一种混凝土桥梁裂缝的自动检测方法和预测方法技术

本文发明专利技术涉及一种混凝土桥梁裂缝的自动检测方法和预测方法。本发明专利技术结合了数字图像处理、机器学习和计算机视觉的相关经典算法，尤其是创造出的灰度空间多尺度特征组，使本发明专利技术即使是在路面状况十分复杂的情况下，十分细小的裂缝都可以检测出来，解决了现有技术中存在的数字图像处理对于裂缝图像对比度比较低，裂缝细小根本检测不到的问题；机器学习依赖于裂缝分割，一旦裂缝分割失败，提取的特征错误；以及都不能对桥梁裂缝进行预测的问题；另外根据检测出的裂缝的区域，结合计算机视觉的图像拼接技术，构建裂缝密度地图，结合先验知识，可以得到裂缝比较严重的区域，该区域预示着桥梁可能发生断裂或者发生危险事故，从而完成预测。

【技术实现步骤摘要】
一种混凝土桥梁裂缝的自动检测方法和预测方法
本文专利技术属于计算机视觉、机器学习和数字图像处理
，具体涉及一种混凝土桥梁裂缝的自动检测方法和预测方法。
技术介绍
数字图像处理进行裂缝检测大多采用边缘检测、形态学或者阈值化等方法，且针对的是高对比度的裂缝图像，但是这些方法对噪声、油渍、水渍等干扰物敏感，鲁棒性不强，并且需要人为设置和调整参数，更重要的是，现实中的裂缝图像对比度比较低，甚至于裂缝很细小，根本检测不到。机器学习不需要人为设置和调整参数，具有自适应性，已经成功运用到图像识别和分类中。机器学习的关键在于构建合适的算法来提取具有代表性的特征。例如，神经网络被用来决定裂缝方向时，提取特征运用的是标准图像二值化方法；支持向量机、最邻近算法和神经网络被用来分类时，提取的特征运用的是统计学原理和数字图像处理方法。但这些机器学习方法有一个共同的缺点：依赖于裂缝分割。一旦裂缝分割失败，提取的特征就是错误的，随之，后续的一系列处理也就没有了意义。整体来说，现有技术中，对于混凝土桥梁裂缝检测的研究是在不断进步的，但是结合计算机视觉、机器学习和数字图像处理相关技术的混凝土桥梁裂缝检测研究还是比较少的。2014年，周传林在《筑路机械与施工机械》第2期中，发表了《图像处理技术在混凝土桥梁裂缝检测中的应用研究》，重点研究了灰度化、图形增强、空间滤波以及灰度阈值等裂缝图像处理技术。2015年，李文波和杨保春在《湖南交通科技》第41卷第1期中，发表了《基于图像处理技术的混凝土桥梁裂缝宽度检测》，主要研究了canny算法来提取裂缝轮廓。以上基于图像处理的桥梁裂缝检测算法之所以取得了良好的实验效果，是因为采集图像的对比度很高，噪声很低，且场景比较简单，不存在油渍、水渍等障碍物；如果采集的图像受各种因素的干扰，则很难检测到对比度比较低的以及细小的裂缝。2016年，陈瑶、梅涛和王晓杰等人在《中国科学技术大学学报》第46卷第9期中，发表了《基于爬壁机器人的桥梁裂缝图像检测与分类方法》，该文献运用图像处理方法对获取的图片进行预处理，然后运用小波变换对图像中的裂缝目标进行增强，再用二值图像形态学分析提取裂缝目标，最后用支持向量机方法对裂缝进行分类。虽然该文献对机器视觉和机器学习等领域进行了探索，但是研究的不够深入，仅仅涉及到机器视觉中的非接触采集图像和机器学习中的支持向量机算法，更不能对桥梁的裂缝进行预测。
技术实现思路
为了解决现有技术中存在的数字图像处理对于裂缝图像对比度比较低，甚至于裂缝很细小，根本检测不到的问题；机器学习依赖于裂缝分割，一旦裂缝分割失败，提取的特征就是错误的；以及都不能对桥梁裂缝进行预测的问题，本专利技术创造性地结合了数字图像处理、机器学习和计算机视觉的相关经典算法，开发出了一个实用的混凝土裂缝自动检测和预测方法。本专利技术通过以下技术方案实现：一种混凝土桥梁裂缝的自动检测方法，包括以下步骤：S1、采集桥梁路面数据集：采集桥梁路面状况视频，再将视频序列转变为图像序列，得到原始图像；S2、用鲁棒的线段探测器定位裂缝所占区域：将S1采集到的所有原始图像裁剪成像素为15*15的图像块，运用鲁棒的线段探测器在每个图像块中拟合一条线段，通过图像块中是否存在拟合出来的线段，来定位裂缝所占区域；S3、提取裂缝灰度空间多尺度特征，组成灰度空间多尺度特征组：根据定位到的裂缝所占区域，提取裂缝所占区域的灰度空间多尺度特征，包括基于灰度的特征、基于梯度的特征和多尺度空间特征；将提取的灰度空间多尺度特征组合在一起，形成灰度空间多尺度特征组；S4、用机器学习分类器确定裂缝：将S3组合成的灰度空间多尺度特征组输入至机器学习分类器中，机器学习分类器就根据输入的特征，利用概率进行计算，概率最大的那些地方就认为是裂缝。进一步地，所述步骤S2中鲁棒的线段探测器采用的是随机抽样一致算法，具体计算如下：1)、考虑一个最小抽样集的势为n的模型(n为初始化模型参数所需的最小样本数)和一个样本集P，集合P的样本数#(P)>n，从P中随机抽取n个样本，构成P的子集S，用来初始化模型M；2)、余集SC＝P/S中与模型M的误差小于某一设定阈值t的样本集合和集合S构成集合S*。S*是内点集，他们构成S的一致集；3)、若#(S*)≥N,人为得到正确的模型参数，并利用集S*，采用最小二乘等方法重新计算新的模型M*。重新随机抽取新的S，重复以上过程；4)、在完成一定的抽样次数后，若未找到一致集，则算法失败，否则选取抽样后得到的最大一致集判断内外点，算法结束。进一步地，所述步骤S3中基于灰度的特征、基于梯度的特征包括灰度均值、灰度标准差、梯度均值、梯度标准差、拟合直线的灰度均值与对应区域灰度均值的比值；多尺度空间特征包括前三个尺度空间的拉普拉斯金字塔最大值、前三个尺度空间的拉普拉斯金字塔最小值、拉普拉斯金字塔的第一个尺度的均值、拉普拉斯金字塔的第二个尺度的均值和拉普拉斯金字塔的第三个尺度的均值。进一步地，所述前三个尺度空间的拉普拉斯金字塔最大值、前三个尺度空间的拉普拉斯金字塔最小值、拉普拉斯金字塔的第一个尺度的均值、拉普拉斯金字塔的第二个尺度的均值和拉普拉斯金字塔的第三个尺度的均值的提取方法为：设原始图像为G0，以G0作为高斯金字塔的第0层，对原始图像进行高斯低通滤波和隔行隔列的降采样，得到高斯金字塔的第1层；再对第1层图像进行高斯低通滤波和降采样，得到高斯金字塔的第2层；重复以上过程，构成高斯金字塔。假设高斯金字塔的第l层图像为Gl，则有：式中，N为高斯金字塔顶层的层号；Rl和Cl分别为高斯金字塔第l层的行数和列数；是一个二维可分离的5*5窗口函数，表达式为：将Gl进行内插得到放大图像使的尺寸与Gl-1的尺寸相同，表示为其中，令式中，N为拉普拉斯金字塔顶层的层号，LPl是拉普拉斯金字塔分解的第l层图像；由LP0，LP1，...，LP，...，LPN构成的金字塔即为拉普拉斯金字塔，本专利技术中N＝3；那么，前三个尺度空间的拉普拉斯金字塔最大值(Lmax)前三个尺度空间的拉普拉斯金字塔最小值(Lmin)拉普拉斯金字塔的第一个尺度的均值(uL1)拉普拉斯金字塔的第二个尺度的均值(uL2)拉普拉斯金字塔的第三个尺度的均值(uL3)其中，Ri,Ci,(1≤i≤3)表示拉普拉斯金字塔第i层的行数和列数。进一步地，所述灰度均值、灰度标准差、梯度均值、梯度标准差、拟合直线的灰度均值与对应区域灰度均值的比值特征提取的方法为：将原始图像G0切分成像素为15*15的图像块Fk(m,n)，其中k表示第k个图像块，1≤m,n≤15，这些图像块经过鲁棒的线段探测器处理后得到两种结果，一种是存在裂缝的图像块FiCrack(m,n)，共块，另一种是没有裂缝的图像块FjnoCrack(m,n)，设拟合得到的直线为灰度均值(ui)灰度标准差(σi)梯度均值(ug)梯度ΔF是一个矢量，它具有方向θ和模|ΔF|。θ＝arctan(FiCracky/FiCrackx)梯度标准差(σg)拟合直线的灰度均值和对应区域灰度均值的比值(ri)进一步地，所述灰度空间多尺度特征组为U＝[ui；σi；ug；σg；ri；Lmax；Lmin；uL1；uL2；uL3]。进一步地，所述步骤S3中基于灰度的特征使用的像素全部是鲁棒的本文档来自技高网...

【技术保护点】
一种混凝土桥梁裂缝的自动检测方法，其特征在于：包括以下步骤：S1、采集桥梁路面数据集：采集桥梁路面状况视频，再将视频序列转变为图像序列，得到原始图像；S2、用鲁棒的线段探测器定位裂缝所占区域：将S1采集到的所有原始图像裁剪成像素为15*15的图像块，运用鲁棒的线段探测器在每个图像块中拟合一条线段，通过图像块中是否存在拟合出来的线段，来定位裂缝所占区域；S3、提取裂缝灰度空间多尺度特征，组成灰度空间多尺度特征组：根据定位到的裂缝所占区域，提取裂缝所占区域的灰度空间多尺度特征，包括基于灰度的特征、基于梯度的特征和多尺度空间特征；将提取的灰度空间多尺度特征组合在一起，形成灰度空间多尺度特征组；S4、用机器学习分类器确定裂缝：将S3组合成的灰度空间多尺度特征组输入至机器学习分类器中，机器学习分类器就根据输入的特征，利用概率进行计算，概率最大的那些地方就认为是裂缝。

【技术特征摘要】
1.一种混凝土桥梁裂缝的自动检测方法，其特征在于：包括以下步骤：S1、采集桥梁路面数据集：采集桥梁路面状况视频，再将视频序列转变为图像序列，得到原始图像；S2、用鲁棒的线段探测器定位裂缝所占区域：将S1采集到的所有原始图像裁剪成像素为15*15的图像块，运用鲁棒的线段探测器在每个图像块中拟合一条线段，通过图像块中是否存在拟合出来的线段，来定位裂缝所占区域；S3、提取裂缝灰度空间多尺度特征，组成灰度空间多尺度特征组：根据定位到的裂缝所占区域，提取裂缝所占区域的灰度空间多尺度特征，包括基于灰度的特征、基于梯度的特征和多尺度空间特征；将提取的灰度空间多尺度特征组合在一起，形成灰度空间多尺度特征组；S4、用机器学习分类器确定裂缝：将S3组合成的灰度空间多尺度特征组输入至机器学习分类器中，机器学习分类器就根据输入的特征，利用概率进行计算，概率最大的那些地方就认为是裂缝。2.根据权利要求1所述的自动检测方法，其特征在于：所述步骤S2中鲁棒的线段探测器采用的是随机抽样一致算法，具体计算如下：1)、考虑一个最小抽样集的势为n的模型(n为初始化模型参数所需的最小样本数)和一个样本集P，集合P的样本数#(P)>n，从P中随机抽取n个样本，构成P的子集S，用来初始化模型M；2)、余集SC＝P/S中与模型M的误差小于某一设定阈值t的样本集合和集合S构成集合S*；S*是内点集，他们构成S的一致集；3)、若#(S*)≥N,人为得到正确的模型参数，并利用集S*，采用最小二乘等方法重新计算新的模型M*；重新随机抽取新的S，重复以上过程；4)、在完成一定的抽样次数后，若未找到一致集，则算法失败，否则选取抽样后得到的最大一致集判断内外点，算法结束。3.根据权利要求1所述的自动检测方法，其特征在于：所述步骤S3中基于灰度的特征、基于梯度的特征包括灰度均值、灰度标准差、梯度均值、梯度标准差、拟合直线的灰度均值与对应区域灰度均值的比值；多尺度空间特征包括前三个尺度空间的拉普拉斯金字塔最大值、前三个尺度空间的拉普拉斯金字塔最小值、拉普拉斯金字塔的第一个尺度的均值、拉普拉斯金字塔的第二个尺度的均值和拉普拉斯金字塔的第三个尺度的均值。4.根据权利要求3所述的自动检测方法，其特征在于：所述前三个尺度空间的拉普拉斯金字塔最大值、前三个尺度空间的拉普拉斯金字塔最小值、拉普拉斯金字塔的第一个尺度的均值、拉普拉斯金字塔的第二个尺度的均值和拉普拉斯金字塔的第三个尺度的均值的提取方法为：设原始图像为G0，以G0作为高斯金字塔的第0层，对原始图像进行高斯低通滤波和隔行隔列的降采样，得到高斯金字塔的第1层；再对第1层图像进行高斯低通滤波和降采样，得到高斯金字塔的第2层；重复以上过程，构成高斯金字塔；假设高斯金字塔的第l层图像为Gl，则有：式中，N为高斯金字塔顶层的层号；Rl和Cl分别为高斯金字塔第l层的行数和列数；是一个二维可分离的5*5窗口函数，表达式为：将Gl进行内插得到放大图像使的尺寸与Gl-1的尺寸相同，表示为其中，令式中，N为拉普拉斯金字塔顶层的层号，LPl是拉普拉斯金字塔分解的第l层图像；由LP0，LP1，...，LP，...，LPN构成的金字塔即为拉普拉斯金字塔，本发明中N＝3；那么，前三个尺度空间的拉普拉斯金字塔最大值(Lmax)前三个尺度空间的拉普拉斯金字塔最小值(Lmin)拉普拉斯金字塔的第一个尺度的均值(uL1)

【专利技术属性】
技术研发人员：李良福，高小小，孙瑞赟，张玉霞，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：陕西,61