摘 要：尾矿库排洪隧洞裂缝会对隧洞的正常运行造成安全隐患，对其进行自动检测具有重要意义。针对排洪隧洞场景特点，研制了隧洞衬砌表面图像采集系统，设计了预处理算法与两级滤波算法完成目标提取，其中利用背景滤波减少了处理时间。通过支持向量机分类判断目标区域是否为真实的裂缝，提高了裂缝检测的精度。在真实的隧洞环境中对整套系统进行测试和验证，对裂缝图像的识别率达到90%,证实了硬件系统与算法的有效性。
关键词:机器视觉;图像处理;裂缝检测算法;目标提取;支持向量机;
Research on Flood-discharging Tunnel Crack Visual Detection Algorithm Based on
Target Extraction and SVM
XU Xiaoyu GUO Zhenwu ZHOU Weiyi WANG Binrui
College of Mechanical and Electrical Engineering, China Jil iang University Yueqing Power Supply
Company, Zhejiang Electric Power Corporation
Abstract：
The cracks in the flood-discharging tunnel of tailings pond will cause potential safety hazards to the normal operation of the tunnel, and the automatic detection is of great significance.Aiming at scene characteristics inside the flood discharge tunnel, an image acquisition system of the tunnel lining surface was developed, and a preprocessing algorithm and a multi-level filtering algorithm were designed to extract the target, in which background filtering is used to reduce the processing time.The target was classified by the support vector machine to determine whether it was a real crack, which improved the accuracy of crack detection.The system was tested and verified in a real tunnel environment, and the recognition rate of crack image reached 90%,which confirmed the effectiveness of the hardware system and algorithm.
Keyword：
machine vision; image processing; crack detection algorithms; target extraction; support vector machine;
矿山尾矿库的事故中有相当多的部分是由排洪隧洞引起的[1],因此确保尾矿库排洪隧洞的安全对尾矿库的安全运行有重要意义。在尾矿库排洪隧洞中，隧洞壁面的裂缝是一种较为常见的病害，能否对其进行及时有效的检测对隧洞的安全运营有着重要影响。
随着计算机技术的不断发展，利用计算机视觉技术与图像处理技术来实现对裂缝的检测越来越引起人们的关注，它具有非接触、效率高、成本低的特点，具有很大的应用潜力。目前基于计算机视觉的裂缝检测技术主要有[2]:基于数字图像处理与基于深度学习的方法，两种方法有各自的优缺点，可根据不同的条件加以选用。
近年来，有很多尝试将深度学习应用到裂缝识别方面的研究。文献[3]与[4]构建分类网络分别进行道路裂缝检测与建筑物表面裂缝检测，取得了较好的效果。同济大学2018年设计出改进型隧道病害检测装置[5],在此平台上利用GoogleNet[6]算法进行图像分类测试，可以实现对裂缝与渗漏水的识别。基于深度学习的算法不需要手动设计特征，以端到端方式训练，但这要求有大量的裂缝图像样本数据，否则难以训练出效果较好的模型，因此本文不采用这一方法而采用基于数字图像处理的方法。
在图像采集系统设计方面，文献[7]设计了一种智能视觉采集系统，通过光电编码器转动产生信号提供给定位装置，定位装置触发多路信号传送到信号同步器，信号同步控制器将信号发往相机内部驱动模块从而触发采集。文献[8]也使用线阵相机连续采集图像数据，其中图像采集频率通过安装于车轮上的编码器进行控制。
在图像处理算法方面，文献[9]设计了地铁隧道内部的裂缝识别算法，通过预处理算法与滤波算法识别出基本的裂缝纹理。文献[10]设计了一套流程化图像处理算法用于桥梁裂缝的边缘轮廓提取，并能够实现对于裂缝的长度、宽度等几何参数的测量。文献[11]设计了路面裂缝的识别算法，通过预处理算法完成平滑去噪与图像增强，并提出了一种中线提取算法实现对于裂缝的提取并避免了裂缝片段的不连贯。
目前基于计算机视觉技术的裂缝自动检测方面的研究以地铁隧道、路面和桥梁场景居多。在尾矿库排洪隧洞中，内部光线黑暗，图像中的裂缝对比度低、表面纹理复杂(图1),某些地方可能会有脱落与渗水现象，同时隧洞在建设时表面也会产生固有的结构缝(图2),这些都增大了裂缝识别的难度，因此提出一套针对尾矿库排洪隧洞中的裂缝识别算法具有重要意义。
本文针对尾矿库排洪隧洞中的场景，首先研制了衬砌表面图像采集系统，实现图像的自动采集。在裂缝图像识别的算法研究中，结合对于裂缝形态的分析，本文设计目标提取算法，实现对于裂缝目标的提取。由于尾矿库排洪隧洞表面纹理结构复杂，为了排除虚假裂缝纹理的干扰，再通过支持向量机模型进行精确的分类，获得更为准确的识别效果。
1 裂缝图像采集与检测总体方案
根据尾矿库排洪隧洞内部环境特点，首先设计了能在隧洞内部进行探测的巡检机器人。图像采集系统位于机器人上，由于隧洞内部环境黑暗，且需要高质量的图像以便于后续图像处理，因此使用工业面阵相机MV-CA050-11UM配合光源实现图像的采集，如图3所示。为了实现对于整个隧洞表面的图像采集，相机与光源进行了环形排布(图4),每个相机可以采集到一定角度范围内的图像，通过环形排布从而实现对于整个隧洞壁面的完整采集。在实际进行图像采集时，操作人员通过上位机界面向机器人发送指令，即可采集图像并自动保存。
对于裂缝检测的总体算法如图5所示，通过预处理与滤波算法初步实现对于裂缝纹理的目标提取，由于提取出的目标中可能存在与裂缝类似的虚假纹理，因此再进一步对于目标进行分类器分类，从而实现精准的识别。
2 裂缝目标提取算法
在尾矿库实际背景下，采集到的图像对比度低、光照不均匀。因此为了实现对于裂缝纹理的目标提取，首先对全局图像进行预处理操作，实现光照均匀与图像增强，突出裂缝纹理特征。随后对图像进行阈值分割，对于二值图像，根据裂缝的连通域特征设计滤波算法滤除噪声，最后通过特征判断实现对裂缝目标区域的提取。
2.1 图像预处理
隧洞中光线黑暗，采集的图像质量一般较差，且裂缝区域通常只占整张图像中的较小比例。因此，需要通过预处理算法来改善图像质量并突出裂缝区域对比度，从而有利于后续处理。
2.1.1 匀光处理
隧洞环境中通常环境较暗，需要进行补光，但人为补光也使得采集的图像光照分布不均匀，如果不进行匀光处理，后续进行分割操作时会产生大面积黑色阴影，影响识别，如图6所示。
光照均匀有多种不同的算法，主要基于两种模型[11]11],加性噪声模型，对应此模型通常使用MASK匀光算法，以及照度反射率模型，比如同态滤波法。本文选用MASK匀光算法，将一张光照不均匀的图像In(x,y)视为光照均匀的图像Id(x,y)与含有光照不均匀信息的噪声图像Ig(x,y)叠加而成，将原始图像减去光照不均匀的部分再进行灰度补偿即可得到匀光后的目标图像。
Id(x,y)=In(x,y)-Ig(x,y)+offset (1)
式中，offset为灰度补偿值。
2.1.2 图像增强与分割
由于拍摄条件限制以及隧洞实际情况，采集到的图像裂缝对比度较低，给裂缝识别造成了很大的困难，为此需要进行图像对比度的增强，从而提高图像中感兴趣区域的清晰度并抑制图像中其余无关区域的特征，达到改善视觉效果以及加强目标识别效果的目的。本文分别通过灰度级腐蚀、伽马变换、拉普拉斯变换来实现图像增强，并通过Otsu分割来对比图像增强的效果，如图7所示。
通过对比不同的图像增强算法在进行分割后的效果，最终选择灰度级腐蚀操作：
Ie(x,y)=min{Id(x+x′,y+y′)-
S(x′,y′)|(x′,y′)∈DS} (2)
式中，Id(x,y)是经过匀光操作得到的图像，S(x′,y′)是定义的结构元素，DS为S(x′,y′)的定义域，Ie(x,y)是得到的增强后的图像。
原始图像经过上述的预处理后，为了后续对裂缝目标区域实现提取，还需要对其进行图像分割，针对隧洞壁面裂缝图像的特点，结合各类图像分割算法的优缺点，使用了实现简单、计算量小、性能稳定的Otsu分割算法。假设阈值T将像素分为两类C1与C2,分别小于和大于阈值，假设各自均值分别为m1和m2,像素被分为两类的概率分别为p1与p2,则有：
p1×m1+p2×m2=mG (3)
式中，mG为图像全局均值，类间方差表达为：
σ2=p1(m1-mG)2+p2(m2-mG)2 (4)
将式(3)带入式(4)中可得：
σ2=p1p2(m1-m2)2 (5)
使式(5)中σ2达到最大值的阈值即为希望的阈值T。对图8所示原始图片进行上述预处理，效果如图9所示。
2.1.3 背景滤波
由于尾矿库排洪隧洞表面图像噪声复杂，有大量凹凸不平的纹理，经过上述操作之后，图像中会出现大量的连通域，影响后续的识别效率。因此针对隧洞场景提出基于局部纹理特征的背景滤波，以减少图像连通域，提升识别速度。
在一幅整张图片中，属于裂缝纹理的像素点仅仅占到所有像素点的一小部分，而大部分为背景，属于背景的像素点其像素值较为接近，经过分割操作之后大部分背景像素点被分为一类像素值，而包括噪声点在内的其余像素点被分为另一类像素值。根据这一特点，将整幅图像分为x×y的子块，子块数量N=(W×H)/(x×y),其中W,H分别为图像的宽与高。这里假设经过阈值分割之后的图像为IE(x,y),计算每个子块的方差：
V=∑x=0X∑y=0Y[IE(x,y)−AE]2 (6)
式中，AE为每个子块的灰度均值，X、Y分别为每个子块的宽度与高度。根据背景纹理灰度值的相似性，对于一个子块而言，若其中不含有裂缝纹理，则以背景点为主，方差较小，若子块内含有裂缝纹理，则像素值差异较大，方差也较大。根据式(6),计算出每一个子块的方差Vn,n=1,2,3…,N。利用各个子块方差的最大值与最小值来计算阈值：
T=f(max(Vn)−min(Vn))+min(Vn) (7)
式中，f为系数，可以自行调节，通过阈值直接进行背景滤波，方差小于阈值的子块视为背景，将所有像素点的像素值置为255,其余不变，效果如图10所示。
通过背景滤波之后，所有的背景点将不参与后续的处理和运算，降低后续运算量，通过实验对比，加入背景滤波后，运算速度提高1/3左右。
2.2 两级滤波算法设计
经过预处理后已经可以显现出裂缝的轮廓，但依然存在大量噪点以及与真实裂缝相似的噪声，因此需要根据裂缝连通域的特征设计滤波算法加以滤除，否则将出现正常衬砌表面的图片被错误识别为含有裂缝的图片。在进行噪声滤除之前首先需要进行连通域提取，见图11,设经过预处理之后的图像为IT(x,y),B(x,y)为结构元素：
Ck(x,y)=(Ck−1(x,y)⊕B(x,y))⊕IT(x,y)(8)
式中，Ck(x,y)为图像中的连通区域，⊕为膨胀运算。Ck(x,y)的初值为选取的种子点，不断进行膨胀运算直至Ck(x,y)等于Ck-1(x,y)时完成连通域提取操作。
连通域提取完成后通过对连通域进行特征分析实现对于噪声的滤波。
2.2.1 散点噪声滤波
由于尾矿库排洪隧洞衬砌表面凹凸不平的构造，因此采集的图像经过上述处理之后会产生大量的散点噪声，如图12所示。此类噪声通常所在的连通域面积较小，因此可以通过求取连通域的像素点数量来滤除这种噪声：
Is(x,y)={Ck(x,y)|nk<T0,k=1,2,3⋯} (9)
式中，T0是设定的阈值，nk为连通域的像素点总数，Is(x,y)为提取出的噪声。
将小于阈值的连通域像素值置换为背景像素值。
2.2.2 直线噪声滤波
尾矿库排洪隧洞在建造时表面会有结构缝，这种固有的结构缝利用前面两种滤波算法无法滤除，但裂缝通常都是无规则形状，而这种结构缝是较为规则的直线形状，因此可以利用这种特征，通过直线拟合算法识别出图像中的直线结构，为了有效滤除这种直线结构对于识别的影响并提高检测效率，本文采用概率霍夫变换[13]13]进行直线拟合并滤除直线纹理，效果如图13所示。
2.3 裂缝目标区域提取
经过上面的预处理以及散点噪声滤波与直线滤波两级滤波之后，已经可以滤除相当一部分噪声，但表面仍然会存在部分污渍等噪声干扰对裂缝的识别。
为了区别这一部分噪声，通过研究可以发现，污渍等噪声通常呈现块状，相比于细长的裂缝而言较为紧密，因此本文根据目标像素点比率这一反映连通区域内聚性的特征实现对于裂缝纹理的提取，目标像素点比率是区域内黑色像素点数量与该区域所有像素点数量之比，根据此特征实现对于目标区域的提取：
Ir(x,y)={Ck(x,y)|nkSk<T1,k=1,2,3,⋯} (10)
式中，Ir(x,y)为提取出的裂缝纹理，nk与Sk分别为连通域中前景像素点的数目与连通域外接矩形区域内所有像素点的数量之和。对于目标像素点比率小于阈值的区域，认为该区域内的连通域为裂缝纹理。
2.4 裂缝目标提取实验
尾矿库排洪隧洞衬砌表面纹理复杂，为了验证目标提取算法在真实环境下面的有效性，选取了实际拍摄的尾矿库排洪隧洞内部图像进行测试，目标提取算法的效果如图14所示。
由图14可知，目标提取算法已经可以识别出实际的尾矿库排洪隧洞裂缝图像，但对于虚假裂缝纹理误检率高达25%,因此需要进一步降低误检率。
3 裂缝目标分类算法
经过上述目标提取之后，已经可以在一幅图片中实现对于裂缝目标的提取，但对于划痕、水渍、阴影等类似于裂缝的纹理可能会出现错误识别的情况，如图15所示。为了提高识别效果，需要对于提取出的目标进行进一步分类判断其是否属于真实的裂缝。传统的分类模型[13]13]存在维度灾难与局部极值等问题，因此本文选取支持向量机作为分类模型。
3.1 SVM模型
支持向量机是一种二分类器，用于对维度空间中的样本进行分类，对于线性可分的样本，支持向量机将找到一个最优超平面将两类样本进行分割，对应的优化函数为：
L(α)=Δ−12(∑i=1m∑j=1mαiαjyiyjxTixj+∑i=1mαi) (11)
式中，xi与xj分别为样本中的第i个与第j个特征向量，yi与yj为相应的特征向量对应的标签。αi与αj为拉格朗日乘子，m为特征向量的数量。
决策平面为：
h(x)=sgn(∑i=1mα∗iyixix+b∗) (12)
式中，α*i为最优化的拉格朗日乘子，b*为决策平面的截距。
对于线性不可分的样本集，需要先通过核函数完成样本从低维空间向高维空间的映射，在高维空间内训练分类器，非线性模型下的优化函数为：
L(α)=∑i=1mαi−12(∑i=1m∑j=1mαiαjyiyjK(xi,xj))(13)
式中，K(xi,xj)为选取的核函数，最终的决策函数为：
h(x)=sgn(∑i=1mα∗iyiφ(xi)φ(xj)+b∗) (14)
3.2 模型构建与分析
为了能够获得更好的分类效果，需要选取合适的特征，文献[14]研究了能够用于裂缝检测的特征，根据文献[14,15],本文中选取五个特征构成特征向量：圆形度、平均宽度、集中度、hu不变矩1、hu不变矩2。
为了构建样本集，经过前面的预处理与滤波过程后，将所有被认为是裂缝的样本片段提取出来，并将其分为裂缝与伪裂缝两个种类，样本集构建如图16所示。
对于分类的样本，提取上述五个特征，并打上标签，形成用于支持向量机模型训练的数据集，部分训练数据如表1所示。
3.3 实验结果与分析
利用Sklearn中的SVM库实现模型训练，选择惩罚因子c为1.0,核函数选择高斯核函数，进行模型训练与测试。
为了评价模型效果，定义精准率为：
P=TPTP+FP (15)
定义召回率为：
R=TPTP+FN (16)
定义F1 score为：
2F1=Δ1P+1R (17)
式中，TP代表将正类正确预测为正类，FN代表将正类错误预测为负类，FP代表将负类错误预测为正类。
在测试集上对训练好的支持向量机进行测试，各项指标的测试结果如表2所示。
结合前面的预处理算法、目标提取算法以及支持向量机模型，对真实的整张图片进行测试，测试效果如图17所示。
图17中白色区域为最终的识别结果，相比于单纯使用目标提取，进一步提高了检测的准确性。
使用支持向量机模型结合前面的目标提取算法对真实场景图片进行裂缝检测实验。将测试样本分为正类样本和负类样本，定义识别率为正类样本中被准确识别的比率，定义误检率为负类样本中被错误检测为正类的比率。实验结果显示误检率由25%下降到了17%,总体识别率达到90%,验证了分类算法的有效性，实验结果如表3所示，。
4 结论
本文针对尾矿库排洪隧洞场景下的衬砌表面裂缝识别，设计并搭建了裂缝采集硬件系统，能够在尾矿库排洪隧洞的黑暗条件下实现图像采集。同时设计和实现了目标提取算法与目标分类算法，使得总体的识别率达到了90%而误检率为17%,证明了该算法的有效性。未来在目标提取算法上需要进一步提升算法效率，降低运行时间，同时需要进一步研究对于不同类型纹理裂缝的有效特征以进一步提高分类器效果。
参考文献
[1] 李从飞.某铀尾矿库排洪隧洞渗漏修复措施[J].铀矿冶，2020,39(2):138-143.LI Congfei.Leakage repair measures for a flood discharge tunnel of a uranium tailing pond[J].Uranium Mining and Metallurgy,2020,39(2):138-143.
[2] MEI Q,GÜL M,AZIM M R.Densely connected deep neural network considering connectivity of pixels for automatic crack detection[J].Automation in Construction,2020,110:103018.DOI:10.1016/j.autcon.2019.103018.
[3] ZHANG L,YANG F,ZhANG Y D,et al.Road crack detection using deep convolutional neural network[C]//2016 IEEE International Conference on Image Processing(ICIP).IEEE,2016:3708-3712.
[4] 文青.基于深度学习的建筑物表面裂缝检测技术研究与实现[D].北京：北京邮电大学，2019.WEN Qing.Research and implementation of building surface crack detection technology based on deep learning[D].Beijing:Beijing University of Posts and Telecommunications,2019.
[5] HUANG H,LI Q,ZhANG D.Deep learning based image recognition for crack and leakage defects of metro shield tunnel[J].Tunnelling and Underground Space Technology,2018,77:166-176.
[6] SZEGEDY C,LIU W,JIA Y,et al.Going deeper with convolutions[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.IEEE,2015:1-9.
[7] 方恩权，王耀东，袁敏正，等.地铁隧道表面裂缝智能视觉采集系统[J].铁道科学与工程学报，2019,16(4):1074-1080.FANG Enquan,WANG Yaodong,YUAN Minzheng,et al.Intelligent visual acquisition system for surface cracks in subway tunnels[J].Journal of Railway Science and Engineering,2019,16(4):1074-1080.
[8] 冷彪，崔兆东，杨辉，等.基于线阵相机的运营隧道衬砌裂缝图像采集方法试验研究[J].现代隧道技术，2020,57(1):156-161.LENG Biao,CUI Zhaodong,YANG Hui,et al.Experimental research on image acquisition method of cracks in operating tunnel lining based on line array camera[J].Modern Tunnel Technology,2020,57(1):156-161.
[9] 白彪.地铁隧道表面图像裂缝识别算法研究[D].北京：北京交通大学，2015.BAI Biao.Research on the algorithm of crack recognition on the surface of subway tunnel[D].Beijing:Beijing Jiaotong University,2015.
[10] 丁威.基于图像的桥梁裂缝检测理论与实践[D].广州：华南理工大学，2020.DING Wei.The theory and practice of image-based bridge crack detection[D].Guangzhou:South China University of Technology,2020.
[11] 李润青.基于数字图像处理的路面裂缝提取方法研究[D].西安：长安大学，2020.LI Runqing.Research on the extraction method of pavement cracks based on digital image processing[D].Xi′an:Chang′an University,2020.
[12] 刘志成，王殿伟，刘颖，等.基于二维伽马函数的光照不均匀图像自适应校正算法[J].北京理工大学学报，2016,36(2):191-196,214.LIU Zhicheng,WANG Dianwei,LIU Ying,et al.Adaptive correction algorithm for uneven illumination image based on two-dimensional gamma function[J].Journal of Beijing Institute of Technology,2016,36(2):191-196,214.
[13] MATAS J,GALAMBOS C,KITTLER J.Robust detection of lines using the progressive probabilistic hough transform[J].Computer Vision and Image Understanding,2000,78(1):119-137.
[14] 王睿，漆泰岳.基于机器视觉检测的裂缝特征研究[J].土木工程学报，2016,49(7):123-128.WANG Rui,QI Taiyue.Research on crack characteristics based on machine vision detection[J].China Civil Engineering Journal,2016,49(7):123-128.
[15]林亚茹基于图像处理的混凝土桥梁裂缝识别技术研究[D].北京:北京化工大学，2018.LIN Yaru.Research 0n crack recognition technology of concrete bridge based on image processing[D]. Beiing: Beijing Universityof Chemical Technology,2018.