基于机器视觉的地铁隧道管片病害检测技术研究*

刘 涛

(山西省信息产业技术研究院，山西 太原 030012)

0 引言

城市轨道交通具有密度高，时速快，容量大等特点。近几十年来城轨建设已成为国内外大中型城市缓解交通压力，构建高效公共交通体系的重要手段之一。我国正处于轨道交通建设的高速成长期，截止2017年，我国已有30座城市共开通运营了133条轨道交通线路，建设车站2630座，总里程4 152.8 km。“十三五”期间，预计国内轨道交通运营里程将突破6 000 km。

基于轨道交通地下修建、地下运行的特点，其在运营期对隧道盾构衬砌病害的检测，也成为城轨运营维护部门面临的一大难题。轨道交通盾构隧道病害常见的有管片错台、渗漏水、接头损坏、管片裂缝、管片腐蚀、防水材料老化、连接螺栓锈蚀，纵向沉降变形、横向收敛变形等，研究实现针对上述隧道病害现象准确高效的检测方法，解决当前大规模、长里程隧道衬砌病害检测难题，具有重要的现实意义。

传统隧道病害的检测主要是通过人工实现的，即现场搭建脚手架，技术人员通过肉眼观测裂缝，或拍摄隧道衬砌照片然后由技术人员在照片上寻找裂缝。由于隧道内昏暗的现场条件以及隧道情况的复杂性，这两种传统的方法都存在很大的缺陷，对于第一种方法，如果在列车运营时间检测，技术人员的安全无法保证，如果停运后检测，由于检测速度限制，检测工作效率极低；对于第二种方法，照片拍摄的质量会极大影响检测结果，如曝光时间短、光源不均匀、线阵相机拍摄失真、传输时照片压缩失真等，均会造成后期检测偏差。而上述检测方法主要依靠技术人员的经验和素质，存在很大的主观性，也使得检测工作缺乏科学性。近年来，借助于先进的无损检测技术，采用地质雷达探测法，超声波检测法，声发射检测法，光纤传感检测法对隧道病害开展检测，在一定程度和范围内取得了较好的结果，但受到检测技术本身的限制，还没有一种方法可以比直接对衬砌图像进行智能识别更精确地检测出所有情况下的缺陷[1]。

基于此，本文研究设计将机器视觉检测技术应用于城轨隧道盾构衬砌病害检测系统中，提高病害检测精度、实现检测过程自动化，为未来我国城轨交通运营维护工作及隧道病害检测工作提供了重要的技术保障。

1 系统设计

轨道交通盾构衬砌病害检测系统分为机器视觉图像采集和图像处理两大部分。

1) 机器视觉图像采集系统。包括：相机系统、采集存储设备、LED照明、检测车辆控制系统设备等。

◆相机系统：机器视觉采集的主要传感器，通过按照特定角度进行安装固定，随着系统的运行对衬砌表面图像进行采集。

◆采集卡与存储：相机系统控制器通过采集卡控制并存储相机拍摄的机器视觉图像。

◆LED照明：轨道交通隧道内光照条件较差，无法达到图像采集的要求，但是视觉数据采集系统对光照的要求比较高，因此本系统加入LED照明设备，保证采集图像的质量。

◆速度传感器：在自动控制采集中应用编码器提供视觉数据采集频率等相关参数。

◆供电系统：用以维持整个系统的电力供应，包含电池、UPS和发电机。

◆车辆控制：本系统的硬件设备均采用自行走机构搭载，检测车辆能够实现5 km/s～10 km/s的快速检测，车辆控制系统对整个采集车辆的行进进行控制[2]。

2) 图像处理系统。包括对视觉图像进行图像分割与检测、图像识别算法、病害特征提取、病害信息比对等过程。

图像处理系统利用高性能计算机对隧道衬砌表面图像进行处理和分析，最终得到病害特征信息。图像处理的工作大致分为以下步骤：

◆图像分割与检测：图像分割是对采集到的衬砌表面图像进行分割，提取出图像的特征部分，包括图像的边缘、区域等，是进行图像分类、参数计算的前提，是实现图像分析首先要完成的操作。

◆图像识别算法：图像识别算法是病害特征提取、病害识别等技术的基础算法，主要是通过图像增强、二值化、去噪来突出图像的特征部分，继而对病害特征进行识别。

◆病害特征提取：为满足盾构衬砌养护工作的需要，将图像中裂缝、渗水等病害特征进行分类提取，得到病害特征值，如裂缝面积、长度和宽度，渗水面积等特征信息。

◆病害信息比对：通过比对病害特征，对病害现象进行分级，并根据隧道衬砌裂缝的参数值对隧道进行安全性评价。

◆机器学习病害信息特征：通过分析并提取视觉数据中存在病害区域的特征，不断学习系统运行中发现的各类病害信息，并对大量病害信息进行大数据清洗、处理，最终实现病害特征的自动学习。

◆病害报告生成：建立一个病害信息知识库，对病害信息进行分类分级，并比对知识库给出隧道病害现象的指导性处理意见。

2 图像处理系统设计

视觉图像数据处理部分是整个系统的关键。隧道衬砌表面图像中裂缝、渗水特征是图像数据提取的主要对象，其也是危及隧道结构安全的主要病害现象。

裂纹是衬砌表面区域未封闭的部分，在隧道衬砌表面图像中其反射光小于衬砌表面的其他区域。通过反射光的对比可以在图像中提取裂纹特征。图像处理算法过程包括图像载入、预处理、二值化、去噪及病害提取。

2.1 图像预处理

在工程实际应用中，由于隧道内环境限制，拍摄的病害图像存在对比度低、光照不均匀等问题，极大地影响了后期系统对隧道病害特征的检测。本算法利用局部直方图拉伸预处理过程来降低这些因素的影响。

直方图拉伸(Histogram Stretching) 就是当图像的灰度级分布不均匀，只集中在某些区域时，把它扩充开来，使其充满整个灰度级，继而提高图像的对比度。如图1(a)所示，该直方图的左右两侧都有一部分区域，其高度近乎于0。这意味着，在该图像中，对应灰度级的像素出现的次数近乎于0，图像所使用的灰度级集中在中部区域，使得图像具有较低的对比度。如果忽略左右两侧高度近乎于0的区域，然后将直方图向左右两侧拉伸，就可以使用到所有的灰度级，从而提高图像的对比度，这就是直方图拉伸的图像处理过程[3]，如图1(b)所示。

应用直方图拉伸算法的数学公式如下：

(1)

g(x,y)表示改变后的图像；f(x,y)表示原始图像；a、b是阈值，小于a的灰度值被确定为黑色像素，大于b的灰度值确定为白色像素。

图1 直方图拉伸算法处理过程

应用该算法处理的隧道衬砌图片如图2所示。

图2 直方图拉伸算法处理隧道衬砌图片

2.2 二值化

利用隧道衬砌裂纹灰度值与背景灰度值的差异，可以通过二值化对其裂纹特征进行分离。Otsu方法(最大类间方差法)是一种广泛应用的二值化方法，其过程是按图像的灰度特性，将图像分成背景和目标两部分，背景和目标之间的类间方差越大，说明构成图像的两部分差别越大，从而将这两个区域分开[4]。

实际工程采集到的图像中病害图像只是整幅图像中很小的一部分，隧道内其他管线、设备均会对病害图像的识别造成干扰，解决以上问题，本系统采用了基于块分析的二值化算法。

基于块分析的二值化算法数学公式如下：

(2)

首先计算一个像素周围M*M相邻像素值的平均值，然后设置一个阈值Δ，g(x,y)表示改变后的图像，f(x,y)表示原始图像。应用基于块分析的二值化算法对隧道衬砌图像处理后如图3所示。

图3 应用基于块分析的二值化算法对隧道管片图像处理

2.3 噪声去除

隧道病害图像中存在着大量的不同种类、不同形状、分布无规律噪声。噪声的存在影响了病害特征检测。传统的滤波算法无法有效滤除各种噪声，为此，本系统采用了基于连通区域的滤波算法。其基本过程是根据背景中黑色像素的连通性来判断噪声，对于每一个背景像素都与它的邻域系的像素进行判断是否有相连的背景像素。系统采用8邻域方法，对于一个给定的二值图像，其可以用数据集合表示，将背景像素用1表示，病害特征像素用0表示。首先对图像进行扫描，选定数据集合中下标最小的像素，以顺时针方向向前方进行探测，判断其8邻域内八个方向上的像素归类，即可以得到与该点相连通的全部像素，从而认为与该点相连通的像素与该点具有相同的性质，即均为噪声或均为特征像素。以此类推，扫描二值图像中全部的像素点，将判断出的噪声像素全部删除，即得到特征像素，完成病害图像的特征提取[5]。

3 系统测试

通过构建上述软硬件系统及实现图像处理算法，对实际采集的隧道衬砌病害图像进行分析，结果如图4所示。

根据裂纹病害特征提取图像的像素信息，可以得到图像中垂直、水平和对角裂缝的长度、宽度、起点和终点信息等。如表1所示。

图4 隧道衬砌病害图像分析

编号形式长度(mm)宽度(mm)起点坐标X起点坐标Y终点坐标X终点坐标Y1对角66.70.36 3612 769.46 397.12 754.32水平134.20.36 2572 956.96 388.72 953.13水平132.70.36 432.52 960.86 564.12 953.14垂直190.10.47 214.62 8597 197.53 044.75垂直247.90.37 128.22 643.47 227.22 866.7

4 结论

本文提出的轨道交通盾构衬砌病害的机器视觉检测系统,包括机器视觉图像采集和图像处理两部分；应用直方图拉伸算法、基于块分析的二值化算法、基于连通区域的滤波算法等一系列图像处理技术，能够实现隧道衬砌图像的自动采集及病害图像动识别提取。未来应用于工程实例后，考虑隧道内复杂工作环境的影响，系统对病害现象的整体检出率达到90%以上，病害特征测量的误差控制在10%以内，能够满足城轨交通运营期隧道衬砌病害检测工作的要求。