基于图像分析技术的结构表面裂缝形态检测

方志 ，夏军 ，刘传乐

(1.湖南大学 土木工程学院，湖南 长沙 410082；2.湖南省交通建设质量安全监督管理局，湖南 长沙 410011)

基于图像分析技术的结构表面裂缝形态检测

方志1，夏军1，刘传乐2

(1.湖南大学 土木工程学院，湖南 长沙 410082；2.湖南省交通建设质量安全监督管理局，湖南 长沙 410011)

为有效检测结构物表面裂缝形态，基于图像分析技术，采取在结构表面黏贴纯色标定块，并借此通过投影变换来修正和标定原始图像，对修正后的图像进行骨架化提取、去除分支和毛刺等一系列处理后直接在图像上确定裂缝特征参数。基于所提方法，采用不同长度、宽度和倾角的线条来模拟裂缝，试验验证了图像修正和标定算法的有效性，并研究拍摄角度和光照条件对裂缝特征参数检测精度的影响。研究结果表明：基于不同角度拍摄的竖向和斜向模拟裂缝长度的识别精度分别为99.73%和99.64%，对宽度不小于0.2 mm裂缝宽度的识别精度为95.84%和95.60%，表明该方法具有较高的检测精度；光线强度对裂缝宽度精度影响较大，光照强度在1 400～3 100 lux时，识别精度较好，裂缝宽度识别的平均相对误差小于5%。

结构检测；图像分析；图像修正；裂缝长度；裂缝宽度

结构物表面的裂缝形态是结构状态评估中的重要参数之一，因此，准确检测结构表面的裂缝长度和开裂宽度显得尤为重要。目前，结构表面裂缝长度和宽度检测基本上是采用人工近距离接触式测量，存在效率低、环境局限性大和可重复性差等不足，因此，有必要引入一种精度高、适用性强的无接触式远距离检测方法。

近年来，基于图像分析技术的裂缝检测技术不断发展并取得了一定的研究成果[1-8]，而如何在缺乏度量信息的混凝土和砌体结构表面准确修正和标定图像是该技术成功应用的关键。Tung等[1]提出并研发了一种采用双摄像头的桥梁裂缝检测系统，通过2个摄像头采集的图像和摄像头之间的距离来确定裂缝的分布，但该系统还不能确定裂缝的长度和宽度；成盛等[2]研究在正拍条件下定量计算混凝土裂缝特征参数的算法，通过在裂缝旁边放置面积已知的白色矩形块，计算其在图像中所占用的像素点数而得到像素解析度，但将裂缝长度简单地取值为裂缝上、下边界长度的平均值，略显粗糙；方志等[3]研究混凝土结构表面裂缝图像的标定与修正方法，采用基于矩形标定块来对图像进行拉伸和压缩处理以修正单向倾斜拍摄的裂缝图像，但还不能实现对任意拍摄角度的图像进行精确校正；刘学增等[4]研究隧道衬砌裂缝的远距离图像测量技术，通过激光测距仪测定拍摄距离实现对图像的标定，并研究了拍摄角度对裂缝特征参数的影响，但只是通过角度变换简单修正斜拍图像的裂缝特征参数，没有校正图像中存在的几何变形，所以计算结果的精度有待提高，实际工程中还存在远距离拍摄时拍摄角度难以准确测量等问题，因此该方法难以准确标定裂缝图像。由于现场环境的限制，实际采集的裂缝图像难以保证是严格的正拍图像，相机成像平面与目标裂缝平面存在夹角，从而使裂缝图像存在几何变形，同时拍摄距离也难以准确标定，因此采用上述方法尚不能准确获取裂缝信息。本文基于数字图像分析技术，采用在结构表面黏贴纯色标定块，基于投影变换来标定和修正源自任意拍摄角度的原始图像，并对修正后的图像进行骨架化提取、去除分支和毛刺等一系列处理后直接在图像上确定裂缝形态、长度和宽度，以期提出一种更具实用性的裂缝形态检测方法。

1 裂缝图像的分析方法

基于图像分析技术的裂缝形态确定，主要包括裂缝图像采集、图像修正和标定、裂缝主干提取以及裂缝长度和宽度确定等内容。相应的处理流程如图1。

图1 裂缝图像分析流程Fig.1 Flow chart of image analysis for crack inspection

1.1 图像采集

像素解析度代表单位像素所能反映的对象实际尺寸。依据针孔成像原理，像素解析度、图像分辨率、焦距和拍摄距离之间的关系如式(1)所示。

(1)

式中：L为裂缝平面至相机焦点的距离，mm；η为像素解析度，mm/pixel：f为相机焦距，mm；CG为传感器尺寸，mm2；FB为相机分辨率，pixels2。

从式(1)可以看出：拍摄距离与相机分辨率呈二次关系，当其他条件不变时，裂缝宽度和相机焦距越大、分辨率越高，裂缝的最远拍摄距离越大。

1.2 将RGB图像转化为灰度图像

后续的图像处理和分析均以灰度图像为基础，因此，先将RGB图像转化为灰度图像。根据人类对每种颜色的敏感程度，将图像的R，G和B颜色分量映射到R，G和B立方体的对角线上，采用式(2)计算各像素色彩的灰度值[9]。

Gray=0.229×R+0.587×G+0.114×B

(2)

式中：Gray为输出灰度图像的灰度等级。

1.3 图像的修正和标定

当相机成像平面与裂缝所在平面存在夹角时，采集的图像产生变形，图像分析前需要先对原始图像进行修正，这里基于图像投影变换方法进行修正。

二维图像中的点坐标表示为(x,y)，在矩阵[xy]中引入第3个元素，增加一个附加坐标，将其扩展为1×3的规范化齐次坐标[xy1]，这样用三维空间点(x,y,1)表示二维空间点(x,y)，则图像的几何变换可表示为：

[xy1] =[x0y01]T

(3)

式中：(x,y,1)为变换后的坐标；(x0,y0,1)为变换前的坐标；T为几何变换矩阵[10]。

几何变换矩阵T在齐次坐标中为3×3阶，其一般形式如下所示：

(4)

通常将全比例变换系数s设定为常数1，所以通过原始图像中在同一平面上的4个像素点坐标以及变换后图像对应的4个像素点坐标，就可以确定二维空间的投影变换矩阵T。

工程结构表面一般缺乏修正和标定所需的标定点，所以本文对原始图像的修正和标定均以检测前黏贴在结构表面的纯色矩形标定块为基础。矩形标定块在斜拍的影像中一般为四边形，如图2(a)所示。通过矩形标定块的四个角点坐标就可以计算投影变换矩阵，并将斜拍图像纠正为具有度量信息的平行影像。图2(b)为修正后的图像。

(a)原始图像；(b)修正后图像图2 图像修正Fig.2 Image correction

1.4 图像背景修正和对比度增强

背景修正的主要目的是消减背景中不均匀照明、阴影等对图像质量的影响，增强图像的信噪比。这里采用原始图像减去中值滤波后的图像进行处理[11]，可有效消除标定块和背景不均匀的影响，修正后的图像如图3(a)所示。

对比度增强主要采用“线性灰度变换”，将裂缝所在的灰度区间进行拉伸，增强裂缝与背景的对比度，使裂缝边缘细节更加明显，对比度增强后的图像图3(b)所示。

(a)背景修正后图像；(b)对比度增强后图像图3 图像背景修正和对比度增强Fig.3 Image background correction and contrast enhancement

1.5 消除孤立点或孤立块

消除孤立点和孤立块时，需要先对图像进行二值化分割，即按照所设定的阈值，将图像分割为若干个互不相交的小区域，使目标图像和背景分离。本文采用窗口法框选裂缝区域，使该区域内裂缝的面积和背景所占的面积近似相等，统计该区域的直方图，直方图呈典型的双峰图，将2个峰值之间的谷点作为分割的阈值。图4(a)为二值化并进行反转处理后的图像。

图像采集过程中，因污损和背景修正算法的影响，分割后的图像上不可避免的会存在孤立点或孤立块噪声。裂缝在图像中一般面积较大，在提取裂缝过程中，可利用连通域度量去除“孤立”点或“孤立”块，保留真实裂缝[12]。图4(b)为消除孤立块并进行反转处理后的图像。

(a)二值化后的图像；(b)消除孤立块后的图像图4 孤立块消除Fig.4 Isolation block elimination

1.6 裂缝分类

工程结构表面裂缝通常分为图5所示的线状裂缝和网状裂缝，其中线状裂缝的最小外接矩形的长宽比较大，而网状裂缝则近似为圆形或矩形。这里通过计算裂缝最小外接矩形的长宽比来区分线状裂缝和网状裂缝，并通过裂缝最小外接矩形的长轴方向来判断裂缝的方向。同时规定线状裂缝最小外接矩形长宽比为3作为区分线状裂缝和网状裂缝的分界值。而根据裂缝最小外接矩形的长轴方向可将线状裂缝区分为横向、竖向和斜向裂缝，并规定长轴与水平向x轴的夹角在00～300时记为横向裂缝，在300～600时记为斜向裂缝，在600～900时记为竖向裂缝。

(a)线状裂缝；(b)网状裂缝图5 裂缝分类Fig.5 Fracture classification

1.7 计算裂缝宽度

经上述处理后，若图像中存在多条裂缝，可采用人机交互的方式在图像中选取目标裂缝区域。为简化运算，计算裂缝宽度时，区域内只容许一条裂缝。

竖向裂缝和斜向裂缝按行进行扫描(同理，横向裂缝和斜向裂缝按列进行扫描)，记录每行裂缝的像素点数P(i)和该行裂缝的中心点坐标，并将所有中心点坐标的连线作为裂缝的中心线。

裂缝宽度按式(5)确定：

wi=η×P(i)×cos(θi)

(5)

式中：wi为第i行像素点处的裂缝宽度；η为像素解析度；θi为第i行中心线的倾角。

1.8 裂缝主干提取

裂缝的骨架化是将分割出来的裂缝逐次去掉其边缘，最终保留仅有一个像素宽的中心线。图6(a)为裂缝局部区域骨架化并进行反转处理后的图像。

混凝土和砌体结构表面裂缝在骨架化后通常会存在大量的分支和毛刺，会影响裂缝长度的提取。为消除裂缝分支和毛刺，这里采用分级去除毛刺算法[13]，通过从小到大逐级提高长度门限并计算裂缝分支的长度，将长度小于门限的裂缝分支作为毛刺踢除，这里最大长度门限取LT=100。图6 (b)为裂缝局部区域去除毛刺并进行反转处理后的图像。

(a)裂缝骨架化后；(b)去除毛刺后图6 裂缝骨架提取Fig.6 Crack skeleton extraction

1.9 计算裂缝长度

经过上述算法后，裂缝骨架提取完成，这里采用相邻点距离求和法计算裂缝长度。相邻像素点间距LD如下式所示：

(6)

式中：η为像素解析度；(xk，yk)和(xk+1，yk+1)分别为两相邻点的坐标值。

2 程序实现及试验验证

2.1 程序实现

基于以上的裂缝图像分析方法，利用 Matlab R2009a编制程序实现上述分析过程。

2.2 试验验证

图像信息的采集设备为数码相机Canon 5D MarkⅢ，分辨率为5 870×3 840，传感器尺寸为36 mm×24 mm。为更好地验证本文算法，以相片纸上精确冲印的不同宽度、长度和倾角的标准线条来模拟裂缝。试验对象包括6条竖向直线和6条斜向直线，其长度按编号依次为30，25，20，15，10和5 cm，宽度依次为2，1，0.5，0.25，0.2和0.1 mm。试验发现，宽度等于0.1 mm的直线在斜拍图像中小于一个像素点宽时，模拟裂缝将不能在图像中形成有效像素点，所以这里只选取宽度大于0.1 mm的线进行比分析。

2.3 拍摄角度的影响

图像采集的拍摄距离为1.5 m，镜头焦距为105 mm，此时正拍图像的像素解析度为0.094 39 mm/pixel。

试验中将相纸紧密黏贴在展板平面上，通过控制展板在水平面的转动角度和竖向的倾斜度来模拟不同的拍摄角度，图像采集如图7所示。图7(a)中，O-xyz和O‘-x’y’z’分别为正拍和斜拍条件下的目标平面中心坐标，α和β分别为目标平面向后和向右的转动角度，当α和β均等于00时，所拍摄的影像即为正拍图像。

基于不同角度拍摄图像所得的竖向直线长度

和宽度识别值与实测值的比较如表1～2所示。可以看出：1～5号竖向直线不同角度拍摄所得长度的平均相对误差为0.16%～0.43%；宽度的平均相对误差变化范围为1.22%～6.67%；竖向直线长度和宽度的总体识别精度分别为99.73%和95.84%。

(a)图像采集示意；(b)展板平面图7 图像采集Fig.7 Image acquisition

表1 不同角度拍摄竖向直线长度识别值和实测值比较Table 1 Comparison of the identification and measured values of vertical straight line length using different shooting angles

基于不同角度拍摄图像所得的斜向直线长度和宽度识别值与实测值的比较如表3和表4所示。可以看出：1～5号斜向直线不同角度拍摄所得长度的平均相对误差变化范围为0.28%～0.56%；宽度的平均相对误差变化范围为1.61%～7.78%；斜向直线长度和宽度的总体识别精度分别为99.64%和95.60%。结果表明：基于不同角度拍摄图像的识别结果均具有较高精度，识别精度随被识别线条长度和宽度的减小而降低。

表2 不同角度拍摄竖向直线宽度识别值和实测值比较Table 2 Comparison of the identification and measured values of vertical straight line width using different shooting angles

表3 不同角度拍摄斜向直线长度识别值和实测值比较Table 3 Comparison of the identification and measured values of oblique straight line length using different shooting angles

表4 不同角度拍摄斜向直线宽度识别值和实测值比较Table 4 Comparison of the identification and measured values of oblique straight line width using different shooting angles

2.4 光照条件引起的误差

通过采集9∶00,11∶00,13∶00,15∶00和17∶00等不同拍摄时刻的图像，对比研究光照条件对裂缝特征参数检测精度的影响。试验采用的拍摄距离为1.5 m，镜头焦距为105 mm，拍摄条件为正拍，并采用特安斯TA8123数字式照度计(精度为0.1 lux)测量光照强度。

基于不同光照条件下拍摄图像所得竖向直线的宽度识别值与实测值结果如表5和图8所示。由于正午的光照较强，采集的图像存在曝光过度，导致较窄的裂缝由于灰度值偏低而无法提取，所以这里只对宽度为2，1和0.5 mm的竖向直线进行试验对比。

(a)不同时间点裂缝宽度误差;(b)不同时间点的光照强度图8 不同时间点的试验结果Fig.8 Test results under different time conditions

结果表明：光照强度会显著影响裂缝边缘的成像，进而影响宽度的识别，而光照强度对长度的影响较小，可以忽略不计。光线较强和较弱时的测试结果均存在较大误差；当光照强度在1 400～3 100 lux范围内时，宽度的测试精度较高，平均相对误差小于5%。

3 结论

1)投影变换法可以较准确修正和标定不同角度拍摄得到的原始裂缝图像；

2)裂缝在图像中形成的有效像素点越多，裂缝的识别精度越高，所以在图像采集时，宜选用较小的拍摄距离；

3)光线强度对裂缝宽度的识别精度影响较大，对长度的影响较小。当光照强度在1 400～3 100 lux时，裂缝宽度的测试精度较高，平均相对误差小于5%，所以应在晴朗的白天采集裂缝图像；

4)本文提出的方法能较好地识别裂缝特征参数。基于不同角度拍摄的竖向和斜向模拟裂缝长度的识别精度分别为99.73%和99.64%，对宽度不小于0.2 mm裂缝宽度的识别精度分别为95.84%和95.60%。

[1] Tung P C, Hwang Y R, Wu M C . The development of a mobile manipulator imaging system for bridge crack inspection[J]. Automation in Construction, 2002, 11(6): 717-729.

[2] 成盛，金南国，田野，等．混凝土裂缝特征参数的图形化定量分析新方法[J].浙江大学学报(工学版)，2011，45(6)：1062-1066. CHENG Sheng, JIN Nanguo, TIAN Ye, et al. New graphic method for quantitatively analyzing characteristic parameters of concrete cracks[J]. Journal of Zhejiang University(Engineering Science),2011,45(6): 1062-1066.

[3] 方志，彭海涛. 基于图像分析技术的混凝土桥梁结构表面裂缝宽度检测[J].湖南大学学报(自然科学版)，2012，39(1)：7-12. FANG Zhi, PENG Haitao. Crack width detection on the concrete surface of bridge based on image analysis technology[J]. Journal of Hunan University (Natural Science),2012, 39(1): 7-12.

[4] 刘学增，叶康．隧道衬砌裂缝的远距离测量技术[J].同济大学学报(自然科学版)，2012，40(6)：829-836. LIU Xuezeng, YE Kang. A long-distance image measuring technique for crack on tunnel lining[J]. Journal of Tongji University (Natural Science),2012, 40(6):829-836.

[5] Jahanshahi M R, Masri S F. A novel crack detection approach for condition assessment of structures[C]//International Workshop on Computing in Civil Engineering Computing. Miami: American Society of Civil Engineers, 2011: 388-395.

[6] CHEN L C, SHAO Y C, JAN H H, et al. Measuring system for cracks in concrete using multitemporal image[J]. Journal of Surveying, 2006,132(2):77-82.

[7] 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(3): 255-261.

[8] 查旭东，王文强．基于图像处理技术的连续配筋混凝土路面裂缝宽度检测方法[J]．长沙理工大学学报(自然科学版)，2007，4(1)：13-17. ZHA Xudong, WANG Wenqiang. The crack width detection method in continuously reinforced concrete pavement based on image processing technology[J]. Journal of Changsha University of Technology (Natural Sciences), 2007, 4(1): 13-17.

[9] 张强，王正林．精通MATLAB图像处理[M]．北京：电子工业出版社，2009：137-316. ZHANG Qiang, WANG Zhenglin. Proficient in MATLAB image processing[M]. Beijing: Electronic Industry Press, 2009:137-316.

[10] 胡晓军，徐飞．MATLAB应用数字图像处理[M]. 西安：西安电子科技大学出版社，2011：89-121. HU Xiaojun, XU Fei. MATLAB application of digital image processing[M]. Xi'an: Xi'an Electronic and Science University Press, 2011:89-121.

[11] Fujita Y, Mitani Y, Hamamoto Y. A method for crack detection on a concrete structure [C]//The 18th International Conference on Pattern Recognition, Washington DC: IEEE Computer Society,2006：901-904.

[12] 于泳波，李万恒，张劲泉，等．基于图像连通域的桥梁裂缝提取方法[J]. 公路交通科技，2011，28(7)：90-93. YU Yongbo, LI Wanheng, ZHANG Jinquan, et al. Bridge cracks extraction method based on image connected domain[J]. Journal of Highway and Transportation Research and Development, 2011,28(7): 90-93.

[13] 秦筱楲，蔡超，周成平．一种有效的骨架毛刺去除算法[J]．华中科技大学学报(自然科学版)，2004，32(12)：28-31. QIN Xiaowei, CAI Chao, ZHOU Chengping. An algorithm for removing burr of skeleton[J]. Journal of Huazhong University of Science and Technology (Natural Sciences), 2004,32(12):28-31.

[14] Zhu Z, Brilakis I. Defects detection and assessment of concrete surfaces[C]//Intelligent Computing in Engineering-ICE08. Lausanne, Switzerland: European Group for Intelligent Computing in Engineering,2008: 441-450.

[15] Ito A, Aoki Y, Hashimoto S. Accurate extraction and measurement of fine cracks from concrete block surface image[C]//Proceedings of IECON 02. New York: IEEE,2002: 77-82．

[16] 褚文涛，李郑明，陆键．路面病害检测中的裂缝信息快速识别方法研究 [J]. 中外公路，2013，33(6)：80-84. ZHU Wentao, LI Zhengming, LU Jian.The method of rapid identification of cracks in pavement inspection[J]. Journal of China & Foreign Highway, 2013,33(6):80-84.

[17] 许薛军，张肖宁．基于数字图像的混凝土桥梁裂缝检测技术[J]. 湖南大学学报(自然科学版)，2013，40(7)：34-40. XU Xuejun, ZHANG Xiaoning. Crack detection of concrete bridges based digital image[J]. Journal of Hunan University (Natural Science), 2013,40(7):34-40.

[18] 叶贵如，周青松，林晓威．基于数字图像处理的表面裂缝宽度测量[J]. 公路交通科技，2010，27(2)：75-84. YE Guiru, ZHOU Qingsong, LIN Xiaowei. Measurement of surface crack width based on digital image processing[J]. Journal of Highway and Transportation Research and Development, 2010,27(2): 75-84.

[19] 刘清元，谈桥．基于图像处理的混凝土裂缝的检测[J]. 武汉理工大学学报，2005，27(4)：69-71. LIU Qingyuan, TAN Qiao. Concrete crack detection based on image processing[J]. Journal of Wuhan University of Technology, 2005,27(4):69-71.

[20] 王冲，王葆茜．沥青混凝土路面裂缝自动识别方法研究[J].中外公路，2013，33(6)：51-54. WANG Chong, WANG Baoxi.Study on the method of automatic identification of cracks in asphalt concrete pavement [J]. Journal of China & Foreign Highway, 2013,33(6):51-54.

Crack shape detection on the structural surface based on image analysis technology

FANG Zhi1，XIA Jun1，LIU Chuanle2

(1. College of Civil Engineering, Hunan University, Changsha 410082, China;2.Hunan Provincial Engineering Quality and safety Supervision Bureau for Communication, Changsha 410011, China)

This paper aims to find a efficient method for detecting the crack shapes on the structural surface. Based on the application of image analysis technology, a standard square attached on the structural surface is used as a reference mark to calibrate the original deformed images through the projection transformation, and then extracting the crack skeleton and removing the branches and burr, etc. Finally, the crack characteristic parameters in the image can be calculated. This method is verified by the simulated crack with lines of different length, width and angle of inclination and this paper also studies the influence of shooting angle and light condition on the detection accuracy of the crack characteristic parameters. Based on different shooting angles, the length identification accuracy of vertical and oblique simulation crack can reach 99.73% and 99.64% respectively, and when the width is not less than 0.2 mm, the recognition accuracy of width is 95.84% and 95.60% respectively, which shows that this new method has high detection precision. The light intensity has a great influence on the crack width identification. When the light intensity is 1 400～3 100 lux, the average relative error of the crack width identification is less than 5%.

structural detection; image analysis; image correction; crack length; crack width

2016-02-29

国家自然科学基金资助项目(51278182)；湖南省交通厅科技计划资助项目(201424)

方 志(1963-),男，湖北黄冈人，教授，博士，从事数字图像处理的研究；E-mail：zackfang@163.com

U446.3

A

1672-7029(2016)12-2447-08