基于视觉的隧道裂缝检测技术研究

龙学军，张杰，谭志国

（成都通甲优博科技有限责任公司，成都 610299）

0 引言

近年来，我国公路交通建设进入高速发展期，随着国家交通强国战略的提出及地区均衡发展考虑，交通投资逐渐向山区发展。受限于地形和地质条件，山区交通设施的桥隧比很高，部分高速公路，如雅康高速甚至达到80%以上。由于隧道结构和建设的特殊性，长期投用后会出现诸如裂缝、渗水、掉块和沉降等病害，尤其是裂缝的出现和发展，如果不进行有效的检测和干预，可能引发隧道安全事故，后果不堪设想。长期以来，人们对于隧道的运行维护一直以人工为主，随着城市市政公路建设和高速公路建设的深入，对隧道安全的管理压力也会越来越大。

如果能够对隧道的运行状况尤其是与隧道结构安全风险密切相关的隧道壁表观病害区域进行无人值守的、自动化的长期监测，从而对隧道的健康状况给出评估，并制定针对性的运行维护计划，就能防微杜渐。这就需要构建起一套能够对隧道表观病害进行日常监测的隧道壁自动巡检系统。国内外针对隧道和道路的病害检测和处理研究成果较多［1-10］，但能够同时检测和高精度测量隧道裂缝尺寸的成果很少见诸报道。因此，本文所研究的基于视觉的隧道裂缝检测技术，不仅在学术研究上还是实际应用中都是非常必要的。

1 隧道裂缝检测算法流程

本文通过可见光摄像机和深度摄像机在隧道中大量采集隧道图片，通过YOLOV3构建的检测器，对采集到的图片进行筛选，将没有裂缝的图片直接丢弃，直到筛选出有裂缝的隧道图片。

对于缝隙图像需要识别与提取缝隙的位置，本文先使用Hessian特征值图像提取得到特征值图像，随后使用迭代自适应分割获得初始掩码图像，之后对初始掩码图像进行导向框限制二值分割获得受限掩码图，最后进行区域生长以及去噪，获得最终掩码图像得到裂缝融合图和轮廓图。

最后进行裂缝测量，利用图像细化提取到缝隙的骨架线，之后利用迪杰斯卡尔最长路径求取缝隙长度，最后提取出缝隙的最大宽度线。

2 基于视觉的隧道裂缝检测算法

2.1 裂缝检测

本文的算法在检测裂缝时，使用YOLOV3构建的检测模型，本文采用Label Me标注软件对隧道图像进行分段标注，滤除更多的背景信息。

如图2所示，本文在检测裂缝时，使用可见光相机采集图像，使用YOLOV3检测采集的整个图像，如果没有检测到裂缝就检测下一帧图像，直到检测到裂缝图像。

图2 裂缝检测流程

图3 是本文使用通过YOLOV3构建检测模型对几张裂缝图像进行缺陷区域检测的结果示意图，可以明显看出检测器对于裂缝的检测结果是非常正确的，而且极大的排除了背景信息，为接下来的裂缝识别与提取提供了便利。

图3 YOLOV3检测结果

2.2 裂缝识别与提取

通过裂缝检测之后可以得到裂缝图像，随后需要对图像中裂缝的位置等相关信息进行识别提取，整个裂缝识别提取算法的流程如图4所示。

图4 裂缝识别与提取流程

裂缝识别提取中主要涉及的内容是：Hessian特征值图像提取、迭代自适应阈值分割、区域生长、小块颗粒噪声去除技术。

2.2.1 Hessian特征值图像提取

本文使用Hessian矩阵来提取特征图像，在通过Hessian矩阵进行边缘检测时，可以将边缘图像分布特征与Hessian矩阵的分布结合起来，使用对应点的Hessian矩阵求取的特征向量以及对应的特征值。对于SIFT算法中的边缘响应的消除可以根据Hessian矩阵进行判定，求取图像中每一点Hes⁃sian矩阵的特征值。

本文通过把裂缝图像通过求取Hessian矩阵转换为Hessian特征值图像如图5所示。

图5 Hessian特征值图像

从图5中可以看到将图像转换为特征值空间之后，裂缝区域呈现比较亮的亮度、背景处的亮度较暗，为了进一步的消除掉非裂缝区域，采用迭代自适应阈值分割，针对特征图的值进行二值分割。

2.2.2 迭代自适应阈值分割

本文采用最大类间方差法（OTSU）按图像的灰度值，将裂缝图像分成背景和目标两部分。对于大小为M×N的图像I(x,y)，找到目标和背景的分割阈值T，使得类间方差g达到最大，使图像分为目标部分N1和背景部分N2。其中，前景像素点数占整幅图像的比例为w1，平均灰度值为u1；背景像素点数占整幅图像的比例为w2，平均灰度为u2。

式中，u为图像的总平均灰度，目标部分N1为图像中像素的灰度值小于阈值T的像素个数，背景部分N2为像素灰度值大于阈值T的像素个数。

迭代自适应阈值分割，会在求取到阈值K之后，将大于阈值的图像进行二次自适应阈值分割，如图6所示。

图6 迭代自适应阈值分割生成的掩码

如图6中（a）是采用ostu自动阈值分割并去除小噪声得到的掩码图；图（b）是在图（a）白色掩码处计算特征值的ostu分割值，然后再次进行阈值分割的结果；图（c）是在图（a）白色掩码处计算特征值的ostu分割值以及最小特征值之后计算它们的线性融合值（ostu分割值×0.8+0.2×最小特指值）作为阈值的再分割结果；图（d）是（c）作为导向图，对（b）图像进行区域生长的结果。

2.2.3 区域生长以及去噪

本文采用区域生长算法主要是把自适应分割后的图像会把裂缝的末端给分割删除，因此采用区域生长把与缝隙灰度相似的像素合并成区域，以扩充裂缝末端，为了去除小块图像噪声，本文采用加权中值滤波对掩码图像进行处理。

在隧道裂缝检测时，检测出了裂缝位置框，有利于进一步去除背景噪声对于裂缝像素的干扰。

如图7所示，图（a）是针对检测框内掩码像素计算平均灰度值，保留灰度值低的部分便可以得到分割图。图（b）是通过图（a）进行区域生长以及小块噪声去除得到最终的掩码图。

图7 区域生长前后对比

获取裂缝掩码之后可以得到裂缝融合图和裂缝轮廓图，如图8。

图8 提取裂缝轮廓

2.3 裂缝测量

为了进行裂缝测量，需要深度相机提供距离信息，利用深度相机与可见光相机获取同时拍摄到的图像，将会将深度相机映射到可见光相机坐标系下进行深度相机图像与可见光相机图像的配准，使得可见光获取的隧道图像的每一个像素点都有相应的深度值。

求取裂缝长度以及全自动推导裂缝的宽度的流程如图9所示。

图9 获取裂缝长度和宽度流程

在进行算法推导待测线时，需要针对隧道图像进行裂缝掩码提取，然后在线段上依据一定的准则将线段分割成多段，并查找最大的一段作为裂缝线宽。

该程序运行的界面效果如图10所示。

图1 算法流程

图10 裂缝测量示意图

识别出的轮廓图（b）用红色进行填充，（c）是本文测量出的最大长度图，而（d）是测量出的最大宽度图。本文使用不同颜色进行区分，使得轮廓信息、长度信息、宽度信息更加直观。

3 结语

本文以YOLOV3为检测模块结合裂缝识别、提取、测量等相关工作，构建了基于视觉的隧道裂缝检测技术研究系统，并在实际应用中得到了验证，从结果来看可以得到以下结论：

（1）通过YOLOV3作为检测模块，并分段进行标记，能极大的利用裂缝的正样本，使得YO⁃LOV3的检测结果相对于传统标定结果更为准确。

（2）本文系统再实际项目中得到应用，并实际的解决了人工进行隧道检测不能长期监视的一些相关问题，具有极大的实用意义。