。所有的這些紋理特征量都可以劃分為以下4種類(lèi)型。

表達(dá)可視紋理特征：局部平穩(wěn)性、對(duì)比度、非相似性。

基于信息理論的特征：熵。

基于統(tǒng)計(jì)的特征：均值（Mean）、變化量。能量。

基于相關(guān)度的特征：相關(guān)。

當(dāng)且分別取0度、90度、45度、135度時(shí)，計(jì)算圖像4個(gè)不同方向的灰度共生矩陣及能量、熵、對(duì)比度、相關(guān)等4個(gè)紋理特征量，構(gòu)成16維向量，即特征向量。

1.5 獲取平均歐氏距離

從劃分后的圖像塊中分別選取具有代表性且數(shù)量足夠的無(wú)缺陷圖像塊、有缺陷圖像塊作為無(wú)缺陷樣本、有缺陷樣本。根據(jù)式（11）計(jì)算有缺陷樣本中各圖像塊分別與無(wú)缺陷樣本中所有圖像塊特征向量間的平均歐氏距離，即

（11）

其中，表示缺陷樣本中第個(gè)缺陷圖像塊的第個(gè)特征分量;表示無(wú)缺陷樣本中第個(gè)無(wú)缺陷圖像塊的第個(gè)特征分量;表示特征向量的元素下標(biāo);;;和P分別表示缺陷樣本的樣本個(gè)數(shù)、無(wú)缺陷樣本的樣本個(gè)數(shù);表示缺陷樣本中第個(gè)缺陷圖像塊與無(wú)缺陷樣本的平均歐氏距離。

再根據(jù)式（12）計(jì)算缺陷樣本中所有缺陷圖像塊與無(wú)缺陷樣本中所有圖像塊特征向量間的平均歐氏距離，即

（12）

1.6 缺陷識(shí)別檢測(cè)

在余下的圖像塊中任意選取一些無(wú)缺陷圖像塊、缺陷圖像塊，計(jì)算這些圖像塊與無(wú)缺陷樣本中所有無(wú)缺陷圖像塊特征向量間的平均歐氏距離。根據(jù)數(shù)據(jù)統(tǒng)計(jì)，可以得出一個(gè)規(guī)律：無(wú)缺陷圖像塊與無(wú)缺陷樣本中所有圖像塊特征向量間的平均歐氏距離與相差很大，缺陷圖像塊與無(wú)缺陷樣本中所有圖像塊特征向量間的平均歐氏距離與很接近。根據(jù)這一規(guī)律可以對(duì)劃分后的每一個(gè)圖像塊進(jìn)行識(shí)別[6]檢測(cè)，判斷是否有缺陷。具體做法如下：在劃分后的圖像塊中任意選一個(gè)圖像塊，其特征向量為，根據(jù)式（11）計(jì)算其與無(wú)缺陷樣本中所有圖像塊特征向量間的平均歐氏距離，如果與的比值介于閾值和之間（的值通過(guò)對(duì)樣本的訓(xùn)練學(xué)習(xí)[7]過(guò)程獲得），就認(rèn)為該圖像塊中有缺陷，否則，認(rèn)為該圖像塊中沒(méi)有缺陷，如式（13）所示：

（13）

實(shí)驗(yàn)中檢測(cè)的缺陷圖像塊如圖4所示，然后根據(jù)識(shí)別的小圖像塊坐標(biāo)信息（）在進(jìn)行尺寸調(diào)整的圖像中標(biāo)記出缺陷，如圖5所示。

1.7 缺陷面積計(jì)算

為了利用數(shù)字圖像對(duì)缺陷面積進(jìn)行測(cè)量，需要知道（像素）所代表的實(shí)際面積大小，即像素面積標(biāo)定值[8]。其單位為mm2/pix2。常用的標(biāo)定方法是在被拍攝缺陷附近貼一已知面積的矩形黑色紙條。對(duì)圖像進(jìn)行一些預(yù)處理[9]就可以得到該黑色紙條的像素面積大小，紙條的實(shí)際面積與像素面積的比值就是像素面積的標(biāo)定值。如紙條的實(shí)際面積為900mm2，統(tǒng)計(jì)的像素面積大小為100000pix2，則mm2/pix2

在識(shí)別出缺陷圖像塊后，還可以計(jì)算圖像中缺陷的面積大小，每一個(gè)圖像塊的面積（以像素為單位）大小根據(jù)式（14）計(jì)算可得

（14）

缺陷總面積為

（15）

其中，表示檢測(cè)出的缺陷圖像塊個(gè)數(shù)。缺陷的實(shí)際測(cè)量面積。

2 結(jié)論

為了檢測(cè)混凝土表面蜂窩麻面等缺陷，本文主要進(jìn)行圖像大小調(diào)整、圖像劃分、灰度化等處理，用灰度共生矩陣提取混凝土表面缺陷的紋理結(jié)構(gòu)特征，然后根據(jù)歐氏距離法對(duì)圖像塊進(jìn)行分類(lèi)，本文創(chuàng)新點(diǎn)及主要工作如下。

1）在進(jìn)行相應(yīng)的圖像處理操作前，對(duì)圖像的大小進(jìn)行調(diào)整，方便后面對(duì)圖像的劃分。

2）在對(duì)圖像劃分時(shí)，選取合適的圖像塊尺寸大小非常關(guān)鍵。圖像塊尺寸越小，識(shí)別缺陷位置越準(zhǔn)確，計(jì)算缺陷面積誤差越小，但效率會(huì)下降;圖像塊尺寸越大，效率越高，但缺陷的位置以及缺陷面積的計(jì)算結(jié)果準(zhǔn)確度都會(huì)有所下降。因此，需要根據(jù)劃分前圖像的大小以及對(duì)缺陷識(shí)別檢測(cè)結(jié)果準(zhǔn)確度的要求選擇合適的劃分圖像尺寸。

3）本文以劃分后的圖像塊作為樣本進(jìn)行訓(xùn)練學(xué)習(xí)，解決了樣本問(wèn)題。

4）實(shí)際工程中有時(shí)只需要對(duì)缺陷的位置及大小進(jìn)行估計(jì)，對(duì)精度要求不是太高，本文算法可以滿(mǎn)足工程上的要求。

參考文獻(xiàn)

楚少義，宋偉建，劉凱，譚春.快速無(wú)損綜合法在混凝土襯砌質(zhì)量檢測(cè)中的應(yīng)用[J].山西建筑，2019，45（1）：206-208.

[2] 李畫(huà)，李明晶，李凱，趙雪竹.Mask RCNN模型在路面缺陷檢測(cè)中的應(yīng)用[J].科學(xué)技術(shù)創(chuàng)新，2020（29）：131-132.

[3] 劉光宇，黃懿，曹禹，曾志勇，趙恩銘.基于灰度共生矩陣的圖像紋理特征提取研究[J].科技風(fēng)，2021（12）：61-64.

[4] 李克文，林亞林，楊耀忠.一種改進(jìn)的基于歐氏距離的SDRSMOTE算法[J].計(jì)算機(jī)工程與科學(xué)， 2019， 41（11）：2063-2070.

[5] 楊柳.破損圖像子區(qū)域自適應(yīng)劃分標(biāo)注方法仿真[J].計(jì)算機(jī)仿真， 2019， 36（4）： 461 -464.

劉森森.基于遷移學(xué)習(xí)的橋梁裂縫智能檢測(cè)與識(shí)別[J].信息技術(shù)與信息化， 2021 （7）：233-235.

[7] 陳旭丹，姜男，董麗娜，田衛(wèi)群，吳向菊，曾鵬飛，楊帆.基于深度學(xué)習(xí)YOLO模型的高原山區(qū)瀝青路面病害自動(dòng)識(shí)別[J].公路交通科技（應(yīng)用技術(shù)版），2019，15（11）：75-78.

[8] 阮小麗，王波，荊國(guó)強(qiáng)，季德鈞，王永亮.橋梁混凝土結(jié)構(gòu)表面裂縫自動(dòng)識(shí)別技術(shù)研究[J].世界橋梁，2017，45（6）：55-59.

[9] 黃鶴，梁祺策，羅德安.車(chē)道線檢測(cè)中自適應(yīng)圖像預(yù)處理算法研究[J].測(cè)繪科學(xué)，2021， 46（9）：76-82.