基于CCTV和缺陷特征提取的城市排水管道结构性缺陷检测

徐 峰，徐颖昕

(1.济南市水务服务中心，济南250011；2.济南市水务集团，济南 250014)

近几十年来，我国的城镇化进程不断发展，地下排水管道作为城市重要的基础设施，对于城市的生产生活具有重要影响，为了保障排水系统的正常运作，延长排水管道的使用寿命，必须做好管道的日常清理和定期检测维护工作[1-3]。

管道闭路电视(CCTV)检测系统是目前最常用的管道检测设备，但该系统在管道图像采集和缺陷判断的过程中需要大量的人工参与，尤其是在管道缺陷分类方面，受人为主观判断的影响很大，如果工作人员缺乏工作经验或者工作状态不佳，很可能导致缺陷判别结果出现较大的偏差[4-6]。为减少管道缺陷识别过程中对工作人员的依赖，一些学者提出了智能检测和自动识别技术，但该技术的可靠性并没有形成一个统一的定论，而且在分类正确率方面也有待提高。当前，基于机器学习的图像处理技术在医学、人脸识别、路桥缺陷检测等领域得到了广泛应用并取得了不错的成效，借鉴于上述经验，也可将基于机器学习的图像处理技术应用到排水管道的缺陷检测当中，从而在提高缺陷分类正确率的同时，大大降低人工成本[7-8]。

笔者提出了基于支持向量机学习的管道缺陷检测技术流程，并重点对纹理特征提取方法和缺陷分类进行了研究，以期为城市排水管道结构性缺陷检测提供新的思路和方法。

1 管道缺陷分类

按照《城镇给排水管道检测规程》中的相关规定，可将给排水管道的缺陷类型划分为结构性缺陷和功能性缺陷两大类。结构性缺陷主要包括裂纹腐蚀、错口、接口材料脱离、渗漏等，其中裂纹、错口、腐蚀3种缺陷最为常见，一般情况下需要使用一定的修复手段进行修复，而功能性缺陷一般仅需要日常的保养维护即可，包括残墙、结垢、树根、浮渣等。常见的管道缺陷如图1所示。

图1 常见的管道缺陷外观

2 检测流程

给排水管道结构性缺陷检测流程如图2所示，具体如下：首先利用管道爬行机器人携带CCTV检测系统对济南市某段地下排水管道进行拍摄，得到原始数据；然后利用Video Reader函数读取视频原始数据，根据视频采集速率设置提取帧画面间隔值T(2 s为宜)，保存提取对应帧下的管道图像；接着，对抓取得到的管道图像进行粗分类(区分有无缺陷)，去除图像中的无关文字信息，再通过灰度变换、直方图均衡化处理、限制对比度自适应直方图均衡化处理、自适应中值滤波处理、边缘轮廓增强处理等措施，对有缺陷的图像进行预处理，从而获取缺陷子图集(包括裂纹、错口、腐蚀3类)，管道缺陷子图集如图3所示；接着采用灰度共生矩阵(Gray Level Co-occurrence Matrix，GLCM)法[9]、改进的灰度共生矩阵复合特征向量提取(Block Gray Level Co-occurrence Matrix，B_GLCM)法[10]、灰度-梯度共生矩阵(Gray Gradient Co-occurrence Matrix, GGCM)法[11]、Gabor法[12]以及局部二值模式(Local Binary Patterns, LBP)法[13-14]等5种不同图像纹理特征提取方法，对缺陷子图集进行图像特征提取；最后通过构建基于向量机学习的二分类支持向量机(BSVM)分类器对提取到的缺陷数据进行训练和分类，最终得到排水管道的缺陷检测结果。

图2 给排水管道结构性缺陷检测流程图

图3 管道结构缺陷子图集

3 纹理特征提取

3.1 纹理特征提取方法

不同缺陷纹理特征的提取方法流程如图4所示。

(1) GLCM方法通过计算某特定空间中的像素点出现的次数，从而获得图像内部像素点之间灰度与空间的相互关系，其流程见图4(a)，共分为6步：① 读取缺陷子图集中的图片；② 灰度级数压缩，灰度级数影响GLCM的计算量，每增加一个灰度级数，就会使灰度共生矩阵纹理特征提取所耗费的时间增大2倍；在确保纹理质量的前提下，笔者将灰度级数设置为16，即灰度共生矩阵为256×256(行×列)的矩阵，共包含216个元素；③ 构建灰度共生矩阵，计算灰度值，距离取值为1，方向分别为0°，45°，90°，135°；④ 对图像中的每一个元素进行归一化处理；⑤ 灰度共生矩阵二次统计量计算，统计量包括角二阶矩(能量)、对比度(惯性矩)、相关系数、熵和逆差分矩；⑥ 通过计算二次统计量在4个方向上的均值和标准差，构建特征向量，从而得到管道不同缺陷的特征数据库。

(2) GLCM法是对整个图像的灰度共生矩阵进行统计量的计算从而获取特征向量的，这样可能会导致一些局部特征无法很好地得到体现，由于局部特征在某些特定情况下对纹理特征提取结果的影响很大，可能使纹理特征提取出现偏差，为了减少出现类似现象，笔者提出应先对缺陷图像进行分区分块处理，再通过对各分区进行GLCM计算得到分区特征向量，最后对各分区特征向量进行串联操作，从而获得整体的复合特征向量，从而增大图像局部特征在全局特征中所占比例，提高分类精度，笔者将此方法称之为改进的灰度共生矩阵复合特征向量提取(B_GLCM)法。B_GLCM纹理特征提取流程如图4(b)所示。

图4 不同缺陷纹理特征的提取方法流程

(3) GGCM法不仅考虑了图像的灰度信息，而且还考虑图像的梯度信息，是利用灰度和梯度的综合信息进行图像纹理特征提取的一种方法，GGCM法纹理特征提取流程如图4(c)所示，共分为6步：① 读取缺陷子图集中的图片；② 获取梯度图像；③ 根据梯度图像获取归一化梯度矩阵；④ 构建灰度-梯度共生矩阵；⑤ 计算10个或者15个统计特征量；⑥ 构建特征向量，得到特征数据库。

(4) Gabor小波变换最早于20世纪50年代由Dennis Gabor提出，主要目的是为了弥补傅里叶变换在非平稳信号方面存在的缺点，在进行图像特征提取时，滤波器需要与目标图像进行卷积操作，而Gabor小波变换具有不同尺度和方向上的滤波器，不同的滤波器对计算效率和结果的影响较大，当尺度和方向取值均较大时，需要对数据进行降维处理，Gabor法图像特征提取流程如图4(d)所示，共分为5步:① 读取缺陷子图集中的图片，同时构建Gabor小波滤波器；② 将滤波器与目标图像进行卷积计算，获取滤波后的图像；③ 进行高斯平滑处理，得到特征图像；④ 通过特征图像获取幅值；⑤ 构建特征向量，得到特征数据库。

(5) LBP法是通过定义的窗口对图像进行逐步扫描，对中心位置像素点8个领域内进行二值化处理并以中心点位置的灰度为阈值，当周围领域内灰度超过此阈值时，计为1，反之计为0，按逆时针顺序获得一个二进制数，如此反复操作，可获得图像的LBP直方图，并将此直方图作为图像特征，从而获取管道缺陷特征数据库。LBP法纹理特征提取流程如图4(e)所示。

3.2 纹理特征提取方案

3.3 纹理特征提取效果

不同纹理特征提取方案下的提取效果如图5所示。由图5可知，采用GLCM法进行特征提取时(方案1)，特征维数为10；采用B_GLCM法进行特征提取时(方案25)，特征维数随着分区的减小而逐渐降低，起到了较好的降维效果；GGCM法的特征维数与统计特征个数一致(方案6～7)；Gabor 小波变换提取时(方案8～12)，特征维数相比其他方法高得多。

图5 不同纹理特征提取方案下的提取效果

Gabor小波变换特征维数较高的原因主要与维数计算方式有关，当采用小波提取时，特征维数=尺度数×角度个数×图像像素个数，且尺度对特征维数的影响略大于方向对特征维数的影响程度，当尺度和方向均取大值时，特征维数将显著增大；而LBP法(方案13～20)无论领域或者像素块如何取值，特征维数均为59，对特征维数没有影响。B_GLCM法与GLCM法相比，在提取耗费时间上有一定程度减少，但随着分区的减小(特征维数减小)，提取耗费的时间会逐渐增多；GGCM法在5种提取方法中的耗费时间最少，提取效率最高；当采用Gabor小波变换法时，尺度和方向越大，特征提取耗费时间越长；当采用LBP法时，在相同像素块大小下，(8×2)领域下的提取耗费时间略长于(3×3)领域下的提取耗费时间，这是因为在采用(8×2)的圆形领域时，需要进行线性插值算法来提取相关值，所以在对缺陷进行特征提取时耗费的时间更长一些。

4 缺陷分类

4.1 分类方法

当获取缺陷的特征数据后，接下来就需要根据特征数据对缺陷进行分类处理，文章基于支持向量机(SVM)原理，采取一对一分类投票的方式对缺陷样本进行分类训练。假设缺陷样本种类为N，那么就需要构造N(N-1)/2个二分类支持向量机(BSVM)分类器，并使用对应的训练样本集对这些BSVM分类器进行训练，最后对不同BSVM分类器训练得到的“投票”结果进行统计，得票最高者，则代表训练样本属于该类。

由于主要针对排水管道裂纹、错口和腐蚀三种缺陷特征进行提取和分类，所以仅需要构建3个BSVM分类器进行样本训练即可，在训练过程中，每一个SVM都采用150个训练样本，30个测试样本，支持向量机的核函数选择径向积核函数(RBF)，并使用网格搜索算法和交叉验证算法对向量机核函数参数进行优化，最后对3个BSVM分类器进行编号(裂纹缺陷为BSVM1，对应的响应为1；错口缺陷为BSVM2，对应的响应为2；腐蚀缺陷为BSVM3，对应的响应为3)，得票高者为最终的缺陷分类类型。管道缺陷BSVM分类流程如图6所示。

图6 管道缺陷BSVM分类流程

4.2 分类结果

对不同特征提取方案下的特征数据进行BSVM分类，其结果如图7所示。由图7可知，对于裂纹缺陷，GLCM法的分类正确为93.5%，当采用B_GLCM法时，分区≤5×5时，分类正确率均大于90%，最大可达95%，采用其他3种方法提取时分类正确率均较差；对于错口和裂纹缺陷，采用GLCM法和B_GLCM法提取后的分类正确率较高，其他3种方法比较低；对于腐蚀缺陷，采用GLCM法、B_GLCM法、GGCM法以及Gabor法提取时，分类正确率均大于90%，而采用LBP法提取时，分类正确率较低，随着高像素块的增大，分类正确率越来越低。

图7 BSVM分类结果

从整体分类效果上来看，20种纹理特征提取方法中，第2种方案分类测试所需的时间最长，达到了82.9 s，其余方案的分类测试时间均少于30 s；B_GLCM法相比其他提取法，能提升BSVM分类正确率，但前提是选择合适的分区数，当分区数大小合适时，才能达到分类准确率和效率均较高的双重目的。对比这20种提取方案，选用方案4时，整体分类正确率最高，达到了96.8%，且在此方案下，裂纹缺陷、错口缺陷以及腐蚀缺陷等单种缺陷的分类效果均较好，整体的分类测试时间仅为10.3 s。因此，综合对比分类效果，笔者认为最佳的纹理提取方案为：B_GLCM法；分区大小为3×3。

5 结语

(1) 采用CCTV检测系统对城市地下排水管道进行了拍摄，并基于拍摄数据构建了给排水管道结构性缺陷的检测流程，为给排水管道的无损检测提供了新的技术和经验。

(2) 采用GLCM、B_GLCM、GGCM、Gabor、LBP等5种方法对管道缺陷图像进行了纹理特征提取，并构建了不同方法的提取流程，提取效果显示，Gabor法提取得到的特征维数远大于其他4种方法的，且耗费时间随着尺度和方向的增大而增加；GGCM法和LBP法纹理特征提取耗费时间均较短；B_GLCM法相比GLCM法，在提取耗费时间上有一定程度减少，但随着分区的减小(特征维数减小)，提取耗费的时间会逐渐增多。

(3) 基于支持向量机原理，提出利用一对一分类投票的方式，对裂纹、错口和腐蚀三种缺陷特征进行BSVM分类器训练，训练结果表明当采用B_GLCM法和GLCM法时，管道缺陷的分类正确率较高，考虑到分类效率，建议采用B_GLCM法，且分区大小为3×3最为适宜。