劉 同

（呂梁學(xué)院，山西 呂梁 033001）

0 引言

在中國經(jīng)濟高速增長的過程中，社會也在不斷向現(xiàn)代化的方向發(fā)展，我國城市化建設(shè)不斷推進，城市內(nèi)的建筑數(shù)量不斷增長。即使是在建筑行業(yè)的鼎盛時期，建筑物的質(zhì)量問題也不容忽視，建筑行業(yè)對建筑物的質(zhì)量要求極高，工作人員不斷提高建筑技術(shù)水平，建筑物的結(jié)構(gòu)安全也繼續(xù)提升。在建筑物的缺陷中，裂縫是最常見的一種，一旦建筑物中出現(xiàn)裂縫，就會直接影響房屋結(jié)構(gòu)的防水性和耐久性，其承載力也會相應(yīng)下降。人們在檢測房屋建筑的裂縫數(shù)據(jù)時，通常會使用人工檢測的方法，即目測法。該檢測方法需要檢測調(diào)查人員走到房屋現(xiàn)場，使用儀器設(shè)備測量房屋建筑表面裂縫的寬度、長度等特征值，并進行統(tǒng)計與分析。但是人工檢測的方法速度慢，需要耗費大量的人力物力，由于現(xiàn)階段檢測精度不斷提高，其檢測效果已經(jīng)無法滿足當(dāng)前的檢測需求[1]。隨著高層建筑的興起，人工檢測難度增加，這種檢測方法已經(jīng)很難滿足施工建筑房屋的裂縫檢測需要。為獲取更準(zhǔn)確的裂縫信息，使用機器視覺技術(shù)，獲取建筑結(jié)構(gòu)施工中房屋裂縫的智能檢測方法。

1 基于機器視覺的圖像預(yù)處理

想要獲取準(zhǔn)確的裂縫信息，就要使用高精度的攝像機，得到高質(zhì)量的圖像。但是高分辨率的圖像會攜帶大量的無關(guān)信息，造成數(shù)據(jù)冗余，并導(dǎo)致檢測效率變差。為提高機器視覺方法圖像分析結(jié)果的效率，使用相關(guān)軟件對攝像機所拍攝的圖像進行矯正，并直接灰度化處理。最初，無人機拍攝的初始圖像一般為RGB 的彩色圖像，但是彩色圖像所占用的內(nèi)存比例遠大于黑白圖像，因此需要首先將彩色圖像轉(zhuǎn)換灰度圖[2]。選擇像素中的紅綠藍三個分量，作為對像素進行灰度化處理的加權(quán)均值，如公式（1）所示。

式中：F（i，j）為整體像素的灰度化加權(quán)均值；R（i，j）為圖像內(nèi)紅色分量的灰度值，G（i，j）和B（i，j）分別為房屋裂縫圖像內(nèi)綠色和藍色分量的灰度值。結(jié)合頂帽變換的方式分離圖像背景中的亮度信息，通過中值濾波算法對拍攝圖像進行平滑處理，避免背景噪點過大導(dǎo)致圖像預(yù)處理失敗。在獲取二值圖像的過程中，高閾值的邊緣像素通常都具備最小的灰度等級，一階梯度算子可以通過梯度銳化的方法，結(jié)合圖像灰度變化曲線對圖像進行邊界定位[3]。在Roberts 算子的作用下，突出對圖像對象邊緣信息，計算圖像灰度變化效果下的二階導(dǎo)數(shù)，劃定灰度突變的待測區(qū)域，得到圖像裂縫中的的紋理結(jié)構(gòu)。在提取圖像邊界信息的過程中，設(shè)定裂縫區(qū)域像素值為1，非裂縫區(qū)域像素值為0，得到裂縫區(qū)域的邊界點如圖1 所示。

圖1 裂縫像素邊界

如圖1 所示，結(jié)合邊界提取算法，可以得到灰色區(qū)域的內(nèi)部信息。在濾波降噪的基礎(chǔ)上，搜索圖像像素的相鄰區(qū)域，計算單一像素的灰度值，并通過公式求取其平均灰度值。如果圖像中的某個像素點可以作為鄰域集合的形式，則其平均灰度值計算如公式（2）所示。

式中：p（x，y）為某像素點經(jīng)過平均值計算后的灰度值；f（x，y）為建筑結(jié)構(gòu)施工條件下，某裂縫邊界中心點的灰度值；Mn為像素數(shù)量。這種圖像預(yù)處理的方法簡單快捷，不但節(jié)省時間，而且可以集中保護圖像中的細節(jié)信息。因此可以通過干擾噪聲點的方式，保證圖像灰度值的平和穩(wěn)定。

對裂縫區(qū)域邊界信息進行量化操作，獲取像素值，以保證浮點數(shù)的計算。為解決量化偏移問題，需要將提取得到的特征數(shù)據(jù)輸入掩模分支中，將圖像中的對象進行多層次分割，并提取其特征映射系數(shù)。對兩個相鄰的像素點進行線性插值處理，如公式（5）所示。

式中：k（x，y）為上述兩個相鄰像素點的線性插值；（x1，y1）為第一個內(nèi)插值的點坐標(biāo)，（x2，y2）為第二個內(nèi)插值的點坐標(biāo)；xi為最合適的插值像素；yn和ym則為對應(yīng)區(qū)域像素單元的中心點坐標(biāo)。對4 個采樣點的灰度值進行賦值處理，其中存在低分辨率的過濾效果。在區(qū)域內(nèi)生成一個小型的神經(jīng)網(wǎng)絡(luò)，尋找目標(biāo)區(qū)域，并生成候選背景。當(dāng)函數(shù)判斷該候選框為目標(biāo)區(qū)域時，就會有效提取重復(fù)特征，進而提高識別效率。

2 建筑結(jié)構(gòu)施工中防誤裂縫識別方法

結(jié)合經(jīng)過預(yù)處理的圖像信息，可以得到一個容量較小，且清晰直接的灰度圖像，此時就可以通過神經(jīng)網(wǎng)絡(luò)對房屋裂縫進行智能檢測與識別。卷積神經(jīng)網(wǎng)絡(luò)一般通過輸入層、隱含層和輸出層3 個部分構(gòu)成。在輸入層中，算法提取外部信息，并結(jié)合分類標(biāo)簽對其進行接收與傳遞。在最后的輸出層，信息通過隱含層處理后的結(jié)果會直接得到一個分類標(biāo)簽，通過機器視覺提供的圖像信息，得到像素的識別結(jié)果與分類。最中間的隱含層則是一個位于輸入層與輸出層之間的處理機制，隱含層最本質(zhì)的最用就是處理通過輸入層傳遞進來的圖像信息，使其能夠成為可以被機器識別的結(jié)構(gòu)，這一層也是神經(jīng)網(wǎng)絡(luò)中神經(jīng)元最集中的區(qū)域[5]。相鄰的神經(jīng)元彼此連接，在激活機制的作用下，對圖像信息進行處理。

在隱含層中，主要包括卷積層、池化層、激活函數(shù)層以及全連接層4 個主要結(jié)構(gòu)。卷積層最主要的功能是提取輸入信息，并通過特征降維的方式，重新劃分屬性權(quán)值參數(shù)。卷積層的權(quán)值參數(shù)可以通過卷積核大小、步長和填充三種方式來決定，結(jié)合輸出特征圖的特性，獲取檢測技術(shù)下正式卷積核的超參數(shù)大小。當(dāng)輸入圖像的大小為m×n時，輸出圖像，如公式（3）所示。

式中：F（x）為輸出圖像的大?。籏p為待填充的圖像尺寸；fp為卷積核大?。籇s為房屋裂縫檢測的步長。當(dāng)F（x）為一個整數(shù)時，可以得到輸出圖像的結(jié)果。池化層則是一個居于卷積層內(nèi)部，通過特征提取獲得特征圖，并進行信息過濾的結(jié)構(gòu)。在預(yù)設(shè)的池化函數(shù)之間，可以將現(xiàn)有的特征結(jié)果替換為完整的統(tǒng)計量。在激活函數(shù)層，其函數(shù)表達式如公式（4）所示。

式中：p（x）為結(jié)合線性模型的激活函數(shù)；x為像素點權(quán)值。在全連接層內(nèi)，卷積層與池化層均能夠得到非線性組合下的提取特征，并通過神經(jīng)元與外部的連接機制，獲取傳遞后的輸出值。此時通過判別機制，就可以得到建筑結(jié)構(gòu)施工中防誤裂縫的識別結(jié)果。

3 試驗研究

3.1 試驗準(zhǔn)備與過程

為驗證基于機器視覺的建筑結(jié)構(gòu)施工房屋裂縫智能檢測方法的有效性，設(shè)計下列試驗。為獲取圖像樣本，需要拍攝具備裂縫的房屋墻面圖像，但是原始的房屋裂縫樣本在實際中很少見到，因此可以在實驗室內(nèi)使用模擬工具模擬墻體開裂，將遮光布作為墻面裂縫的背景，將白色硬質(zhì)紙殼作為模擬墻面的背景，使用攝像機作為機器視覺圖片的拍攝工具。為保證卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果的準(zhǔn)確性，圖像數(shù)據(jù)的尺寸大小需要統(tǒng)一，在該攝像機中選擇照片的分辨率為4032×2268。如果分辨率過大，會導(dǎo)致圖像預(yù)處理時的信息量超出額定值，而導(dǎo)致圖像處理失敗，如果分辨率過小，就會出現(xiàn)房屋裂縫的細節(jié)信息不足以及智能檢測方法精度不夠的情況。使用裂縫顯微鏡、激光測距儀、鋼卷尺作為對裂縫長度輔助測量的工具。在試驗中，首先將黑色遮光布固定在墻面上，將白色硬質(zhì)紙殼覆蓋在黑色遮光布上。使用剪刀通過特定的軌跡在白色硬質(zhì)紙殼上剪開一道縫隙，作為模擬環(huán)境下的墻體裂痕。為保證試驗結(jié)果準(zhǔn)確無誤，設(shè)置4 個墻體裂縫模型，如圖2 所示。

圖2 墻體裂縫設(shè)置

使用激光測距儀確定攝像機的拍攝距離，并在上述四道裂縫中分別布置測點。在裂縫A、裂縫B、裂縫C、裂縫D 中分別設(shè)置四個測點，記做A1、A2、A3、A4，B1、B2、B3、B4，C1、C2、C3、C4，D1、D2、D3、D4。在試驗中，計算機需要保證處理器和顯卡的性能，內(nèi)存需要使用32G，存儲空間則需要至少1TB 的機械硬盤。在訓(xùn)練測試集時，計算機使用Windows 操作系統(tǒng)。

3.2 裂縫提取結(jié)果

使用高精度的攝像機拍攝的圖像容量過大，因此需要使用機器視覺技術(shù)對圖2 中的墻體裂縫進行提取，得到如圖3所示的圖像結(jié)果。

在該智能檢測技術(shù)中，雖然圖像由2MB 壓縮至50 KB 左右，但是仍然最大程度地保留了裂縫信息。整理試驗數(shù)據(jù)，可以得到四道裂縫下的測點部位的測量值，見表1。

如表1 所示，在不同的墻體裂縫下，攝像機拍攝圖片的距離不同，其中裂縫A 的攝像機距離墻體裂縫的距離為336mm，是4 個試驗中最近的一個。裂縫B、裂縫C、裂縫D下，攝像機距離墻體的距離分別為568mm、748mm、669mm。通過裂縫顯微鏡和鋼卷尺對裂縫標(biāo)記部位進行寬度測量，得到實測值，并通過圖3 中的提取圖像獲取裂縫寬度信息，作為提取值。

表1 裂縫提取測量值

圖3 裂縫提取圖像

計算提取值與實測值之間的絕對誤差，使用實測值減去提取值，得到試驗結(jié)果。裂縫A 的4 個標(biāo)記點的絕對誤差分別為0.0004 mm、0.0003 mm、0.0011 mm、0.0010 mm，裂縫B 四個標(biāo)記點的絕對誤差分別為-0.0007 mm、0.0005 mm、0.0003 mm、0.0001 mm。裂縫C 四個標(biāo)記點的絕對誤差分別為-0.0003 mm、-0.0001 mm、0.0003 mm、0.0011 mm。在裂縫D 處，4 個標(biāo)記點的絕對誤差分別為0 mm、0.0003 mm、0mm、-0.0012mm。由此可見，該文設(shè)計的房屋裂縫智能檢測方法可以完成對裂縫的智能檢測，且檢測精度較高。

4 結(jié)語

該文設(shè)計了一種基于機器視覺的建筑結(jié)構(gòu)施工中房屋裂縫智能檢測方法，該方法可以對攝像機得到的圖像進行預(yù)處理，并通過干擾噪聲點的方式，保證圖像灰度值的穩(wěn)定。結(jié)合建筑結(jié)構(gòu)施工技術(shù)設(shè)計房屋裂縫識別方法，通過神經(jīng)網(wǎng)絡(luò)算法，得到房屋裂縫識別結(jié)果。該試驗對裂縫信息的提取效果進行測試，試驗結(jié)果顯示，裂縫提取的測量值與實測值之間的絕對誤差極小，可見檢測精度較高。但是該文的智能檢測方法并沒有對墻面上的干擾線條進行優(yōu)化，在下一步的研究中，可以針對該問題對房屋裂縫智能檢測方法進行優(yōu)化，同時在試驗中添加與裂縫信息相近的事物，作為干擾項，測試該檢測方法的性能。