基于像素点法的桥梁病害面积计算现状及发展

聂秀才　李宝林

摘要：基于像素点法的面积计算相较于传统的面积计算方法而言，在进行不规则图形面积计算时具有先天的优势，计算速度快、效率高、准确度适合工程应用要求，是进行桥梁外观病害面积计算的最佳之选。梳理了像素点法在进行碎片连接复原、算法改进、面积计算以及裂缝长宽计算等等方面的应用;分析了像素点法在桥梁病害检测中的应用前景;最后分析了像素点法与桥梁外观病害面积计算的未来发展趋势：基于像素点法的桥梁病害面积计算将在桥梁检测技术中充当重要角色。

关键词：像素点法;桥梁病害;面积计算;桥梁检测

中图分类号：TP18 文献标识码：A

文章编号：1009-3044（2020）09-0193-03

概述

据有关资料，中国现代桥梁总数超过100万座[1]，达到世界领先的水准。由于桥梁倒塌等事故的频繁发生，桥梁安全逐渐成为人们主要关注的热点问题之一，保障桥梁安全亟待有效解决。当前桥梁安全的保障，主要依靠桥梁检测技术。桥梁安全检测技术一直以来都是国内外研究的热点问题，经历了从人工检测、桥梁检测车、无损检测、到现在的智能化检测几个阶段。智能化检测主要依赖于高精度的图像摄取技术、计算机技术、图像处理技术、人工智能等技术相结合而成。通过对桥梁病害图片的采集，使用计算机进行预处理、图像运算以及神经网络、大数据等的智能分析，判定和预测出桥梁病害的危害程度以及预判未来的发展趋势，达到检测的目的。在进行图像处理和神经网络运算时，会用到基于图像数据的一系列操作，针对像素点的操作是计算区域面积不可或缺的一步。

像素[2]由图像的小方块组成。这些小方块有一个清晰的位置和指定的颜色值。小方块的颜色以及它所处的位置，确定了图像的外观表现。

像素点法是指基于某一区域，统计该处的所有符合条件的像素，累加起来即为该区域的面积，单位是像素。像素点法计算面积的好处在于只需统计符合条件的像素即可，不需要考虑边缘像素的缺失与否。这样既减少了边缘像素处理的时间，也能提高面积计算的准确度。获取病害图像之后，进行图像的灰度化处理、图像分割、提取病害特征，统计基于病害特征的像素，简单快速的累加计算，就可以得到该病害特征覆盖的面积区域。

1 基于像素点法的应用现状

在计算机技术、摄像技术、图像处理技术以及人工智能技术迅猛发展的条件下，基于像素点的研究也广泛用于各类算法和实际应用中，并取得了极好的效果。生活中的各类场景只要形成图像等，都可以基于像素点做研究。

1.1基于像素点的碎片图像拼接与复原

霍达[3]提出了一种以区间估计为基础，利用矩阵像素点匹配算法进行碎片拼接的方法，用来进行碎纸片拼接复原，取得了良好的效果。

从碎片的笔画切断面人手，读取图像边缘像素点色度，计算碎片A与碎片B的匹配概率，基于所得到匹配的正确的像素匹配概率，计算置信区间的下限。在计算之后的过程中，如果上面的匹配概率的像素值，则认为两种可能的碎纸片彼此匹配。

黄薇[4]等将碎片边缘像素点转化为灰度值，研究了碎片之间行与列灰度值的匹配程度，作为碎片间拼接的依据。 将碎片图像进行数字化后进行灰度处理，并转成灰度矩阵的文本存储。依据灰度值为0的像素周围的灰度值必定不为255，抽取碎片周围的3-5列灰度值作加权平均处理后作为碎片周围的灰度值。定义Resultl[i] =Success[i] - Fail[i]，Resultl[i]用来存放碎片每一行或列的匹配度;约定每一行或列的两个加权平均值当且仅当满足一方为0另一方为255时标记Fail[i]加1，否则记为Success[i]加1;最后比较输出Resultl[i]中最大的i值，即为行或列数（匹配的文件号）。

1.2基于像素点的算法改进

王民[5]等基于原有的角点检测算法Harris，结合像素点灰度差，提出了一种新的角点检测算法，实验证明提高了原算法的检测速率以及角点的正确性，但还存在不足，例如在灰度变化较小和纹理信息比较丰富的图像中的角点检测效果不佳。

高申勇[6]等按照稳定度将像素点分类，计算初始匹配代价后，建立代价树，利用根据颜色分割好的图像以及像素点分类信息，更改代价树中各边的权值，执行树型滤波后并获得稠密的视差图，从而完成立体匹配。使得在立体匹配算法中取得了不错的成绩。

Matthew P.Dube[7]等为了解决栅格区域对约旦曲线的限制，提出利用与外部像素相邻的一组像素取代栅格区域，以此进一步思考数字约旦曲线以及在像素空间中存在的多种不同关系。基于相邻像素取代的区域，在蛋黄关系方面取得了不错的新颖性，同时也证明了该方法在R*R模型上的广泛界限，也为基于像素边界的空间关系扩展成为可能。还讨论了数字球形关系、将数字关系扩展到空间关系、数字切割以及数字拓扑关系与边界像素的约束关系，为未来边界像素的发展与应用提供了更好的发展空间。

1.3基于像素点的面积计算

用于曲面面积的计算。曹俊[8]在进行曲面面积图像测量技术研究中，提出了一种基于亚像素面积的测量方法。通过边缘提取算法提取图像的亚像素边缘，利用最小距离搜索法分离目标的边缘点排序后，使用格林公式计算出曲面面积。边缘点的排序，以及进行格林公式的求解和离散化处理，都不适合快速得到面积的初衷，并不适合在桥梁检测工程应用。

郭尚[9]等在研究多连通区域面积计算中，基于像素点，将一幅具有多个连通区域的图像，逐步扫描，遇到单个连通区域就采取合并面积的方式，取得图像中所有连通区域的面积，直到扫描完所有的图片。

Georgios Bontzos[10]等提出了一种基于像素量变化的、用于脉络膜痣进展检测的半自动化平台，初步得到了较好的结果，可用于检测早期黑色素性脉络膜病变的程度。基于4例初始记录的脉络膜黑色素病的總面积，经过5年后，通过比较基于像素分析的客观定量和常规观察，所提出的方法比简单观察灵敏度高了50%，并且特异性更高。一般的常规观察和照片，是用肉眼来判定黑色素增加与否，在这种情况下细微的变化是很难分辨出来的;而基于像素的分析，可以将细微处的变化分析出来，并进行客观的量化处理，得到更精确的病理面积，精确监督与判定病理发展程度。

1.4基于像素点的裂缝宽度、长度的计算

黄卫岭[11]通过将具有一定像素宽度的裂缝进行单像素宽度的处理，即骨架化处理，来取得裂缝的长度，也即骨架化后的裂缝像素数就是该裂缝的长度。根据骨架化前的像素数还可以求得裂缝的平均宽度，即用骨架化前的像素总数除以骨架化后的裂缝的长。

占继刚[12]利用裂缝图像骨架化后的裂缝端点集建立KD树，通过连接符合一定阈值条件的相邻裂缝端点，实现两段裂缝的连接。除此之外，基于像素点的研究还有很多，不胜枚举。

M.S.Sukiman[13]等利用了基于像素的有限元方法，对静电纺聚偏氟乙烯（PVDF）纳米纤维膜的弹性特性进行了研究，分析了单根纤维的弹性模量和模量中的纤维百分比，发现基于像素的FEM（Finite Element Method）模型预测和实验数据有较好的吻合度，是一种可靠的、有希望的传统拉伸测试的无损替代品。

A.Zare Hosseinzadeh和P.S.Harvey[14]提出了一种基于稳健像素运动轨迹的振动监测方法，通过监视素材、逐帧跟踪来提取像素的运动轨迹，来进行建筑结构的健康监测，还可用于损伤诊断的评估。该方法结果初步表明是一种可行且具有成本效益的在线监测技术，不足之处在于对多变环境问题下的应对能力。随着各行各业的进步，摄像、监控跟踪设备的也不断更新迭代，基于此类设备获取的大量数据用来进行实验分析，有助于实验效果的实现以及提高实验效率与准确率。

Elham Rafiei Sardooi[15]等研究了一种基于像素分类的方法，用来识别和划分流域内的同质区域，以便管理人员和决策者实现和制定更加有效的管理方法，实现对不同环境的可持续化管理。该方法利用已测量和未测量区域的所有区域的遥感数据源作为基础进行实验研究，采用模糊聚类的方法，结果表明同质区域的最佳数量为四个，该方法还适用于其他地方，不足之处在于遥感数据的分辨率较低，之后可采取高分辨率的卫星产品解决。

2 像素点法在桥梁病害中的应用前景

根据桥梁上部结构技术的不同，将桥梁主要分为梁式桥、拱式桥、悬索桥、斜拉桥;据此，将桥梁技术状况评定分为：桥梁上部结构各构件技术状况的评定、桥梁下部结构各构件技术的评定、桥面系各构件技术的状况评定。根据各结构构件上产生危害的原因不同、程度不同，我们将病害分为：外观病害、实体病害、测量病害以及它们的组合体。

当前，据《公路桥梁技术状况评定标准》（JTGITH21-20ll）[l6]中记录的桥梁病害总计234个，其中外观病害目前已记录的有215个，定量关系描述中包含面积计算的病害目前已记录68个，数量大约占已记录病害的29%，占已记录外观病害的31.6%.

病害面积计算在桥梁检测中占比不小，随着检测技术的不断发展，面积计算的方式方法也当有所改变，采用基于像素点的面积计算在桥梁检测技术是新的尝试，也是新的技术突破。

现已记录的桥梁病害还有以下特征：裂缝、剥落、掉角、空洞、孔洞、变色、起皮、锈蚀等等。经过图像收集、图像处理、神经网络学习、特征提取等方式，再利用像素点法，就可以取得包含此类病害特征的信息，例如第1章提到的裂缝的长、宽;剥落、掉角、空洞、孔洞、变色、起皮、锈蚀等的面积范围计算等。不仅如此，根据每一次检测的数据记录，还可预测未来的桥梁安全状况;根据两次检测的数据，推测病害的发展趋势，可提前预知未来险情，或推测现有的险情。

技术的不断更新变革是为了服务于社会生产，提高各类生产活动的效率、生产活动安全等，以及更进一步地促进技术的变异。将现有的技术应用于实际生活中，提高水平，才能体现出此类技术的价值以及存在的合理性。基于像素点法的应用，已经在多个方面体现了它的优点，而在桥梁病害检测技术中，应用极少。分析已记录的桥梁病害数量，以及检测技术的日新月异，将像素法用于桥梁病害检测当中，也是将技术应用于工程测量当中，是技术不断迭代的体现。

3 结语

由于深度学习和人工智能的不断深入发展与普及，以及桥梁检测系统的智能化发展，像素点法将在检测桥梁外观病害中充当重要角色。将像素点法集成于桥梁病害检测系统，不仅能够在计算病害面积上发挥作用，还可进一步加快桥梁病害检测进程，并且在检测精度上有出色表现，为桥梁的健康管理和维护带来及时高效的处理。除了进行面积计算之外，基于像素点的方法还可以用于桥梁裂缝的长、宽的计算等。通过对像素点法的应用现状以及与桥梁病害检测技术发展关系的分析，基于像素点法在桥梁病害检测技术的应用前景，当桥梁病害的数据量足够大或可进行大数据运算的时候，对大量桥梁病害数据的分析建模，用来预测病害的发展趋势，是将来桥梁病害检测技术的发展方向，也是结合目前已存在的相关技术的分析所得。

参考文献：

[1]周宗敏.造世界最多的桥，中国为什么能？[N/OL].http：//m.xi-nhuanet.com/2019-09/2 3/c_1 125 029077.htm.

[2]郎奠波.像素[EB/OL]. https：//baike. baidu. com/item/像素/ 95084？fr=aladdin

[3]霍达，基于像素匹配的碎纸片拼接复原[J].吕梁学院学报，2014，4（2）：43-45.

[4]黄薇，许勇，刘淑影，基于像素点的碎片图像拼接技术[J].计算机应用，2014，34（S2）：269-270，290.

[5]王民，周兆鎮，李昌华，等.基于像素点灰度差的Harris角点检测算法[J].计算机工程，2015，41（6）：227-230.

[6]高申勇，戈豪豪，张桦.基于像素点分类和颜色分割的树型滤波立体匹配[J].电子科技大学学报，2017，46（3）：606-611.

[7] Matthew P.Dube，Max J.Egenhofer，Jordan V.Barrett，Noah J.Simpson. Beyond the digital Jordan curve： Unconstrained sim-ple pixel-based raster relations[J]. Journal of Computer Lan-guages，2019，54.

[8]曹俊.曲面面積图像测量技术研究[D].成都：西南石油大学，2012.

[9]郭尚，苏鸿根，基于像素的计算大量连通区域面积的快速算法[J].计算机工程与设计，2008，29（7）：1760-1763.

[10] Georgios Bontzos，Nektaria Moysaki，Michael Tsatsos，VassiliosKozobolis， Efstathios T.Detorakis. Preliminary results of asemi-automated platform for pixel-based quantification of cho-roidal naevus progression[J]. Canadian Journal of Ophthalmolo-gy/Journal canadien d' ophtalmologie，2019，54（5）.

[11]黄卫岭.基于图像处理技术的桥梁裂缝测量系统研究[D].北京：北京交通大学，2013.

[12]占继刚，基于图像处理的桥梁底面裂缝检测识别方法研究[D].北京：北京交通大学，2017.

[13] Sukiman M S，Andriyana A，Ang B C，et al.Elastic propertiesof electrospun PVDF nanofibrous membranes： Experimental in-vestigation and numerical modelling using pixel-based finiteelement method[J]. Polymer Testing，2019.

[15] Elham Rafiei Sardooi， Ali Azareh， Bahram Choubin， SaeedBarkhori，Vijay P.Singh，Shahaboddin Shamshirband. Applyingthe remotely sensed data to identify homogeneous regions ofwatersheds using a pixel-based classification approach[J]. Ap-plied Geography，2019，111.

[16]沈海华，基于BIM的桥梁养护管理研究[D].重庆：重庆交通大学，2017.

【通联编辑：唐一东】

收稿日期：2020-01-25

作者简介：聂秀才（1993-），男（彝族），四川雅安人，西华师范大学2017级在读硕士研究生，研究方向：深度学习;通讯作者：李宝林（1976-），男，安徽太湖人，博士，西华师范大学，副教授，研究方向：计算机应用技术。