基于图像处理技术的混凝土桥梁裂缝宽度检测

李文波，杨保春

(1.湖南省交通规划勘察设计院，湖南 长沙 410008;2.义乌市交通工程质量安全监督管理站，浙江 义乌 322000)

0 前言

随着我国交通建设的高速发展，交通等级要求不断提高，对低等级公路加宽和旧桥的加固改造任务不断增加。在改造的过程中，有许多路线中有混凝土桥梁。混凝土桥梁大多跨越峡谷、河流，或者跨越公路，为了保障线路的安全运营，对桥梁的安全维护是必须的，其中安全检测是桥梁维护工作中重要的组成部分。在现代交通建设中，桥梁起着非常重要的作用，特别是城际铁路、高铁的发展，桥梁占整个线路长度达到的40%～50%［1］。已有研究表明，大部分的混凝土桥梁的损坏由裂缝导致的，因此对混凝土桥梁裂缝的检测非常重要。调查统计显示，混凝土桥梁在运营过程几乎都带有裂缝，要保证完全不出现裂缝是不可能的。在实践中，我们也并没有要求混凝土结构避免出现裂缝，而且裂缝也分为许多情况，有的裂缝很微小，对于裂缝宽度小于0.05 mm 的裂缝肉眼察觉不到，这种级别的裂缝在正常使用过程不会对结构产生破坏，规范上允许这种裂缝的存在［2］;但是有些混凝土裂隙在荷载作用、周边的气候环境、外界的物理化学影响下会使裂缝加深扩展和产生新的裂缝，裂缝贯通之后使的宽度在0.3 mm 以上。这种裂缝会破坏结构的完整性、引起保护层剥落，钢筋产生锈蚀，影响结构物的安全运营，严重时会发生垮塌事故。对混凝土桥梁进行裂缝检测、精确获取裂缝信息有非常重要的意义，通过对裂缝的检测，可以了解桥梁结构的破坏情况。目前国内外采用人工定期检测，通过人工测量获取裂缝信息，这种方法存在许多局限性，缺乏效率，对测量员也有很大的风险。随着计算机技术的发展，数字图像处理技术得到广泛应用［3－5］。目前，美国、日本、韩国、欧洲等发达国家利用数字图像处理技术进行桥梁的安全检测有比较深入的研宄，但是大部分都集中在公路的裂缝检测上，对于混凝土桥梁的裂缝宽度的检测技术还不成熟。本文基于数字图像处理技术，利用canny 算法提取裂缝轮廓，通过距离变换获取裂缝的形态学信息，然后对裂缝细化，得到距离信息。最后，根据相机标定将像素转换为实际测量需要的长度数据，得到裂缝的实际宽度，为混凝土桥梁的维修加固提供参考依据。

1 桥梁裂缝图像处理

基于数字图像处理技术，检测混凝土桥梁结构表面的裂缝宽度，主要包括图像采集、图像处理、裂缝识别和裂缝宽度确定等内容。

1.1 图像采集

采用高清晰度数码相机采集裂缝图像，采集的图像在计算中以数据点组成的矩阵存储的数字图像，数字图像的本质是被量化的二维矩阵。每一个数据点代表裂缝图像的颜色、灰度等属性，我们把这样的数据点称之为像素。

1.2 图像标定

图像处理之后获取的裂缝信息(裂缝的长度、宽度等)都是以像素为单位的，而实际我们所要得到的检测结果是以mm 为单位的，为了求出每个像素单位代表实际的多少mm，必须对图像进行标定。通过图像标定可以求得每个像素代表的实际长度，从而确定图像中裂缝的实际信息。图像标定方法较多，综合考虑擦亮精度与图像处理效率的要求，本文采用的方法是在采集的裂缝旁边贴一块正方形的黑色纸片，如图1 所示。采集的图像经过图像处理之后，可获取黑色纸片在长度方向上的像素点个数，纸片的实际长度除以像素点个数，即得到一个像素所代表的实际宽度。

图1 黑色正方形标定块

1.3 图像修正

在采集图像的过程中，由于受到空间限制和采集图像时人为误差，采集的图像会产生倾斜，这种图像通常情况下，标定块的上下边缘是平行的但是相对于图像上下两边会有细微的倾斜;而标定块的左右边缘相对于标定块中线对称，相对于图像两侧边是倾斜的。为了正确的识别裂缝信息，需要对图像进行修正，图像修正采用文献［4］的修正方法。

1.4 图像灰度化处理

图像处理以灰度图像为基础，将RGB 格式的图像灰度化处理转换为灰度图像，灰度化公式:

式中:Gray 为灰度图像的灰度值，;R，G，B 分别为原始彩色图像中红、绿、蓝三种基本颜色分量值。对原始图像灰度化处理之后的灰度图像如图2 所示。

图2 灰度图像

图像处理都是在MATLAB 环境下编程实现，采集的裂缝图像是用高清晰度数码相机拍摄的，图像的分辨率高，每幅数字图像包含大量的数据点，在编程运行的时候进行大量的矩阵运算，而式(1)中包含浮点运算，会大大的减缓程序的运行速度，为了提高图像处理的运行速度，将浮点运算转换为整数运算。因为RGB 的取值范围都是0 ～255 的整数，将上述公式改写为:

1.5 图像滤波去噪

由于采集的裂缝图像会不可避免的含有噪声成分，在获取裂缝信息前，必须将噪声去除。在滤波去噪的过程中，一方面要有效地去除裂缝图像中干扰裂缝的噪声;另一方面要保护裂缝信息，避免去噪时影响裂缝的边缘。

为了得到质量良好的去噪后的裂缝图像，在去噪前先进行增加处理，增加图像的信噪比，使得裂缝区域和背景区域最大限度的分离。若信噪比不明显，可适当的添加高斯噪声或者椒盐噪声。

常用的滤波算法有很多，本文采用中值滤波和平滑滤波相结合的算法［6］。首先选取一个宽度为7×7 的方形领域，对图像平滑处理，然后添加椒盐噪声，进行中值滤波，输出图像的灰度值取灰度图像的中间灰度值。滤波去噪处理后的裂缝图像如图3 所示。

图3 滤波去噪后的裂缝图像

1.6 裂缝检测

裂缝检测的方法很多，本文采用canny 算法获取裂隙轮廓，虽然canny 算法不能够去除其他非裂缝信息，只能够找出裂缝的所有边缘并且标记出来。但是对裂缝图像进行滤波去噪处理之后，canny 算法是一种最好的裂缝边缘检测的算法［7］。一般来讲，canny 算法检测边缘的错误率低，能尽量的标记出裂缝的实际边缘。canny 算法的定位性能很好，通过canny 算法检测出的裂缝边缘与实际边缘拟合良好，并且它可以有效的避免对裂缝的重复标记。采用canny 算法生成的裂缝轮廓(图4 所示)，再对canny 算法的结果进行取反，使裂缝区域标记为黑色(图5 所示)。

图4 canny 算法提取的裂缝轮廓

图5 真实的裂缝信息图

1.7 距离变换

距离变换是一种基于二值化图像处理的全局操作。它是计算目标空间点之间的距离，最终把二值化图像转变成灰度图像的过程(其中每个像素点的灰度值等于它到最近目标点的距离)［8］。距离变换的类型有3 种，按照距离类型划分可分为:非欧氏距离变换和欧氏距离变换(EDT)。其中EDT 精度高，与实际距离相符，应用比较广泛。

在二维平面上定义两点，两点之间的欧氏距离表示为:

在二值图像中，1 代表目标点(裂缝区域像素点)，0 代表背景(背景区域像素点);在灰度图像中，通过距离变换之后，像素点的灰度值等于该像素点到最近目标点的距离值。这样一张M×N 的图像可以表示为一个二维数组A［M］［N］，其中A［i］［j］=1 表示裂缝区域目标像素点，A［i］［j］=0 表示背景区域的像素点。若B ={ (x，y)|A［i］［j］ =1} 为目标点集合，则欧氏距离变换就是对A 中所有的像素点求:

其中:

距离变换的结果通常是一幅和输入图像看起来很接近的灰度图片，所不同的是前景区域内的点的亮度被改变了，用以显示每个点到其最近的边界的距离。如图6 所示。

图6 距离变换的输入图像和输出图像

对图5 的裂缝图反相，然后对其进行距离变换，得到的输出图像如图7 所示。

图7 距离变换后的输出图像

1.8 裂缝宽度计算

距离变换的方法就是获取裂缝的形态学信息，通过对裂缝区域进行距离变换，就可求得裂缝的中心线到其边界的距离。由图6 和图7 可以看出，裂缝最大宽度处中线是白色的，其灰度值最大Gray=255，在距离变换时，可以将这个信息提取出来。然后通过遍历，求中线到canny 算法得到的裂缝边缘的最小值，也就是中线像素点到边缘像素点的垂直距离，这个距离的2 倍就是我们所求的裂缝的最大宽度。

2 实例验证

基于以上图像处理的方法，利用MATLAB 强大的图像处理功能［9，10］，编制程序，即可得到裂缝宽度。

为了验证本文裂缝图像处理的可行性，以现场采集的10 幅混凝土桥梁表面裂缝图像，对其进行了验证，同时用裂缝宽度观测仪现场实测裂缝宽度与理论计算值进行比较(表1 所示)。

从表1 可以看出，裂缝宽度小于0.2 mm 的相对误差明显高于裂缝宽度大于0.2 mm 的，裂缝宽度大于0.2 mm 的平均相对误差为2.52%，识别精度97.48%。裂缝宽度小于0.2 mm 的平均相对误差为11.58%，识别精度88.42%。整体的平均相对误差为7.05%，识别精度92.95%。

表1 裂缝宽度的理论计算值与实测值比较

因为仪器的精度，以及实测时人工原因对于宽度小于0.2 mm 裂缝检测，不可避免的产生误差。通过MATLAB 编程运算出的裂缝宽度为裂缝的最大宽度，因此，小于0.2 mm 裂缝的误差较大。

根据公路桥涵设计规范以及公路养护规范的要求，桥梁正常使用状态下允许最大的裂缝宽度为0.02 mm。因此，本文提供的裂缝图像处理方法，识别裂缝宽度的精度能够满足工程实践的需要。

3 结论

本文基于MATLAB 强大图像处理技术，对混凝土桥梁表面的裂缝宽度进行检测，得到如下结论:

1)将裂缝图像进行图像修正、滤波去噪等预处理后，采用canny 算法提取裂缝轮廓，然后再通过距离变换，得到裂缝中线信息数据，从而求得裂缝宽度。实例验证这种方法能够有效检测裂缝宽度，识别率达到92.95%以上，大于0.2 mm 裂缝宽度识别精度为97.48%。

2)本文对图像灰度化处理进行了优化，将浮点运算转化为整数运算，大大的加快MATLAB 灰度化处理的运行速度，提高了图像预处理的效率。

［1］张 强，王正林.精通MATLAB 图像处理［M］.北京:电子工业出版社，2009.

［2］罗军辉，冯 平.Matlab7.0 在图像处理中的应用［M］.北京:机械工业出版社，2005.

［3］高浩军，杜宇人.中值滤波在图像处理中的应用［J］.电子工程师，2004，30(8):35－36.

［4］方 志，彭海涛.基于图像分析技术的混凝土桥梁结构表面裂缝宽度检测［J］.湖南大学学报(自然科学版)，2012，39(1):7－12.

［5］许薛军，张肖宁.基于数字图像的混凝土桥梁裂缝检测技术［J］.湖南大学学报(自然科学版)，2013，40(7):34－40.

［6］常 娜.图像处理中的边缘检测算法研究综述［J］.中国科技信息，2011(4):130－132.

［7］FISHER R，PERKINS S，WALKER A，et al.Morphology-Distance Transform ［EB/OL］.http://home pages，inf.ed.ac.uk/rbf/HIPR2/distance，htm，2013－04－27.

［8］JJF1334－2012，混凝土裂缝宽度及深度测量仪校准规范［S］.

［9］张维峰，刘 萌，杨明慧.基于数字图像处理的桥梁裂缝检测技术［J］.现代交通技术，2008，5(5):34－36.

［10］张登峰.基于图像处理的铁路混凝土桥梁裂缝探测和信息获取［D］.北京:北京交通大学计算机与信息技术学院，2014.