混凝土表面粗糙度数字图像特征参数影响因素

2022-06-19金洪杰沈振中

东南大学学报(自然科学版) 2022年3期

甘磊金洪杰沈振中

(1河海大学水利水电学院, 南京 210098)(2河海大学水文水资源与水利工程科学国家重点实验室, 南京 210098)

数字图像处理(DIP)是一项通过计算机程序将图像信号转换为数字信号来实现分析目的的光学测量技术.该技术仅以摄像机作为传感器,以光为信号源,不影响测量对象本身材料特性和应力场[1];相比传统手段,在混凝土、岩土等材料表面粗糙度的量测、细观结构监测等方面具有一定优势[2],被广泛应用于水利、交通、岩土等工程领域[3-4].在岩体裂隙粗糙度表征方面,不少学者采用数字图像技术获取岩体裂隙面形貌特征和物理数据[4],开展了基于不同特征参数的表征技术研究,提出能客观反映岩体裂隙面粗糙度的表征方法[5-6],并据此进行数值分析;也有学者基于数字图像技术,定量分析岩体内部切片图像,进行三维模型重构,并开展细观力学数值仿真[7].随着数字图像技术的不断成熟,其应用得到了进一步延伸,如刘杰等[8]采用颜色示踪的数字化图像技术,研究渗压及法向应力作用下渗流面积扩散规律及裂隙渗流优势路径各断面的过流宽度变化特征;刘宇飞等[9]采用数字图像法,结合多视角几何三维重建方法,实现了结构面裂缝识别、成像、拼接和输出.

近年来,数字图像技术也逐渐应用于混凝土粗糙面测量,如王端宜等[10]采用数字图像技术,基于图像像素值得出沥青路表面构造深度,实现了沥青路表面构造深度的有效测量和评价;宋永朝等[11]利用数字图像技术,研究露石混凝土表面纹理构造特征,构建了图像像素差均值与露石纹理构造深度的函数关系,分析粗糙度对露石混凝土路面抗滑性能的影响;张雄等[12]、Santos等[13]将数字图像技术应用于新老混凝土黏结面粗糙度的测量和表征;Gan等[14]利用数字图像技术,建立了下凹形态混凝土表面粗糙度和像素特征参数之间的函数关系,实现了下凹形态混凝土粗糙度的定量表征.以上诸多研究成果表明，数字图像技术可应用于混凝土粗糙面测量及表征,但数字图像技术作为一种工具用于混凝土表面粗糙度测量和表征时,其测量条件和操作方法对表征参数的影响直接关系到表征函数的合理性.例如采样点间隔对粗糙面粗糙度系数有一定影响,适宜的采样间隔值可较好平衡计算效率和粗糙面表征参数精度[15].图像特征参数测算过程中潜在影响因素较多,预先干预或修正可尽量减小粗糙度估算误差.已有的诸多研究中,数字图像技术的应用均是基于某特定初始环境和操作方式,在影响因素研究方面存在一定局限.

本文针对数字图像技术在混凝土粗糙度测量领域的应用条件开展定量研究,考虑数字图像前处理、相机感光度(ISO)、拍摄距离、环境照度、光照角度、数字化采样间距及插值方法等因素,对图像特征及表征参数进行单因素敏感性分析,研究各影响因素对混凝土表面数字图像粗糙度的影响.研究成果可为数字图像技术在混凝土表面粗糙度测量中的运用提供借鉴.

1 研究方法

1.1 图像数字化

基于图像法测距原理[16],考虑拍摄图像与真实粗糙面特征存在一定偏差,需进行图像前处理,其处理流程包含图像灰度化、基于Gauss-Sobel组合算法的图像降噪锐化处理[17-18]和对各参数数据提取,均通过MATLAB程序来实现.借助SUFER15软件,以数据插值的方法对提取的数据样本进行数据再生,以获取分辨率更高、描述性更强的图像数据.

数字图像法测算粗糙度主要分为4个步骤:① 图像采集,利用相机对混凝土表面进行拍摄;② 图像前处理,采取PHOTOSHOP软件截取或拼接方式获得目标图像,结合MATLAB程序对图像进行降噪锐化处理;③ 数字化处理,提取图像像素点坐标及灰度值参数,生成数据文件,导入SUFER15软件,生成数据分析报告;④ 选取数据分析报告关键参数,构建图像灰度值特征参数与真实粗糙度的定量关系,实现混凝土表面粗糙度的估算.

1.2 方案设计

混凝土表面粗糙度数字图像测算涉及图像采集处理、图像信息提取、图像数据分析及参数运算等过程,结果受粗糙面特征、采集条件、图像处理方法和数据分析方法等综合影响.考虑到隧洞、渠道和公路等结构表面一般为低级配水泥基材料,本文选取水泥砂浆、单级配混凝土和二级配混凝土试件粗糙面为研究对象,分别标记S-1～S-3(60.00 mm×60.00 mm的正方形粗糙面).图像处理方案包含考虑与不考虑图像前处理2组;图像拍摄设备为佳能EOS7D型号数码相机,设定ISO为500、2 000和4 000;粗糙面图像采集以近景拍摄为主,拍摄距离设为30、35、40和50 cm;拍摄照度选取晴天、多云、阴雨、室内自然光和黑暗环境人工垂直打光5种光照环境;光照角度设定0°、45°、90°、135°和180°五个角度;数字化取样间距设0.01、0.06、0.10、0.20、0.60和 1.00 mm六种精度.此外,设定5种数值插值方法用于粗糙面再生及参数运算,分别为:克里金插值法、最小曲率法、改进谢别德法、自然邻点插值法和径向函数插值法.本文考虑综合影响因素较多,测试过程严格控制变量,暂不考虑多因素耦合情况,仅研究单因素变量变化的影响.

1.3 特征参数

诸多学者开展了粗糙度定量表征和计算等相关研究.Li等[19]基于节理粗糙系数(JRC)理论,结合112个节理轮廓面图像,提出了15个粗糙度估算经验公式,认为粗糙度轮廓指数Rp、剖面伸长指数δL、坡面第一偏差均方根Z2、角度标椎偏差σi等参数与JRC密切相关.王端宜等[10]、陈嘉颖等[20]采用构造深度作为关键参数,以凸起最高点为基准面,采用粗糙面下凹深度均值来衡量其粗糙程度;宋永朝等[11]基于图像法,选取像素差均值作为构造参数,构建像素差均值与真实粗糙度的定量关系,实现露石混凝土表面粗糙度的估算.

为更加准确刻画粗糙表面图像灰度值分布情况,建立图像特征参数和粗糙度之间的定量联系.本文将图像像素平面的最大灰度值fmax、最小灰度值fmin、灰度平均值fmean、灰度值起伏均方根fz和灰度差均值fp和标椎偏差Std等参数作为数字图像灰度值特征参数,主要参数可通过如下公式计算:

(1)

(2)

fp=fmax-fmean

(3)

(4)

式中,Ω为数字图像研究区域;x、y分别为像素平面的横、纵坐标,mm;A为数字图像研究区域Ω垂直投影的面积,mm2;Nx、Ny分别为X轴、Y轴上测量点的数量;i、j分别为X和Y轴方向上的粗糙面平面序号;fi,j为第(i,j)序号点对应的灰度值;Δx、Δy分别表示在X轴、Y轴方向上测点的间距,mm;N为像素平面像素点总数.

2 结果与讨论

2.1 预处理影响

为实现图像特征对结构表面粗糙程度表征,对样本图像进行灰度化处理,以单一灰度值来描述其图像像素空间特征.现场图像采集过程中,环境、设备及人为因素均会导致获取图像存在噪声、局部模糊等,为增加图像质量,需进行降噪、锐化等图像处理[21].本文采用MATLAB编写Gauss-Sobel组合算法程序,对S-1～S-3样本图像进行预处理.预处理前后图像如图1所示,图像数字化结果参数值见表1.

(a) S-1预处理前图像

表1 各样本预处理前后特征参数表

各样本像素平面内各灰度值像素点数量分布如图2所示.由图可知,预处理之后图像灰度值分布较处理前整体趋势更加平缓,灰度值数量峰值均有所下降,各灰度值的数量分布更加均匀,说明预处理均化效果明显;对比不同类型粗糙面各灰度值像素点数量分布可知,样本S-1～S-3预处理前的

(a) S-1

灰度值数量分布分别呈现高耸山峰状、较平缓单峰和双峰分布特征,预处理之后依旧保留相同的分布特征,说明预处理不会对粗糙面图像各灰度值的分布规律产生根本性影响.

由表1可知,样本S-1～S-3预处理前后最小灰度值变化值分别为30、27和29,最大灰度值变化值分别为4、10和2,预处理对图像锐化效果较好,处理后的图像参数可准确地描绘粗糙面的凹凸轮廓特征.样本S-1～S-3处理前后标准偏差最小变化幅度为9.04%,灰度差均值变化幅度最大值达到9.34%,运算时间最大变化幅度为4.91%,图像预处理时间成本能够满足工程需求.图像预处理可较大程度降低图像输入误差.

2.2 图像采集影响

2.2.1 相机ISO

拍摄设备内在参数与图像信息采集及测算结果直接关联,以数码相机作为拍摄工具,调节相机ISO,研究相机单一内在参数改变的影响.粗糙面S-1～S-3图像各灰度值数量分布规律见图3.由图可知,利用数码相机采集样本S-1～S-3数字图像,其灰度值数量分布规律随相机ISO改变未发生明显变化,其总体平缓度和数量峰值段存在轻微变化.水泥砂浆、单级配混凝土粗糙面和二级配混凝土粗糙面样本灰度值数量分布仅在数量峰值变化较大;样本S-1和S-2峰段灰度值随ISO先增后减,S-3样本2个峰段灰度值均呈现减小趋势,整体变化幅度较小.

(a) S-1

进一步研究拍摄设备内在参数对灰度值特征参数的影响,部分主要特征参数变化曲线如图4所示.不同曝光率条件下数码相机采集S-1和S-2图像的fmean、fz和Std均先增加后减少,S-3图像fmean、fz和Std均呈现递减的趋势,fp变化趋势相反;3个样本图像特征参数变化趋势与峰值变化相似,说明较多数量灰度值发生波动,会对像素灰度值的整体参数产生显著影响;改变相机ISO一定程度上会影响图像质量,导致图像特征和测算结果发生变化,这种变化趋势及程度与粗糙面材料组成相关.

(a) S-1

2.2.2 拍摄距离

拍摄镜头、距离改变或焦距变化都会直接影响数字成像结果.本文采用固定支架及严格控制焦距的方式,对图像进行垂直拍摄,设定相机ISO为500,拍摄距离设置30、35、40和50 cm四组.样本S-2测算结果参数趋势如图5所示.由图可知,图像fmean、fz和Std均呈现先增后减的趋势,4个距离下3个参数平均值分别为153.47、157.00和33.01,最大偏差为6.33%、5.96%和8.84%.随着垂直拍摄距离增加,3个参数变化幅度逐渐减小.改变拍摄距离对各特征参数不存在单向增加或减少的影响,拍摄距离变化也不会导致测量结果的误差累计.拍摄距离较小对特征参数的影响要大于拍摄距离较大时,在拍摄距离为40 ～50 cm时特征参数的变化幅度减小.

图5 不同垂直拍摄距离下样本S-2图像特征参数变化曲线

2.2.3 照度

光照环境是摄影环境的重要影响因素之一,照度是光照环境量化的重要指标.研究照度因素对图像特征参数的影响,选择室外晴天、多云、阴雨、室内环境和黑暗环境人工垂直打光5种环境进行图像拍摄,不同拍摄环境下样本S-2预处理后的灰度图像如图6所示,其数字图像灰度值分布规律如图7所示,不同光照环境下样本S-2图像特征参数测算结果如表2所示.

(a) 晴天

表2 不同光照环境下样本S-2图像特征参数表

图7 不同光照环境下样本S-2图像灰度值分布图

由图6可知,样本S-2图像亮度与其环境照度正相关,照度3 240 lx的室外自然光环境采集的图像较照度397 lx的室内自然光和252 lx的黑暗打光环境采集的图像其色调更加暗沉,光环境场所和光源的性质均会影响图像特征参数数值;在室外自然光环境中,图像轮廓随着照度减小而逐渐清晰,而室内环境,自然光条件采集的图像轮廓更为明显.由图7和表2可知,室外自然光环境下,随着照度减少,样本S-2图像灰度值数量分布趋势整体分布更加均匀,数量峰值逐级降低,产生峰值的灰度值段逐级前移,晴天、多云、阴雨3种环境下最大灰度值255占比分别为7.44%、0.02%、1.87%,说明随着室外自然光照度(3 240～41 500 lx)降低,图像灰度值分布更为均匀,图像色系分布更为充分,所摄粗糙面轮廓更为清晰.高照度下图像预处理取得的效果更明显,但其灰度值分布情况过于极端,与实际粗糙面特征偏离较大,最终测算结果难成为经验公式的有效参数,而3 240～9 680 lx照度范围仍能在一定程度上反映实际粗糙面特征.相比室外自然光情况，室内自然光和黑暗环境人工垂直打光下的图像灰度值分布更加均匀,峰值灰度值段趋于灰度值中间区域,与劈裂产生的粗糙面特征更为接近.

2.2.4 光照角度

研究光照角度对混凝土粗糙面特征参数的影响,选择0°～180°角度范围间隔45°设置一组,各图像测算结果参数如表3所示.由表可知,随光照角度变化，目标粗糙面照度变化显著,垂直于目标面时照度最大,为252.0 lx;0°～ 45°的变化幅度为413.59%,45°～90°的增大幅度为33.33%,随角度增大,照度增幅逐渐变小.相同光照角度下不同样本图像特征参数变化规律差异较大,不同样本原始粗糙面粗糙起伏程度不同,光照角度变化所带来的影响程度不同.当光照角度由90°不断向0°或180°变化时,其表面光照的分布逐渐变得不均匀,0°和180°情况下不均匀程度达到最大,且这种不均匀程度与原始粗糙面的粗糙度密切相关.

表3 不同光照角度下各样本图像特征参数表

综上说明,光照角度对于粗糙面测算结果的影响主要体现在粗糙面接受光照的均匀程度上,且还受粗糙面所处位置及其表面粗糙起伏程度等因素影响.实际操作过程中应该尽量保证光源垂直照射待测粗糙面,降低光照角度偏移导致的测算误差.

2.3 图像数字化影响

采用SUFER15 软件进行图像灰度值数字化分析,研究数字图像采样间距和插值方法对数字图像特征参数测算结果及测算时间的影响.

2.3.1 采样间距

以60.00 mm×60.00 mm的粗糙面图像为样本,设置0.01～6.00 mm范围内不同采样间距d对图像处理后的各样本图像进行测算,S-2粗糙面图像特征参数结果和时间参数如图8所示.其中,T为程序运算时间.

(a) fmin和fmax

由图8可知:S-2样本图像特征参数fmax随采样间距d增大保持稳定,为255;fmin、fmean、fz和Std单调递增,fp单调递减,各图像特征参数变化趋势总体符合二次函数关系;测算时间参数急速下降后趋于稳定,符合幂函数变化规律.采样间距由0.01 mm增加到0.10 mm的过程中,fmin、fmean、fz和Std的累计变化幅度均小于0.24%,时间减少572.40 s;间距大于0.10 mm之后,fmin、fmean、fz和Std的变化幅度逐渐增大,时间减小幅度不显著.综上说明采样间距对图像特征参数的影响较显著.在实际测量过程中需综合考虑测算面积、结果误差和运算时间成本,确定合适的采样间距.对于本文的60.00 mm × 60.00 mm 粗糙面图像来说,建议采样间距取为0.20 mm,测算时间为4.50 s.

2.3.2 插值方法

原始图像数据通过采用不同数值插值方法进行数据再生,生成的新图像数据之间存在偏差.本文选择5种插值方法进行测试,测算结果如表4所示.

表4 不同插值方法下各样本图像特征参数表

由表4可知,随着插值方式的变化,各样本图像特征参数整体较为稳定,但测算运行时间存在明显差异.以样本S-2为例,5种插值方式测算结果的fmean、fz、Std和fp的最大相对误差为6.35%;运行时间最大相差了41.6 s,幅度为99.48%.说明选取合适的插值方法可以显著降低运算时间成本.针对低级配混凝土粗糙面图像,建议采用最小曲率法.

混凝土表面粗糙度一直为工程界关注[22-23],数字图像法在混凝土表面粗糙度测量领域具有一定优势,但混凝土表面粗糙度数字图像测量结果受拍摄设备、拍摄环境、采样间距和插值方法等因素影响.针对水泥砂浆、单级配混凝土和二级配混凝土粗糙面,建议拍摄设备优选数码相机,垂直拍摄距离取40 cm,随光线变化改变相机ISO以获取优质原始图像;室外光照环境选择光线较缓和的多云或晴朗天气,避免过强光照影响测算结果,若隧洞等黑暗环境下,建议采用头戴式探照灯垂直照射壁面进行拍摄;数字化采样间距取0.2 mm;插值方法采用最小曲率法.

3 工程应用

以河南省某隧洞混凝土管片粗糙面为例,验证上文提出影响因素控制条件的合理性.该隧洞段长2 646 m,总水头差4 m,设计流量51.7 m3/s.隧洞洞身段建筑物级别为1级.隧洞采用泥水盾构施工,盾构推进过程中安装厚度约35 cm的混凝土衬砌管片、管片外侧同步注浆,后期在衬砌管片内侧再二次衬砌厚度约50 cm钢筋混凝土,管片内侧壁面的粗糙度直接影响到二次衬砌胶结强度.因此,衬砌安装前需对管片内侧壁面粗糙度进行测量控制.

考虑隧洞光照环境,设定数码相机ISO为4 000,垂直拍摄距离40 cm,头戴式灯光垂直照明进行管片内部粗糙面图像采集,采用MATLAB程序提取面积为100 mm×100 mm粗糙面图像数据,采样间距取0.2 mm,选用最小曲率插值方法进行数字化分析.借鉴混凝土构造深度的思路,考虑到像素差均值fp和表面构造深度Hp之间存在良好的线性关系[11-12],采用像素差均值fp来表征粗糙度.选定某一混凝土管片4个不同区域采集图像,图像预处理后的管片灰度图像如图9所示.结合高精度千分表测定得到的4组混凝土管片壁面(T-1～T-4)构造深度分别为3.744、3.492、3.336和3.144 mm,其对应测算时间和图像像素差均值fp见表5.

(a) 粗糙面T-1

表5 管片粗糙面测算结果及实测构造深度

将T-1～T-4粗糙面的fp和Hp进行拟合,拟合公式如下:

Hp=0.044 9fp-1.655 4

(5)

由式(5)得到4组粗糙面构造深度计算值分别为3.707、3.538、3.321和3.131 mm.混凝土管片粗糙面构造深度Hp计算值和实测值平均相对误差、均方根误差和平方根分别为0.79%、0.311 0 mm和0.980 4.每个粗糙面图像平均运行时间为0.12 s,可实现批量图像粗糙度的测量.综上说明本文提出的影响因素控制条件是合理的,适用于输水隧道、渠道等结构表面粗糙度的快速估算,具有推广应用前景.