[发明专利]一种基于灰度和梯度融合的隧道结构裂缝识别方法

说明书

本发明涉及一种基于灰度和梯度融合的隧道结构裂缝识别方法，主要解决现有识别方法受裂缝连续性差、存在断裂、背景较为复杂等因素影响的技术问题，本发明识别方法包括以下步骤：S1、选取裂缝的起点和终点，确定裂缝位置；S2、选取局部图像进行光照处理和边缘检测；S3、依据局部图像的灰度值初步提取裂缝区域；S4、基于形态学和距离法对裂缝区域再次提取；S5、计算局部裂缝长度和宽度，并选择下一个局部；S6、计算并输出整条裂缝信息。相比已有技术，本发明针对于断裂裂缝，可准确、快速地获取裂缝位置和几何信息。

技术领域

本发明涉及一种隧道结构裂缝识别方法，特别是公开了基于灰度和梯度融合的隧道结构裂缝识别方法，应用于隧道工程领域。

背景技术

裂缝是隧道结构中常见的病害，是影响隧道结构安全的关键因素。传统的检测方法，依赖人工判断和辅助工具判断；检测效率低，工作强度大，对人员专业知识要求高，因此需要借助于快速检测手段，目前常用的方法是借助图像处理技术，对病害进行识别。

发明专利《基于计算机视觉的桥梁裂缝自动监测与识别方法》（CN 108346144 A）通过利用包含复杂背景干扰的真实裂缝图像，构建训练深度网络模型，将拍摄的图像输入模型，实现裂缝识别、结果展示的全过程自动化处理。专利《基于深度和灰度图像的路面裂缝检测装置和方法》（CN 104005325 A）利用激光线和摄像装置，生成拍摄面的深度数据和灰度数据，进而对裂缝识别。专利《基于无人机机载成像的混凝土裂缝宽度识别系统及方法》（CN 106441235 A）利用无人机搭载相机和三点激光测距仪，对被测物体进行拍摄，进而计算裂缝像素数，采用测距法求得被测物体的实际范围，进而获取裂缝宽度。

裂缝识别常用的方法主要分为两类：传统的图像处理方法和基于机器学习的裂缝识别方法。传统的图像处理方法有图像分割和骨架延伸，裂缝宽度变换算法那，多尺度邻域信息实现像素级裂缝自动检测，利用三维场景重建对结构进行状态评估等方法；而基于机器学习的裂缝识别方法有空间调谐鲁棒多特征分类器，利用随机森林实现对道路裂缝的自动检测，利用深度卷积神经网络对裂缝进行分类，计算区域与完备集的稀疏裂缝与非裂缝区域分类，利用卷积神经网络与滑动窗口相结合的方法。尽管裂缝识别的研究和方法非常多，基于机器学习的方法对裂缝样本数量、种类要求高，要求裂缝多样，尽可能包含所检测的种类，对训练样本的要求较高；而传统的图像处理方法，对裂缝较清晰、干扰少、背景光滑的裂缝图像效果，对于背景复杂、有断裂、墙面粗糙的裂缝图像效果较差。

因此，研究一种适合于复杂背景下的隧道结构裂缝识别方法是目前亟待解决的关键问题。

发明内容

本发明的目的是提供一种可适应不同尺寸图像裂缝识别的方法，主要解决现有识别方法受裂缝连续性差、存在断裂、背景较为复杂等因素影响的技术问题，可确保裂缝识别的准确性和完整性。

本发明可以通过以下技术方案来实现：一种基于灰度和梯度融合的隧道结构裂缝识别方法，包括以下步骤：

S1、选取裂缝的起点和终点，确定裂缝位置。

所述步骤S1的具体操作如下：

（1）选取包含裂缝的图像，记为I，计算其高度和宽度，分别记为H和W；

（2）在图像I中，选择裂缝的起点和终点，分别记为A和B；

（3）计算裂缝的角度，记为θ；依据裂缝的角度，将裂缝分为环向裂缝（）和纵向裂缝（）（此处不考虑斜向裂缝）；若裂缝为环向裂缝，将图像逆时针旋转，同时起点和终点记为和，若裂缝为纵向裂缝，则、；

（4）比较裂缝的起点横坐标、终点横坐标的大小，若，则将点和点的坐标进行互换，记裂缝的起点为C，终点为D。

S2、选取局部图像进行光照处理和边缘检测。

所述步骤S2的具体操作如下：