隧道快速检测系统图像处理技术研究

摘 要：当前，机器视觉等技术正逐渐应用于隧道检测，而图像处理是其中最重要的环节。由于隧道衬砌图像特征复杂、数据量庞大，如何在保证图像处理速度的同时提高图像处理准确度，是一个难题。现提出一种基于改进分水岭分割法的图像预处理方法，使用基于支持向量机与最近邻法相结合的快速分类算法，对病害进行了有效分类。通过实际工程采集的数据进行驗证，该方法对裂缝有较好的识别效果。

关键词：机器视觉;隧道检测;图像处理

0    引言

对隧道进行有效的养护维修，前提是对隧道进行全面准确的检测。隧道病害主要有裂缝、剥落、渗水、错台等，传统方法是进行人工检查，由于隧道内光照条件差、粉尘多、封路不方便等因素，这种检测方式受限于检测人员的主观性，难以对隧道进行全面检查。为了解决上述问题，近年来机器视觉技术逐步开始应用到隧道检测当中。其基本原理是利用相机对隧道衬砌表面进行连续拍照，将照片进行图像拼接，形成完整的隧道衬砌表观图，在表观图中识别病害并进行标注，统计分析之后制定养护策略。

山西省交通科技研发有限公司自主研发的隧道检测车，集机器视觉、惯性导航、激光测量等多种先进技术于一体，能以不低于70 km/h的行驶速度，实现对裂缝、渗水、剥落等隧道表观病害的全自动采集与识别，大幅降低检测时间和成本。截至目前，检测车已在重庆、四川、贵州、陕西、山西等省市进行了大量应用，完成了50余条高速公路600多座隧道的检测业务，累计检测隧道1 706 km。

将机器视觉应用在隧道检测中，可以大大提高检测效率;但如何在保证图像处理速度的同时提高图像处理准确度，是一个难题。本文通过分析隧道环境不同干扰情况下病害目标成像机理，提出基于改进分水岭分割法的图像预处理方法，探索隧道病害的多维深度卷积网络特征优选方法，为后续病害目标自动识别研究奠定了理论基础。

1    自适应图像分割算法

病害识别软件中有人工识别和人工辅助智能识别两种方式。人工辅助智能识别是图像处理软件的核心模块，隧道衬砌各种病害的特征是边缘，通过计算机建模与仿真获得稳定可行的裂缝边缘检测算法，并针对不同环境对阈值分割方法进行特定修正，建立一套稳定的阈值分割方法，并且通过机器学习剔除掉衬砌施工缝、盖板缝隙等“假病害”，从分割后的图像中结合三维扫描仪和微型陀螺仪数据获取修正过的病害外部几何特征。所有识别到的病害中都会存在一些高相似性的噪声，例如蜘蛛网、机械划痕等，通过人工辅助的方式对所有智能识别出的病害进行复核，即可完成全部的病害检测工作。

分水岭算法[1]是一种比较有效的图像特征分割方法，但图像中病害信息与其他干扰信息在图像灰度上有可能存在重叠，导致该算法在进行分割时会产生过度分割的问题。本文提出一种边缘后验概率模型约束下的自适应分割算法，利用边缘后验概率模型自适应的选择对改进分水岭的分割结果用边缘阈值分割算法做进一步的精细分割。

本文的边缘后验概率模型是在隐马尔科夫模型思想基础上建立起来的，两部分算法由模型统一约束。对图像进行基于分水岭算法的图像特征分割，以此结果作为输入，此处建立图像分割的边缘契合度概念[2]，即分割结果边缘像素点的邻域相似性。设像素点p的坐标为（x，y），则在它的水平和垂直方向上一共有4个相邻的像素点，它们的坐标如下：（x+1，y），（x-1，y），（x，y+1），（x，y-1）。这4个像素点再结合像素点p的对角的像素点统称为p的四邻域，记为N4（p）。则p的n邻域为Nn（p），n=4×i，其中i=1，2，3，…

对分割后的图像得到其边缘点集合E，总数为Q。随机点集合为S（边缘集，edge set）是定义在E上的一族个数为m的随机点集合，每个点有邻域空间（neighbor space）为L={1，2，3，…，i}，表示该点的邻域范围。边缘后验概率模型包含两个要素，即边缘集和邻域空间。边缘集S中的每个位置通过一个邻域系统发生联系，边缘集S的邻域定义如下：

N={Np|p∈S}

式中，Np是位置p的邻域。

当邻域空间L取为i时，边缘集S中每个点与其邻域（n=4×i）点的像素值差的均值为：

Gmean（p）=

式中，f（p）代表像素点p处的灰度值;k=（1+2i）2-1为邻域内像素点的总数。

则边缘集S邻域的像素值差小于z的边缘契合度为：

P（S）=

式中，∑k（Gmean（p）>z）为像素差均值大于z的个数。

裂缝病害预处理效果如图1所示。

2    图像特征分类算法

本文基于支持向量机[3]与最近邻法相结合的分类器对图像目标进行识别与分类，将有病害与无病害的图像分隔开来，减少需要进一步处理的数据量，提高隧道检测图像处理的效率。

算法拓扑图如图2所示。SVM分类器核心是建立一个超平面作为深度学习特征分类决策曲面，使得裂纹病害优选特征正例和反例之间的隔离边缘最大化。对于图像二维线性可分情况，需要进行图像裂纹信息和背景信息最优分类面的构建，旨在保证两类样本正确分割，而且需要使得正负样本分类间隔最大。在高维空间，最优分类面代表的核函数就是最优分类面函数。

本文利用SVM线性分类器构建一个图像超平面将裂纹信息和背景信息分离，利用深度学习网络构造的样本特征描述进行裂纹和背景的聚类，实现目标图像ROI（感兴趣区域）和非ROI（非感兴趣区域）的分类选择。利用实际工程中采集的数据进行验证，选取1 000张有病害的图像进行识别分类，采用本文方法裂缝病害的分类准确率可达到90%以上。

3    结语

文中提出了一种基于改进分水岭分割法的图像预处理方法，使用基于支持向量机与最近邻法相结合的快速分类算法，对病害进行了有效分类。随着数据的不断积累，该算法的准确率会不断提高，最终达到完全自动识别的目标。

[参考文献]

[1] 吴宏涛.多形态几何约束的道路障碍物检测新方法[J].山西交通科技，2019（4）：48-49.

[2] 叶柳波，陈晨，陈鑫，等.基于图像识别技术的零部件表面裂纹检测系统研究[J].科技信息，2010（20）：16-17.

[3] 康健，杜向党，白龙.火车轮对荧光磁粉探伤图像的裂纹识别技术研究[J].机械与电子，2013（12）：44-46.

收稿日期：2020-03-25

作者简介：刘博（1988—），男，山西太原人，工学硕士，工程师，研究方向：机电一体化。