于彦飞 徐磊 郭伟 康文强 高原

（1.山东大学控制科学与工程学院 山东省济南市 250061 2.长江勘测规划设计研究有限责任公司 湖北省武汉市 430010）

1 引言

随着经济、科技的快速发展，各类水利工程建设也越发迅猛，其安全稳定运行也成为了一个重大挑战。目前国内已累计建成近50 万公里的堤防，近10 万座水库大坝。随着运行时间的延长，许多堤坝会存在各种病害隐患。特别是在汛期，受到洪水的影响，平常易于忽视的细小隐患极有可能引发重大危险甚至造成难以估计的后果，因此堤坝的安全运行对水利工程的发展至关重要。据水利工程结构安全的最新研究成果以及运行维护的日常工作总结，对坝体病害进行快速无损检测并进行及时修复，可以确保水利工程的安全稳定运行。

对坝体病害进行快速安全检测对堤坝工程的稳定运行具有重大意义，因此，本文对堤坝表观病害快速识别方法进行了研究，首先基于支持向量机对采集的可见光图像进行分类，进而设计了基于改进Frangi 滤波的表观病害识别方法，并通过实验室模拟实验进行了验证，实现了对堤坝表观病害的有效识别。

2 堤坝表观病害图像特征提取方法以及识别算法设计

本文提出了适用于堤坝表观病害快速高精度识别方法，对实验所得的可见光图像进行处理，实现表观病害的准确识别。在对堤坝进行检测之前，需要使用相机对堤坝的表面状态进行采集，对一段距离的堤坝进行采集就可以得到大量的图像数据，然而包含病害的图像数据仅占一小部分，如果将所有的图像数据全部输入到识别系统中进行识别，对于没有病害的图像并没有任何意义，还会浪费大量的资源以及时间，大大降低算法的识别效率。因此，本文首先对采集的大量图像进行分类，然后根据分类结果再对包含病害的图像进行识别，本文方法主要包括破损病害分类与识别两部分。

2.1 图像特征提取方法与分类

SURF 特征具有很高的鲁棒性与准确率，但是在提取特征点的时候速度较慢。为了对分类器进行更好的调试并对其分类效果进行优化，在特征提取部分选用FAST-SURF 算法来设计分类器，即使用FAST 算法来代替SURF 算法的特征点提取部分，该特征提取算法与SURF 算法相比，运行时间大大降低，并且能够快速的获取大量特征点。FAST-SURF 算法首先利用FAST 算法快速来提取堤坝图像特征点，然后利用SURF 的描述子生成64 位的描述向量进行准确的特征描述。但此时每幅图像所生成的特征点个数并不统一，不能直接送入分类器进行训练。因此本文借助词袋法思想，通过K-means++算法实现对FAST-SURF 特征的聚类，生成的k 维特征向量表示为：

FFAST-SURF=[F1,F2,…FK]

本文采用基于支持向量机（SVM）的二分类模型对从图像中提取的特征向量进行分类。分类器的训练流程主要包括三部分。首先是前期处理部分，该部分主要是筛选、整理、标注图像数据，并对图像数据集进行分组处理。然后是训练部分，在对图像数据进行训练之前需要进行图像数据的预处理，包括尺寸裁剪、滤波操作，进行将从图像中提取的特征向量输入到SVM 训练机中进行训练。最后是预测部分，将待测试的图像数据集输入到第二部分训练好的模型中进行测试，实现对图像数据集的分类。本文采用了MATLAB软件中的SVM 线性核函数来表示SVM 分类器。

表1：不同特征提取方法的分类器指标对比

表2：不同算法的运行时间

表3：裂缝参数计算结果

图1：不同算法结果对比

图2：裂缝检测结果

本文采用了450 张混凝土图像数据集对分类算法进行训练以及测试，训练集的数目为300 张，测试集为150 张。训练集和测试集中正常图像和病害图像的数量之比为2:1，为了对分类器进行定量的评价，本文采用召回率、准确率和一张图像识别时间等评价指标对分类器进行评判，并与仅使用SURF 算法进行特征提取的分类器进行了比较，对比结果如表1 所示。通过表可以得知，本文提出的FAST-SURF 算法具有良好的特征提取能力，能够产生较优的效果，并降低了识别时间，能够符合实际检测需求。

2.2 识别算法

Frangi 滤波器是基于Hessian 矩阵特征值构造出来的边缘检测算法，能够对光照不均匀下收集的图像中的细小结构进行增强。在可见光图像中，较大面积的裂缝会与周围环境产生较大的对比度，因而在灰度图像中灰度值比较高并容易被区分。而较小面积的裂缝与周围环境相似，因而在灰度图像中灰度值比较低并难以区分，受到噪声干扰会比较大，因此Frangi 滤波不能较好的提取细小裂缝。引导滤波是根据图像中的所有像素的不同的线性关系来寻找与原始图像梯度一致的图像层，从而将图像分离成不同的层，能够很好地保留图像的边缘。因此本文将引导滤波器和Frangi 滤波器相结合，实现图像中裂缝信息的提取。

Hessian 矩阵是一个二阶偏导矩阵，其特征值对噪声特别敏感，并且可以促进滤波产生较好的去噪效果，但是无法去除全部噪声，能够基本描述裂缝信息，所以改进Hessian 矩阵特征值的方法被用来进一步抑制噪声，增强图像细节。Hessian 矩阵在二维图像中有两个特征值：λ1、λ2（λ1＜λ2），表示像素点在二维图像中各个方向的梯度变化程度，特征值越大就会在对应方向产生更大的梯度。由于Hessian 矩阵的特征值在图像中不同位置会产生不同的效果，构造了Hessian 矩阵特征值的判别方法：

从Hessian 矩阵特征值的判别方法的公式中可以看出，对于细小裂缝检测，Frangi 滤波算法难于产生理想的效果。因此本文通过串联引导滤波器对该算法进行了改进，改进后的特征判别方法可表示为：

式中，exp(-a*|λ1|)可以提高细小病害的提取效果，a 越大表示提高能力越显著，可以抑制图像中的噪声，b 越大表示抑制噪声的效果越明显。

本文将改进的Frangi 滤波与自动化阈值的方法相结合来实现堤坝裂缝识别结果的直观显示，并且能够以较高的精度提取堤坝裂缝区域。为了使识别结果更加精细，还可以采用形态学修饰来过滤掉一些非病害区域。裂缝骨架的提取采用Zhao-Suen 快速细化算法来显示裂缝长度。

为了对本文所提出的滤波算法进行验证，随机选择了2 张病害图像数据进行测试，并将该算法与普通的Frangi 滤波算法进行了比较分析，对比结果如图1 所示，从图中可以看出，普通Frangi 滤波算法检测的结果出现许多噪声，而改进的Frangi 滤波算法具有良好的细节信息以及病害轮廓，不受噪声的干扰。表2 还列出了两种算法对裂缝的预测时间，对于不同的图像，本文的预测时间都是最优的，并且还具有较高的效率，因此本文提出的算法可以适应实际检测的需求。

3 实验结果及分析

在实际的检测中，大部分裂缝的形状都是不规则的，并且无法确定其位置，难于评价本文算法的可行性。因此本文设计了一个模拟实验，裂缝采用512×5mm 的标准条状规则炭纤维棒进行模拟。本次实验是基于64 位Windows 10 系统采用MATLAB R2018b 软件进行运行的。无人机系统选用了搭载分辨率为1920×1080 的禅思Z30 云台相机的大疆经纬M210 V2。

本次实验设置了3 种不同形式的裂缝，包括横向、纵向和斜向。将无人机以与混凝土平行的10m 的高度对贴在混凝土上的不同形式的裂缝进行拍照采集。然后采用本文所研究的算法对收集的图像进行处理，即可提取裂缝并进行参数的分析计算，裂缝检测结果如图2 所示，从图中可以看出，本文所提出的算法产生了良好的识别结果，能够较好地提取出裂缝病害的轮廓并勾画出裂缝的形状。

为了对裂缝病害进行定量的分析，需要确定相机的分辨率以及变焦倍数来对相机采集的照片进行标定，由于项目要求能够识别出宽度大于1mm 的堤坝裂缝，然而在图像中，裂缝显示需要1 个像素点，所以本文选择使用A2 纸作为参考，以1mm 为单位画出两条400mm 的线段，然后采用相机以相同采集高度对参照物进行拍照，并不断调节相机的参数以使相机能够观测到参照物上的刻度，最后确定图像像素的大小。在图像中像素大小确定之后，即可对提取的裂缝病害进行量化分析。本文采用相对误差对提取出的裂缝参数进行分析，将提取的裂缝参数与实际裂缝尺寸进行对比，图像中标定的每个像素的边长和面积分别为0.622mm 和38.588mm2。结果如表3 所示，同一种炭纤维棒模拟的不同位置放置的裂缝的识别结果有些差别，这可能够是由于堤坝裂缝识别算法将图像中炭纤维棒的阴影错误判断为裂缝，产生了相对较大的误差，真实检测中不会出现阴影，但是识别效果可能会受到光照的影响，导致图像中裂缝边缘位置识别出现偏差。

本次实验能够将裂缝区域进行有效提取，并对裂缝的尺寸进行分析，其相对误差能够满足检测要求，因此本文所提出的算法具有可行性。

4 总结

本文研究了堤坝表观病害快速识别方法，采用了先分类后识别的思路实现表观病害的准确检测，分类部分设计了一种基于FASTSURF 特征提取算法的分类器，识别准确率大于90%，而且还具有较高的识别效率，能够满足快速巡检的要求，病害识别部分设计了一种基于改进的Frangi 滤波的堤坝裂缝识别算法，图像增强和噪声抑制函数被用来对普通Frangi 滤波算法进行优化，使病害识别算法能够提取更加细节的信息，避免受到噪声干扰。并通过实验室模拟实验进行了验证，识别出的裂缝面积的相对误差不高于7%，因此本文所提出的方法能够准确识别表观病害轮廓。