基于斜射式线结构光的隧道错台快速检测技术

2022-11-02刘新根陈莹莹李明东

重庆交通大学学报(自然科学版) 2022年10期

刘新根，陈莹莹，李明东

(1.上海同岩土木工程科技股份有限公司，上海 200092；2.上海地下基础设施安全检测与养护装备工程技术研究中心，上海 200092)

0 引言

随着隧道施工技术的发展和技术标准的提高，错台引起的防水隐患、管片开裂等问题逐渐凸显，一种病害的发生会加剧其他病害发展，严重的将会影响隧道使用功能[1]。为保障隧道结构安全，须定期或者不定期对隧道错台量进行检测，以便及时进行性能模型的建立[2]，提供预防性防护时机和建议。

近年来，国内外学者在不断探索错台检测方法，常用方法有人工检测法和自动检测法[3]。人工检测法速度慢，影响隧道正常运营，且采样点数量有限，难以客观评价错台情况。自动检测法也有大量研究，K.WANG等[4]提出了一种基于特定峰值的试探算法，采用掩膜滤波器和模板匹配算法，从刻槽、错台和裂缝的数据中识别出错台；孙朝云等[5]设计了激光错台三维检测系统，分析错台三维高程数据直方图的双峰特性，实现阈值的自动确定和平均错台量的计算；李伟等[6]、王子彬等[7]均利用激光三角测量原理，对得到的路面高程数据进行分析处理。

结构光测量系统因精度高、非接触、抗干扰等特点被广泛应用[8]，对结构光测量系统标定，已有大量研究。I.SOBEL[9]利用精确制造的三维标靶进行标定；R.Y.TSAI[10]提出经典的两步法，将标定目标简化为二维；Z.ZHANG[11]通过二维棋盘格标定板校准相机，所用的棋盘格能够放置成任意姿态；解则晓等[12]提出线结构光传感器内外参数同时标定的方法，通过标定点计算内外参数。

使用结构光进行错台计算的核心在于结构光条纹中心的提取，提取精度将直接影响最终检测结果精度[13]。常见的中心提取方法有边缘法、重心法、极值法、方向模板法、高斯拟合法以及Hessian矩阵法等[14]。蔡怀宇等[15]提出一种基于主成分分析法提取光条纹中心，对条纹灰度分布函数在法线方向进行二阶泰勒展开求得条纹中心的精确位置；余乐文等[16]提出一种基于线结构光的三维测量系统，利用几何数学模型计算物体三维坐标；李瑛等[17]提出基于改进方向模板法的结构光中心线提取算法，采用双边滤波进行降噪、二值化和边缘检测；杨镇豪等[18]提出一种将极值法与Steger方法相结合的改进算法，由极值法快速得到光条中心点粗略位置以及感兴趣区域(ROI)，再分段使用Steger法精确提取光条亚像素位置，但计算复杂度高。

针对上述文献算法检测速度慢、检测精度低、测量系统标定不易等不足，笔者提出基于斜射式线结构光的错台快速检测方法。明确错台量倒数与像素位移量倒数间的线性函数关系，推导出理论公式；结合目标检测算法Yolo-v3、图像梯度特征和最大类间方差法(OTSU)提取光条区域轮廓，使用灰度平方加权重心法和距离公式获得像素位移量；通过室内试验以及工程案例进行对比验证，以期为隧道错台自动检测提供有效理论参考。

1 研究方法

1.1 测量原理

在光路结构中，投射在物体表面的入射光和反射光的光路形成了三角形，其输入和输出间关系可通过三角形相似原理确定，待求的距离可由光斑在相面成像中心位置的几何关系计算[19]。

按照激光入射角的不同，激光三角法可分为直射式激光三角法和斜射式激光三角法。考虑到实际工程应用情况，笔者采用斜射式激光三角法，如图1中，入射光线与基准平面法线成一定角度θ1，反射光线与基准平面法线的夹角为θ2，相面与透镜夹角设为θ，h表示错台量，B1点到接收透镜的距离为L1，B′1点到接收透镜的距离为L2，x′表示像元位移。

图1 斜射式激光三角法

对应函数关系式为：

(1)

整理可得：

(2)

1.2 错台量理论公式

依据成像原理，x′=mμ，其中，m为像素位移量，μ为相机像元大小，L2为焦距f。可得：

(3)

式(3)中，实际错台量h的求解与m、L1、f、μ以及角度θ1、θ2、θ等多个参数变量有关，涉及参数变量过多。在实际数据采集过程中，L1可由激光测距仪获得，但角度难以测量，若粗略测量会严重影响错台检测的精度。

为解决这一难题，对式(3)中涉及的角度变量进行分离，使得错台量h的求解无需对角度进行考虑，既达到简化参数标定过程，又能提高错台检测精度的效果，整理如式(4)：

(4)

假设sin(θ1+θ2)/(cosθcosθ1)=K，cos(θ1+θ2-θ)/(cosθcosθ1)=J，则式(4)可转换为：

(5)

由式(5)可知，实际错台量h的倒数与像素位移量m的倒数成线性函数关系。

为精确得到参数变量K、J，使用RANSAC算法[21]对式(5)进行线性函数关系的拟合逼近。RANSAC算法以Ax+By+C=0的形式进行直线的拟合。假设f/(mμL1)=x，1/h=y。则式(5)与Ax+By+C=0 联立，可得到参数变量K=-A/B，J=C。

得到参数变量K、J，后续图像处理得到像素位移量m后，最终得到实际错台量h理论公式(6)：

(6)

1.3 光条图像亚像素位移量计算

笔者在前期研究中，利用传统算法直接基于整张图片定位错台区域，但实际工程应用中环境复杂，包含较多干扰物，比如线缆、污渍、金属等，且光条与背景对比度不明显，传统算法对于干扰物设定的剔除条件有限、自适性差。因此，引入Yolo-v3算法进行错台区域定位去除干扰，将光条图像处理区域缩小，使后续光条中心点提取和像素位移量计算更为精准。

1.3.1 Yolo-v3网络定位

为满足实际工程中较高的检测速度和精度要求，采用具有代表性的Yolo-v3算法[22]进行错台区域定位。

Yolo-v3的主干网络采用Darknet53进行特征提取，并采用类似FPN[23]的上采样和融合做法，将底层特征与上层特征融合，使特征图具有更多的特征信息，在3个尺度的特征图上进行类别预测以及位置回归预测。Yolo-v3同时对图像中的目标框进行k-means聚类，获得9个大小不同的先验框，然后将先验框均匀的分给3个尺度的特征图，小尺度特征图采用大先验框，大尺度特征图采用小先验框，目标检测准确率可得到提高[24]。

网络将输入的图像分成多个部分，通过深度网络判断每个部分是否包含目标错台，并给出预测的边界框，检测效果如图2，定位到的错台区域是后续光条图像处理的前提条件。

图2 错台区域定位

1.3.2 光条中心点提取

采用灰度平方加权重心法提取光条中心点，能够提高光条区域部分像素灰度值对光条中心点计算结果的权值，使被测物体表面不连续、反射不均匀及背景光照不均等因素造成的影响减小，且光条中心点提取精度达到亚像素级，计算如式(7)：

(7)

式中：G为原始图像；x1为图像列坐标；j为图像行坐标；G(x1,j)为原始图像上点(x1,j)的灰度值；S为光条区域；uj为原始图像第j行光条中心点列坐标。

要计算光条中心点的列坐标uj，重点是需要定位出光条所在区域S。文献[14]直接采用最大类间方差法(OTSU)，其认为结构光图像对比度高，该方法能很好的区分光条和背景，且无需人工干预，自适应性强。

尽管通过Yolo-v3定位出错台区域，去除绝大部分干扰，但实际工程中环缝表面不平滑，存在斑块等干扰，如图3(a)；若直接对使用OTSU分割，如图3(b)则无法提取光条区域；因此，基于光条水平方向梯度特征，对图像水平方向上进行卷积操作，卷积核如式(8)，获得较为清晰的光条梯度检测，如图3(c)；再使用OTSU对梯度图像二值化分割，同时进行形态学处理得到目标光条，如图3(d)。

图3 光条分割

(8)

当分割出目标光条之后，将图像每行像素点灰度值发生突变的位置作为光条区域的候选位置，考虑到图像中可能存在干扰点，结合光条先验知识进行筛除，最终确定出光条区域。算法步骤如下：

步骤1：原始图像G通过Yolo-v3算法检测到错台区域，进行图像水平方向梯度检测、OTSU二值分割和形态学处理操作，得到二值图T。

步骤2：遍历图像T第j(j=1,…,n)行所有列，当某像素点与相邻像素的灰度值产生突变，将该点作为候选坐标点，即像素间灰度差值满足条件|T(i,j)-T(i-1,j)|=255。

步骤3：对每两个候选点的列坐标进行差值计算，当最大差值Dmax满足条件Tmin

步骤4：重复步骤2、3，直至遍历完图像所有行，得到光条完整区域。

将定位后的区域进行光条区域提取和中心点计算，效果如图4。

在图4(b)中图像分割后存在白圈中所示独立的噪点，但不会对光条区域范围的定位造成影响。确定光条区域后，再根据式(7)计算得到亚像素级中心点坐标，如图4(c)，由图4(c)可以看出，不论是亮度分布不均、较离散的光条，或者质量较好的光条，笔者算法都能排除干扰，对光条中心点精确提取，便于进一步计算像素位移量。

图4 光条中心点提取

1.3.3 像素位移量计算

为获取像素位移量，对光条拐点进行定位，基于最小二乘法拟合光条直线参数，并依据距离公式求取像素位移量。算法实现步骤如下：

步骤1：针对已获取的光条中心点坐标，每隔n行进行中心点列坐标差值计算，中心点坐标如图5中光条中间线。

图5 差值计算

光条拐点处中心点列坐标与前面n行的中心点列坐标存在较大偏差。经过笔者多次试验，设置n=10，即对光条区域从上往下按行扫描，计算当前j行与前面第j-10行光条中心点列坐标的差值dj，其中，dj=|xj-xj-10|，j=10,11,…,n-1。

步骤2：求取最大列坐标差值dj对应的行号j，将光条分割成两部分，记为光条拐点。

步骤3：基于最小二乘法拟合直线参数。

步骤4：基于距离公式计算两直线间的距离，即像素位移量。

(9)

式中：(x0,y0)为一拟合直线上的任意一点；A、B、C为另外一拟合直线系数；m为两直线间的距离，即像素位移量。

2 实验结果分析

基于Visual Studio 2015开发环境、OPENCV图像库、Darknet网络框架，在配置有GTX1660 GPU的电脑上对隧道环境以及实验环境下采集的图像进行数据处理、模型训练以及结果分析。

2.1 Yolo-v3网络定位

使用LabelImg对实际采集的数据进行标注，错台区域作为检测目标，其余均是背景，只需2个类别标签，即：target、background。数据集共有15 255张图像，以8∶2的比例随机选取数据集中的图像作为训练数据和验证数据，共进行30 000次迭代训练，初始学习率为0.001，批量大小为16。基于C++实现Yolo-v3算法的调用，将置信度设为0.5用于类别判断，对输入的图像进行错台区域检测。

对6 780张图像进行错台定位批量检测，验证模型定位效果。实验图像包含1 512张错台，正确检测到1 472张，定位准确率可达97.35%，仅40张图像检测错误，误检率为2.65%，模型定位效果可靠。

2.2 光条中心提取

为验证所提光条中心提取算法的有效性，用极值法、Steger法、灰度重心法和笔者算法，对不同情况图像提取光条中心进行对比分析，如图6。

图6(a)中，极值法提取的光条中心远偏离实际光条中心且中心线不平滑，该方法通过遍历图像，将最大值点做为光条中心，提取效果差，不适用于光条较离散、质量较差的图像；Steger法和灰度重心法对亮度均匀、质量较好的光条，提取的中心线较准确，如图6(b)、图6(c)中的位置1、位置3处理效果较好，但个别光条中心点会产生偏移，也如图6(b)和图6(c)中的位置2，光照分布不均匀，存在干扰点，出现大量中心点提取错误的现象。

图6 对比试验

笔者算法如图6(d)，对光条亮度均值、质量好或者光条离散、质量较差的图像，均能准确进行光条中心点的提取，得到平滑的中心线，并且对图像中存在的干扰点能够避除，使中心点的提取不会产生偏差，验证了算法的鲁棒性。错台检测中，光条中心点提取是算法耗时的核心，在笔者实验硬件平台上，每秒能处理26张图像，数据处理速度快。

2.3 错台量计算

实验过程中，通过手动测量错台验证算法检测精度。已知错台厚度分别为7.74、14.46 mm。对于同一错台，进行多角度、多距离的拍摄实验，拍摄角度范围为0～50°，拍摄距离范围为2 000～4 000 mm，相机参数设置f=75 mm，μ=0.005 mm。

对采集的N组光条图像进行位移计算，获得对应像素位移量，记为M，其中M∈[m1,m2,…,mN]；然后从中随机选取a组作为标定数据，利用RANSAC算法线性拟合参数变量。

对同一批数据分别使用极值法、Steger法、灰度重心法和笔者算法进行错台量检测。经上述光条中心点提取试验可知，极值法和Steger无法准确提取光条中心点，光条中心点产生极大偏移，无法用于后续计算，因此将计算相对准确的灰度重心法与笔者算法检测结果进行比对，结果如表 1。

表1 参数变量计算结果

得到参数变量K、J后，对剩余的N-a组数据利用式(6)进行实际错台量的计算。两种错台在不同拍摄距离下，经灰度重心法和笔者算法得到的部分错台检测结果如表 2。

表2 错台量计算值与实际值对比分析

由表 2可知：同一错台在相同拍摄距离下，灰度重心法产生的检测误差基本都大于笔者算法；灰度重心法的最小绝对误差为0.232 4 mm，最大绝对误差为3.119 3 mm，近50%数据的检测误差在0.5～0.9 mm之间，62%的绝对误差在1 mm内；笔者算法最小绝对误差为0.101 8 mm，最大绝对误差为1.256 8 mm，近50%数据的检测绝对误差在0.3～0.6 mm之间，87%的绝对误差在0.6 mm内，误差范围显著缩小，检测精度在1.5 mm内。

3 工程案例

笔者研究成果已集成于上海同岩土木工程科技股份有限公司研制的地铁隧道结构检测车TDV-S上，利用检测车对西南某地区地铁10号线某一区间，使用高清工业相机和结构光，对同一环布设3个检测点进行连续测量，对采集到的数据进行算法验证。多个检测点的实际效果图7。

图7 工程案例检测结果

由图7(a)可以看出，实际工程环境采集到的图像中，结构光条与背景对比度不明显，成像效果没有试验图像理想。图7(b)中，通过Yolo-v3算法实现了错台区域精准定位。虽然错台区域表面不平滑，存在水迹、斑块等多种干扰，但经笔者算法处理，能够从检测到错台的区域中准确提取到光条中心点，并剔除干扰点，如图7(c)。最终，能够准确定位到错台的实际发生位置，如图7(d)。

选取多个检测点环境下共561环管片进行批量测试，错台量计算值与实际测量值间差值分布曲线如图8。从图8中可知，差值落在[-1.5 mm,+1.5 mm]，即最大绝对误差为1.5 mm，绝大部分差值落在[-0.5 mm,+0.5 mm]及其附近。