CN104048969A - 一种隧道病害的识别方法 - Google Patents

Abstract

本发明公开了一种隧道病害的识别方法以及多图像识别方法。利用线阵CCD以及图像融合技术，高速获取隧道表面的数字图像并存储。再利用数字图像处理算法对已知隧道病害进行特征分类建模，建立特征数据库，进行病害特征匹配与病害识别，提高了病害检测效率与准确性。对潜在病害利用多次检测手段重复提取病害特征，保证检测效率的同时，提高了病害分类的准确性以及估计参数的准确性。

Description

一种隧道病害的识别方法

技术领域

本发明涉及图像提取与识别技术，尤其涉及一种隧道病害的识别方法。

背景技术

近年，有相关单位与学者提出了自动化隧道表面病害信息采集系统，该系统主要是利用光学成像技术，在移动平台上安装相机设备，对地铁隧道拍摄高清图像并记录图像拍摄位置。获取地铁隧道高清图像后，再对海量图像数据进行人工搜寻查找隧道病害。该系统主要解决了隧道内部信息获取问题，维护人员不再需要进入狭窄的隧道仔细排查。200810235410.9涉及基于CCD图像特征的表面疲劳裂纹检测方法，该方案公开了表征裂纹扩展的长度与宽度的方法，并提供可靠的裂纹检测方法。该方案适用于小型工件的裂纹检测，图像特征库过大时，检测效率低。

201210407674.4涉及一种用于路面裂纹图像采集与处理的机器视觉系统，包括：CCD相机、高速采集模块、图像预处理模块、图像显示模块、光照模块、图像无线传输模块和运动控制模块。该案仅罗列物理结构，没有公开裂纹检测的具体技术方案。

201210213385.0涉及基于二维图像和深度信息的路面信息提取装置，其包括二维图像提取单元和深度图像提取单元，该方案需要逐一分析画面，数据量庞大，处理效率低。

发明内容

本发明要解决的技术问题在于提出一种隧道病害的识别方法，可以有效识别渗水，裂缝以及衬砌剥落等表面病害。

本发明的技术方案是这样实现的：

一种隧道病害的识别方法，其特征在于包括：

线阵CCD相机与位移传感器固定于同一检测平台，

检测平台移动过程中，位移传感器提供位移信号，线阵CCD相机根据该位移信号获取隧道彩色图像，

线阵CCD相机获取的图像流媒体数据进行融合；

沿着隧道延伸方向对彩色图像分块压缩存储，将彩色图像转化成灰度图像，降噪处理；

利用梯度边缘检测算法以及图像区域灰度特征对图像进行分割，并作形态学膨胀腐蚀与二值化处理，获得轮廓特征；

提供正常的隧道表面和人工标记病害的隧道表面，重复上述步骤，获取隧道表面正常轮廓特征以及病害轮廓特征，建立数据特征库；

获取待监测隧道表面的轮廓特征，与数据特征库进行特征配准分析，确定隧道病害位置和类型；

在已知类型的病害位置进行多次成像，提取病害轮廓特征，测算病害参数。

在本发明的隧道病害的识别方法中，图像的降噪方法包括图像增强以及滤波算法。

在本发明的隧道病害的识别方法中，病害参数包括渗水面积，裂缝长度、宽度以及衬砌剥落面积。

一种隧道病害的多图像识别方法，其特征在于包括以下步骤：

检测平台安装多个线阵CCD相机，移动过程中，线状激光器向隧道表面发射激光线，位移传感器提供位移信号，线阵CCD相机根据该位移信号获取隧道彩色图像，激光线在与激光器相邻的两个CCD相机获取的两个图像上均有成像；

利用红外激光器标记对不同CCD相机获取的图像进行拼接融合；

对图像进行灰度变换、硬阈值分割，得到二值轮廓特征图，检测轮廓特征图的直线，标记长度大于设定值的直线，直线坐标为pos，图像拼接区间为[pos–index,pos+index]，index为拼接区间宽度参数；

生成拼接系数参数y_x＝0.5*exp(-0.5*x²/σ²)，其中，x∈[-index,index]；

拼接图像 $I_j=\left\{\begin{array}{c}{I}_{1j}*(1-y_{j-{\mathrm{pos}}_{\max }})+I_{2({\mathrm{pos}}_{\min }+j-{\mathrm{pos}}_{\max })}*y_{j-{\mathrm{pos}}_{\max }},j\∈[{\mathrm{pos}}_{\max }-\mathrm{index},{\mathrm{pos}}_{\max }]\\ I_{2({\mathrm{pos}}_{\min }+j-{\mathrm{pos}}_{\max })}*(1-y_{j-{\mathrm{pos}}_{\max }})+I_{1j}*y_{j-{\mathrm{pos}}_{\max }},j\∈[{\mathrm{pos}}_{\max },{\mathrm{pos}}_{\max }+\mathrm{index}]\\ I_{1j},j\∈[0,{\mathrm{pos}}_{\max }]\\ I_{2({\mathrm{pos}}_{\min }+j{-\mathrm{pos}}_{\max })},j\∈({\mathrm{pos}}_{\max }+\mathrm{index},W)\end{array}\right.,$

其中j为图像上的坐标，I_j表示坐标为j的像素线，I₁,I₂表示相邻的两幅图像，I_1j表示I₁上坐标为j的像素线，pos_max表示I₁,I₂中pos坐标较大的一个，pos_min表示I₁,I₂中pos坐标较小的一个，W＝pos_max+W₂-pos_min为拼接后图像的宽度，W₂为图像I₂的宽度；

图像拼接完成后，沿着隧道延伸方向对彩色图像分块压缩存储，利用梯度边缘检测算法以及图像区域灰度特征对图像进行分割，并作形态学膨胀腐蚀与二值化处理，获得轮廓特征；

提供正常的隧道表面和人工标记病害的隧道表面，重复上述步骤，获取隧道表面正常轮廓特征以及病害轮廓特征，建立数据特征库；

获取待监测隧道表面的轮廓特征，与数据特征库进行特征配准分析，确定隧道病害位置和类型，对已知的病害位置和类型进行多次成像，提取病害轮廓特征，测算病害参数。

在本发明的隧道病害的多图像识别方法中，采用Hough算法检测轮廓特征图的直线。

在本发明的隧道病害的多图像识别方法中，pos为横坐标或者纵坐标。

在本发明的隧道病害的多图像识别方法中，轮廓特征图中，被检测的直线应与图像至少一个边的夹角小于5℃，对距离小于设定阈值ξ的两条直线认定为重复直线，只保留其中一条。

在本发明的隧道病害的多图像识别方法中，阈值ξ小于10个像素。

实施本发明的隧道病害的识别方法，具有以下有益效果：检测平台可以作为车载设备，用于对隧道进行自动化实时监测，监测方式简单、便捷、高效，极大节约了人工监测成本。利用线阵CCD可以实现高速成像与高速存储，利用数字图像处理算法对已知隧道病害进行特征分类建模，建立特征数据库，提高了病害检测效率与准确性。对潜在病害利用多次检测手段重复提取病害特征，保证检测效率的同时，提高了病害分类的准确性以及估计参数的精确度。

地铁隧道由于其管片结构的重复性布局，不适用与基于特征匹配的图像配准方法。采用高强度线状激光器作辅助标记，通过图像检测算法识别激光线在相机上成像光线的位置，利用该标记位置对隧道拍摄图像做拼接融合。在激光线附近，采用像素加权系数平均的方式，获得拼接均匀图像。

附图说明

图1为本发明的隧道病害的识别方法的系统框图；

图2为本发明的隧道病害的识别方法的图片拼接示意图；

图3为两张图像在拼接区域对应的拼接系数曲线图

图4为一种渗水病害的拍摄示意图；

图5为图4的病害轮廓特征；

图6为一种裂纹病害的拍摄示意图；

图7为图5的病害轮廓特征。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

如图1、2，本发明的隧道病害的识别方法，可以由主控单元、线阵CCD相机、图像压缩单元、图像存储单元、同步控制器、位移传感器等构成。该同步控制器的输入端连接至所述主控单元，输出端连接至所述图像压缩单元，该图像压缩单元的输出端连接至所述线阵CCD相机，该图像存储单元的输入端还连接至所述图像存储单元，该图像存储单元的输出端连接至所述主控单元。位移传感器提供原始位移信号，依次通过主控单元、同步控制器、图像压缩单元控制线阵CCD相机抓取图像数据，线阵CDD相机将该图像数据连通该时刻的位移信号提供给图像压缩单元，图像压缩单元将图像、位移数据发送至图像存储单元。图像存储单元将图像数据提供给主控单元，主控单元对图像进行拼接、分析，得到病害位置。此外，为保证图像亮度，还可以设置光照补偿系统，其可以包括面光源。移动存储设备可以便于将图像存储单元等存储的数据读出。

本发明的隧道病害的识别方法，主要包括如下步骤：

S1：获取图像。

利用多个高速线阵CCD相机、位移传感器以及光照补偿辅助照明系统获取隧道内部高清图像，得到图像I，并沿着隧道延伸方向按固定单位长度对图像分块压缩存储{I₁,I₂,...I_n}，n表示图像分块个数。图4为一种病害的拍摄结果。

S2：将I_i,i∈{1,2,...,n}转化为灰度图像，并进行去噪处理，去噪结果为

利用直方图均衡以及高斯滤波方法，对I_i,i∈{1,2,...,n}进行增强与滤波，降低光照影响与图像噪声。二维零均值离散高斯滤波函数其中σ为噪声方差。该滤波器对图像中的服从正态分布的噪声有很好的抑制效果。图像滤波结果记为

S3：对进行图像分割，提取粗轮廓特征以及灰度特征

图像分割算法选择梯度算子其中，G_x,G_y分别为经横向及纵向边缘检测的图像，B_x,B_y为3*3参数矩阵。粗轮廓特征为图像轮廓区域的灰度信息作为灰度特征图5为灰度图，表示图4的病害轮廓特征。

S4：对粗轮廓特征进行形态学处理并对特征二值化，得到

对粗轮廓特征进行膨胀腐蚀处理，对粗轮廓特征进行修剪细化，得到更好的分割效果，记为对进行自适应阈值的二值化处理，得到图像的轮廓特征图6、7表示墙壁裂纹及其轮廓特征。

S5：建立隧道表面正常轮廓特征与病害特征数据库E₁,E₂,E₃,E₄。

利用以上步骤对测试隧道进行轮廓特征和灰度特征提取，利用大量测试结果建立正常隧道表面轮廓特征数据库E₁,裂缝轮廓特征数据库E₂，渗水轮廓特征数据库E₃以及衬砌剥落轮廓特征E₄。

S6：监测隧道表面

利用上述相同算法提取隧道表面轮廓特征与灰度特征，通过与已知类型轮廓特征数据库进行比较，进行轮廓特征分类，获得当前监测隧道表面轮廓特征类型，并通过多次检测提高分类准确性。

S7：隧道表面病害参数计算

利用病害轮廓特征估计相关病害参数：渗水面积，裂缝宽度以及衬砌剥落面积等。

在本发明中，隧道内壁为弧形，面积大，单个相机无法获取整个隧道的全部图像，需要多个CCD相机配合实现。CCD相机获得的图像会相互交叉，因此在单个相机获取图像后，需要对图像进行拼接。因此在单个相机获取图像后，优选的进行以下步骤：

对图像进行灰度变换、硬阈值分割，得到二值轮廓特征图，采用Hough算法检测轮廓特征图的直线，直线应与图像至少一个边的夹角小于5℃，对距离小于设定阈值ξ的两条直线认定为重复直线，只保留其中一条。标记长度大于设定值的直线，直线坐标为pos(pos为直线的横坐标或者纵坐标)，图像拼接区间为[pos–index,pos+index]，index为拼接区间宽度参数。阈值ξ小于10个像素。

生成拼接系数参数y_x＝0.5*exp(-0.5*x²/σ²)，其中，x∈[-index,index],σ＝20；拼接图像 $I_j=\left\{\begin{array}{c}{I}_{1j}*(1-y_{j-{\mathrm{pos}}_{\max }})+I_{2({\mathrm{pos}}_{\min }+j-{\mathrm{pos}}_{\max })}*y_{j-{\mathrm{pos}}_{\max }},j\∈[{\mathrm{pos}}_{\max }-\mathrm{index},{\mathrm{pos}}_{\max }]\\ I_{2({\mathrm{pos}}_{\min }+j-{\mathrm{pos}}_{\max })}*(1-y_{j-{\mathrm{pos}}_{\max }})+I_{1j}*y_{j-{\mathrm{pos}}_{\max }},j\∈[{\mathrm{pos}}_{\max },{\mathrm{pos}}_{\max }+\mathrm{index}]\\ I_{1j},j\∈[0,{\mathrm{pos}}_{\max }]\\ I_{2({\mathrm{pos}}_{\min }+j{-\mathrm{pos}}_{\max })},j\∈({\mathrm{pos}}_{\max }+\mathrm{index},W)\end{array}\right.,$ 其中j为图像上的坐标，I_j表示坐标为j的像素线，I₁,I₂表示相邻的两幅图像，I_1j表示I₁上坐标为j的像素线，pos_max表示I₁,I₂中pos坐标较大的一个，pos_min表示I₁,I₂中pos坐标较小的一个，W＝max(pos1,pos2)+W₂-min(pos1,pos2)为合成图像的宽度。I₁,I₂两幅图像对应的激光线位置pos是不一样的，分成pos1，pos2；对于较大pos值(pos_max)的图我们保留其左半图，较小pos值的图(pos_min)我们保留右半部分,合成图像的大小为：max(pos1,pos2)+W₂-min(pos1,pos2)，合成后的图像坐标系与左半边图像一致。在融合区域之外，拼接图像分别于I₁,I₂一致，在融合区域内(区间[pos–index,pos+index])，拼接图像由I₁,I₂分别乘以其拼接参数而成。拼接参数的取值随着坐标j的变化而变化，图3显示了图像拼接区域的拼接系数曲线图。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种隧道病害的识别方法，其特征在于包括：

线阵CCD相机与位移传感器固定于同一检测平台，

检测平台移动过程中，位移传感器提供位移信号，线阵CCD相机根据该位移信号获取隧道彩色图像，

线阵CCD相机获取的图像流媒体数据进行融合；

沿着隧道延伸方向对彩色图像分块压缩存储，将彩色图像转化成灰度图像，降噪处理；

利用梯度边缘检测算法以及图像区域灰度特征对图像进行分割，并作形态学膨胀腐蚀与二值化处理，获得轮廓特征；

提供正常的隧道表面和人工标记病害的隧道表面，重复上述步骤，获取隧道表面正常轮廓特征以及病害轮廓特征，建立数据特征库；

获取待监测隧道表面的轮廓特征，与数据特征库进行特征配准分析，确定隧道病害位置和类型；

在已知类型的病害位置进行多次成像，提取病害轮廓特征，测算病害参数。

2.根据权利要求1所述的隧道病害的识别方法，其特征在于，图像的降噪方法包括图像增强以及滤波算法。

3.根据权利要求1所述的隧道病害的识别方法，其特征在于，病害参数包括渗水面积，裂缝长度、宽度以及衬砌剥落面积。

4.一种隧道病害的多图像识别方法，其特征在于包括以下步骤：

检测平台安装多个线阵CCD相机，移动过程中，线状激光器向隧道表面发射激光线，位移传感器提供位移信号，线阵CCD相机根据该位移信号获取隧道彩色图像，激光线在相邻激光器的两个CCD相机获取的两张图像上均有成像；

对单个线阵CCD相机获取的图像流媒体数据进行融合，获得固定尺寸大小的图像；

利用红外激光器标记对不同CCD相机获取的图像进行拼接融合；

图像拼接完成后，沿着隧道延伸方向对彩色图像分块压缩存储，利用梯度边缘检测算法以及图像区域灰度特征对图像进行分割，并作形态学膨胀腐蚀与二值化处理，获得轮廓特征；

提供正常的隧道表面和人工标记病害的隧道表面，重复上述步骤，获取隧道表面正常轮廓特征以及病害轮廓特征，建立数据特征库；

获取待监测隧道表面的轮廓特征，与数据特征库进行特征配准分析，确定隧道病害位置和类型，对已知的病害位置和类型进行多次成像，提取病害轮廓特征，测算病害参数。

5.根据权利要求4所述的隧道病害的多图像识别方法，其特征在于，所述图像拼接融合，包括以下步骤：

对相邻CCD相机获取的相同位置的两幅图像进行灰度变换、硬阈值分割，得到二值轮廓特征图，检测轮廓特征图的直线，标记长度大于设定值的直线，直线位置坐标为pos，图像拼接区间为[pos–index,pos+index]，index为拼接区间宽度参数；

生成拼接系数参数y_x＝0.5*exp(-0.5*x²/σ²)，其中，x∈[-index,index]；

拼接图像 $I_j=\left\{\begin{array}{c}{I}_{1j}*(1-y_{j-{\mathrm{pos}}_{\max }})+I_{2({\mathrm{pos}}_{\min }+j-{\mathrm{pos}}_{\max })}*y_{j-{\mathrm{pos}}_{\max }},j\∈[{\mathrm{pos}}_{\max }-\mathrm{index},{\mathrm{pos}}_{\max }]\\ I_{2({\mathrm{pos}}_{\min }+j-{\mathrm{pos}}_{\max })}*(1-y_{j-{\mathrm{pos}}_{\max }})+I_{1j}*y_{j-{\mathrm{pos}}_{\max }},j\∈[{\mathrm{pos}}_{\max },{\mathrm{pos}}_{\max }+\mathrm{index}]\\ I_{1j},j\∈[0,{\mathrm{pos}}_{\max }]\\ I_{2({\mathrm{pos}}_{\min }+j{-\mathrm{pos}}_{\max })},j\∈({\mathrm{pos}}_{\max }+\mathrm{index},W)\end{array}\right.,$

其中j为拼接图像上的坐标，I_j表示坐标为j的像素线，I₁,I₂表示相邻的两幅图像，I_1j表示I₁上坐标为j的像素线，pos_max表示I₁,I₂中pos坐标较大的一个，pos_min表示I₁,I₂中pos坐标较小的一个，W＝pos_max+W₂-pos_min为拼接后图像的宽度，W₂为图像I₂的宽度；

6.根据权利要求4所述的隧道病害的多图像识别方法，其特征在于，采用Hough算法检测轮廓特征图的直线。

7.根据权利要求4所述的隧道病害的多图像识别方法，其特征在于，Pos为横坐标或者纵坐标。

8.根据权利要求4所述的隧道病害的多图像识别方法，其特征在于，轮廓特征图中，被检测的直线应与图像至少一个边的夹角小于5℃，对距离小于设定阈值ξ的两条直线认定为重复直线，只保留其中一条。

9.根据权利要求4所述的隧道病害的多图像识别方法，其特征在于，阈值ξ小于10个像素。