基于动态阈值的混凝土裂缝高抗噪提取及识别方法

杨才千 李 帅 王博昆陈耀井 洪 万 瞿 冯 潘 勇

(1湘潭大学土木工程与力学学院, 湘潭 411100)(2东南大学土木工程学院, 南京 210096)(3江苏高速公路工程养护有限公司, 淮安 223005)(4南京工业大学土木工程学院, 南京 211800)(5江苏东部高速公路管理有限公司, 盐城 224002)

混凝土表面裂缝作为混凝土病害的主要存在形式，严重影响着结构的安全性与耐久性.对混凝土表面裂缝进行有效、可靠的检测才能保证其正常服役.目前，人工巡查是裂缝检测中最常见的方法.在应对环境不友好的工况时，人工巡查存在危险，且易受检测员主观性影响，效率和准确性均较低[1].

基于图像识别技术的机器视觉技术[2]能高效地将图像信号转化成数字信号进行处理，相比于人工巡查，强大的计算能力使裂缝信息的收集工作变得更加智能与便捷.裂缝图像识别一般先采用滤波去噪法[3]来去除轻微噪声，常见方法包括高斯滤波去噪[4]与双边滤波去噪[5]；然后，对图像进行阈值分割，将裂缝图像转化成二值图，常见方法为K-means聚类分割法[6]和阈值分割法[7].Ito等[8]通过调整裂缝图像对比度，采用小波变换并二值化的方法来提取裂缝，该方法基于亚像素原理进行图像处理，实现了裂缝的自动特征提取和裂纹定量分析.Fujita等[9]采用Hessian矩阵线性过滤器来增强图像中线性结构，研究了复杂噪声环境下的混凝土表面裂缝图像提取方法，但由于设置的固定阈值只针对单一特征的裂缝，无法将算法泛化到实际工程检测中，实用性较差.Cha等[10]采用基于卷积神经网络的深度学习方法来识别裂缝，但在应对混凝土表面存在不均匀色斑与纹理的识别场景时实用性较低.赵君爱等[11]针对复杂背景噪声环境下混凝土微小缺陷图像阈值分割难的问题，提出了一种基于像元搜索算法的微小缺陷检测方法.现实情况下，混凝土表面存在随机分布的裂缝以及蜂窝麻面等强噪声干扰，增加了裂缝提取处理的难度.

裂缝特征识别是裂缝检测的重要部分.周亚群等[12]在提取裂缝后通过MatLab平台获取裂缝的垂直、水平方向投影曲线图，从而得到裂缝长度、最大宽度、最小宽度等相关特征参数.梁雪慧等[13]通过改进GoogLeNet网络模型检测裂缝，提取裂缝骨架线，计算其特征参数，发现将裂缝欧氏距离作为裂缝宽度具有较好的精度.然而，上述方法均仅针对简单的混凝土背景噪声，复杂背景下混凝土裂缝提取与识别效果仍然较差.

本文基于裂缝的长度、宽度、面积等几何特征与灰度特征，提出了一种基于动态阈值的裂缝提取方法，并通过多组实验与实际桥梁裂缝的检测，验证了该方法的可实施性与普适性，为混凝土裂缝的有效识别、道路桥梁管理和养护等提供了参考依据.

1 裂缝图像提取处理

1.1 裂缝图像预处理

采集的图像一般为三通道彩色图像，直接处理既增加计算工作量，又容易对有用信息的提取造成干扰.如图1所示，采集的裂缝原图经过灰度变换后只包含亮度信息，灰度图像方便存储，可提高计算效率.混凝土是由胶凝材料和粗细骨料胶结而成的复合材料，其表面存在深色区域的颜色噪声以及蜂窝麻面等结构噪声.采用高斯滤波将一个掩膜矩阵和图像像素矩阵进行卷积，可过滤大部分细微噪声，再将图像进行细节增强处理，便可使裂缝细节变得更加突出.

(a) 灰度变换

(b) 高斯滤波

(c) 图像增强

(d) OTSU阈值分割

1.2 裂缝区域分割提取

作为前景目标，裂缝形态清晰.但对于非裂缝的背景区域，中间灰度级像素点的存在导致图像中仍保留部分伪裂缝噪声，因此需要将真实的裂缝区域尽可能分割出来，去除伪裂缝像素点的灰度扰动.本文采用OTSU阈值分割法来分割裂缝区域，使图像仅保留灰度值为0和255的像素点，图像仅剩裂缝与部分背景噪声信息.

1.3 裂缝区域连通域分析

连通域是指位置相邻、像素值相同的多个像素点所围成的区域.一般情况下，连通域内所有像素点具有相同的属性，即同一物体.连通域的面积由物体本身的形状所决定.利用这一特性，通过设定连通域面积动态阈值，便可区分不同属性的目标物体.由图1(d)所示，经形态学处理和面积分割提取后的裂缝图像，除具有最大面积的背景区域外，裂缝区域的面积相对较大，而噪声呈圆点状、小面积无规则分布.本文通过设置动态阈值的方法，提取面积由大到小排在第2位的连通域，从而完成裂缝的初步提取工作.该方法不受固定阈值的限制，具有较强的普适性和应用价值.

利用种子填充法遍历图像矩阵，采用八邻域路径扫描法寻找灰度值为255的区域，形成各个连通域，将其进行编号并用不同颜色表示，结果见图2.

图2 裂缝区域连通域标识

调用OpenCV视觉库中的Connected components with stats函数找出所有连通域，基于像素个数统计其面积、像素尺寸以及坐标信息，并根据面积大小将所有连通域降序排列.面积最大者为背景连通域，第二大者一般为裂缝连通域.利用这一特性，只需将裂缝图像中的第二大连通域面积值设为阈值，便可去除裂缝图像中绝大部分噪声干扰，使图像仅保留背景及裂缝信息.

混凝土表面存在随机分布的蜂窝麻面以及白斑现象，部分纤维混凝土的裂缝处还存在如图3(a)圆圈中所示的纤维断丝，这类强干扰噪声将影响裂缝提取效果.采用传统的数字图像方法难以去除这些强噪声干扰，而本文方法则具备高抗噪能力，可满足强噪声干扰条件下的裂缝提取工作.

(a) 输入端裂缝图像

(b) 输出端裂缝图像

2 裂缝特征参数识别

2.1 裂缝面积识别

裂缝的面积识别是裂缝检测的一个重要部分.预处理后对裂缝图像进行阈值分割，可得到已去除大部分强噪声干扰的裂缝二值图图像，然后调用Connected components with stats函数便可对裂缝进行提取.

统计裂缝区域连通域像素点个数N，由图像分辨率I可计算得到裂缝实际面积Sc，即

(1)

假设图像的像素尺寸为H×W，则图像所在范围的裂缝率为

(2)

式中，h、B分别为图像的像素高度和宽度.

采用本文方法对裂缝图像中的裂缝轮廓进行提取，结果见图4(a).将此裂缝轮廓映射至原裂缝图像，所得结果见图4(b)，由图可知，采用本文方法提取得到的裂缝轮廓与原图裂缝轮廓吻合良好.

(a) 裂缝图像轮廓

(b) 裂缝轮廓原图映射

2.2 裂缝长度识别

在裂缝发展情况检测中，通过对比裂缝多次测量的特征参数得到裂缝的发展状态.常用的裂缝长度测量算法为近似法，例如最小外接矩形法，即将矩形的长边长度或者对角线长度近似为裂缝长度.对于曲率或者宽度较大的裂缝，该方法误差较大，不利于工程病害评估.

调用Morphology子模块中提供的Skeletonize函数，对提取的裂缝二值图进行骨架细化处理，本质是对裂缝长度信息进行拓扑表示.在识别裂缝长度特征时，采取骨架细化的方式，按照四邻域路径腐蚀目标区(灰度值为255)，判断目标像素点左右邻域的像素点灰度值是否都为0，若全为0，则认为该像素点为内部点，将其保留；若不全为0，则该像素点可删除.沿着水平方向向连通域内部依次判断，剩下的目标区域即为原裂缝图像的拓扑形式.

如图5所示，当图像采集设备像素过高时，获取的裂缝图像分辨率过高，从而产生裂缝骨架过拟合的现象.对裂缝连通域进行腐蚀操作可以解决过拟合问题，即将裂缝图像与掩膜矩阵进行卷积运算.在保证裂缝骨架不变的情况下有效减少了裂缝区域的像素点，消除了提取裂缝骨架时的过拟合现象.该方法只需根据各种图像采集设备的特点，设置相应裂缝掩膜的卷积核大小，因而适用于各种图像采集设备获取的裂缝图像.

图5 高分辨率图像裂缝区域拓扑

采用骨架细化算法处理裂缝，可以降低近似误差.裂缝经过拓扑运算后，只保留单个像素阵列.然而，单个像素点排列尺寸过小，无法计算其周长，故将细化后的裂缝图像与掩膜矩阵进行卷积运算，掩膜矩阵中心点遍历骨架区域，得到如图6(b)所示的膨胀后的裂缝骨架图像.

(a) 裂缝图像骨架拓扑图

(b) 膨胀后的裂缝图像

将裂缝骨架线的长度近似为其实际长度，受膨胀作用影响，裂缝骨架线进行了贴合复制，即骨架线上的单个像素点在水平方向上得到拓展.由于像素点尺寸非常小，且裂缝长度方向的像素点个数远大于宽度方向，故可将膨胀后裂缝骨架周长的1/2近似为裂缝在图像中的像素长度.令膨胀后的裂缝像素周长为L，则裂缝的实际长度为

(3)

2.3 裂缝宽度识别

裂缝区域采用矩形有限元进行分割(见图7)，将裂缝分为许多小矩形.图中，Δxi、bi、ΔS分别为第i个矩形的长度、宽度和面积.

图7 裂缝有限元分割示意图

记λ=max{Δx1,Δx2,…,Δxn}，则裂缝面积为

(4)

式中，b为裂缝平均宽度.

由式(4)可知，可将裂缝区域看作n个矩形的拟合.将裂缝面积除以裂缝长度，便可得到该区域的裂缝平均宽度，即

(5)

在实验室内拍摄2组裂缝图像(见图8)，连通域分析及裂缝提取结果分别见图9和图10.原图像中纵向裂缝的分辨率为3.41 像素/mm，细裂缝的分辨率为4.93 像素/mm.由此可见，采用本文方法可成功识别出裂缝面积、区域裂缝率、裂缝长度与裂缝平均宽度，其中，纵向裂缝的平均宽度为 2.01 mm，细裂缝的平均宽度为1.07 mm.表1中的裂缝特征识别结果证实了本文方法的可实施性.

(a) 纵向裂缝

(b) 细裂缝

(a) 纵向裂缝

(b) 细裂缝

(a) 纵向裂缝

(b) 细裂缝

表1 裂缝特征识别结果

3 工程实桥应用

3.1 图像信息

为验证本文方法在工程实桥应用中的有效性，采集了某高速大桥抗震挡块与某高速互通南墙处的裂缝图像数据(见图11).

(a) 某高速大桥

(b) 某高速互通

3.2 裂缝区域提取

对网状裂缝图像进行裂缝提取处理，结果见图12.某高速大桥裂缝图像存在部分大噪声区域；某高速互通裂缝图像存在孔洞现象.从处理裂缝的效果可以看出，本文方法对含有复杂噪声的混凝土裂缝与细裂缝都具有较好的提取效果，抗噪性能较好，鲁棒性较强.将裂缝轮廓映射到裂缝原始图像后，提取出的裂缝轮廓对裂缝边界的拟合效果较好(见图13).

(a) 某高速大桥

(b) 某高速互通

(a) 某高速大桥

(b) 某高速互通

3.3 裂缝特征识别

对图12进行裂缝特征参数识别处理.某高速大桥的裂缝图像分辨率为5.14 像素/mm，某高速互通的裂缝分辨率为4.97 像素/mm.采用本文方法识别及计算所得的裂缝特征参数见表2.由表可知，某高速大桥的裂缝平均宽度为1.34 mm，某高速互通的裂缝平均宽度为0.97 mm.

表2 工程实桥混凝土表面裂缝图像特征测量结果

4 结论

1)在图像预处理环节，通过灰度变换、高斯滤波、信息增强等方法弱化、去除噪声，增强图像中裂缝的亮度，提高裂缝与背景的对比度.

2)在裂缝图像提取阶段，采用OTSU阈值分割法将裂缝图像二值化，只保留0和255两种灰度值的像素点.通过调用Connected components with stats函数并设置动态阈值提取裂缝，抗噪性能较好，泛化能力和鲁棒性较强.

3)本文提出的混凝土裂缝识别方法可识别复杂噪声背景下的裂缝宽度、长度以及面积，识别效率较高，鲁棒性较强，为裂缝检测工作提供更多的数据支持.