孫亮1，邢建春1，謝立強1，王進京2

　?。?.中國人民解放軍理工大學 國防工程學院，江蘇 南京 210007；2.山東省軍區軍事設施保護辦公室，山東 濟南 250000）

       摘要：隨著科學技術的不斷發展，橋梁、隧道、高速公路等土木工程設施開始大量出現在人們的生活之中。它們在給予人們方便之余，也存在著大量的安全隱患，而由于土木工程體量、處在地自然環境等因素的限制，現行的人工檢測方法很難及時地對土木工程進行結構健康監測，數字圖像處理成為解決這個問題的首選之一。文中首先對現行的Canny裂縫檢測算法進行了詳細的介紹，并針對其只能人工選取閾值的缺點進行了改進，結合Harris特征檢測算法和圖像中各像素點的梯度值，提出了一種自適應閾值的Canny檢測算法；然后，結合自身的學習，在現有的兩種裂縫評價指標裂縫寬度和長度之外，引入了裂縫的橫向位移和旋轉角度，構建了新的裂縫安全評估指標。通過實驗對所提出的算法進行了驗證。

　　關鍵詞：數字圖像；Canny算法；結構健康檢測；裂縫；自適應閾值

　　中圖分類號：TP391文獻標識碼：ADOI： 10.19358/j.issn.1674-7720.2017.05.012

　　引用格式：孫亮，邢建春，謝立強，等.基于自適應閾值Canny算法的裂縫檢測方法研究［J］.微型機與應用，2017,36（5）：35-37，41.

0引言

　　*基金項目：國家自然科學基金（51505499）自19世紀以來，隨著科技水平的進步和人類社會的不斷發展，建設了大量的鋼筋混凝土結構的工程。橋梁、隧道、高速公路的出現大大方便了人們的出行和生活，但是他們同時也留有一定的隱患［1］。這些工程設施經過了長期的運營及使用后，結構的性能往往開始退化，如果不加以保養和維護，就會釀成不可挽回的后果。1907年在加拿大的魁北克省，魁北克大橋在建設中突然失穩倒塌，86名建橋工人和19 000噸鋼材被拋入水中，最后只有11人幸存［2］。2007年美國密西西比河大橋突然發生坍塌，造成了13人遇難、145人受傷，是美國近幾十年來發生的最嚴重的橋梁垮塌事件［3］。而在我國，2001年11月7日，四川南部城市宜賓的南門大橋發生懸索及橋面斷裂事故，使得橋兩端斷裂，宜賓對外的交通和通訊一度受到很大的影響。這一系列的重大事故告訴我們，對土木工程進行結構健康監測是何等重要的一件事情。

　　目前，針對材料內部缺陷的檢測技術有紅外線、超聲波等探傷技術，針對表面裂縫的檢測包括圖像識別、雷達檢測等方法［4］。但主要使用的還是人工檢測法，通過技術人員定期對工程中的各個關鍵部位進行檢測，從而防止重大事故的產生。而國防工程的建筑體積相對較大，檢測要求精度高，部分工程還處于人煙罕至的叢林和陡峭的山區之中，自然環境比較惡劣，使用人工進行檢測基本不可能實現［5］。因而數字圖像監測技術也就有了很強的現實意義。

1土木工程表面裂縫識別

　　在土木工程結構健康檢測中，對表面裂縫的識別檢測是其中最重要的環節之一，對于混凝土結構來說，除去材料剛度退化、支座沉降等內部問題外，開裂是最為常見的劣化現象［6］。裂縫產生的原因眾多：構建損壞變形、混凝土的裂變、結構支座發生位移等。裂縫不僅會影響結構外觀，而且會導致混凝土層對內部鋼筋的保護失效，快速發展的裂縫更是結構倒塌的前兆。因此，對于混凝土表面裂縫進行識別與監測是安全評估的重要環節。目前對混凝土表面識別主要有人工觀察法、數字圖像識別法和雷達檢測法等。相對于其他兩種方法，數字圖像算法具有實時性高、精度好、可操作性強等優點，因而得到了更廣泛的應用［7］。

　　傳統的數字圖像處理算法主要是使用Canny等邊緣檢測算法提取裂縫的邊緣特征，并基于所提取的特征求取裂縫的寬度，根據寬度來評估裂縫的變化和危害大小。而在檢測中容易出現由于晃動和噪聲等干擾以及算法自身的缺陷引起的檢測誤差，從而不能達到很好的效果［8］。本文根據土木工程圖像的現實特點，結合Harris特征檢測算法，提出了一種新的基于自適應Canny邊緣檢測的土木工程健康檢測方法，并通過實驗對其進行了驗證。

2基于數字圖像的檢測算法

　　基于數字圖像的結構健康監測算法主要通過使用Canny算法對裂縫輪廓進行檢測，從而得到裂縫的輪廓圖像，并基于輪廓進行結構安全的分析處理，Canny算法的主要思路分為4個步驟：

　?。?）圖像平滑去噪

　　對于一幅裂縫圖像，在拍攝過程中往往會受到霧氣和噪音等干擾，這嚴重影響了檢測的精確性，對它的改善可以使用高斯濾波器對原始圖像進行平滑濾波［9］。

　　（2）計算梯度幅值和方向

　　梯度的計算是Canny算法中最核心的環節，算子對圖像中的每個像素的2×2鄰域求取一階偏導，從而得到圖像I(x, y)的梯度幅值M(x, y)和梯度方向H(x, y)，計算公式如下所示：

　　其中，kx、ky分別是圖像I(x, y)沿行方向和列方向與fx、fy卷積所得的結果。

　?。?）非極大值抑制

　　為了防止所得的邊緣點太過于密集，出現部分偽邊緣的情況，算法在每個像素點使用3×3的模板進行非極大值抑制，去掉偽邊緣點。

　　（4）雙閾值方法檢測和連接邊緣

　　Canny算法使用雙閾值對邊緣進行檢測。用高閾值Hth和低閾值Lth對經過抑制的梯度值進行分割，將梯度小于閾值的像素灰度值定為0，得到兩個閾值邊緣圖像H(i,j)和L(i,j)，在圖像H(i,j)中連接邊緣輪廓，連接到端點時，在L(i,j)中尋找弱邊緣點，填補圖像H(i, j)的邊緣空隙，從而得到最終的檢測結果［10］。

3改進的檢測和評估算法

　　3.1自適應閾值的Canny算法

　　在經典的Canny檢測算法中，最后一步閾值的選取往往是通過經驗或者是隨機選擇，不能適用于整幅圖像的檢測，并且對每一個點都進行梯度計算也增加了算法的復雜程度。在結構健康檢測中，主要關注的是裂縫以及裂縫周邊的信息，而對于其他一些邊緣信息則并不需要。因此在本文中引入了Harris特征檢測算法對其進行改進，具體步驟如下：

　　（1）高斯平滑去噪；

　?。?）使用Harris特征檢測算法對圖像進行處理，得到圖像的特征點集Ki；

　?。?）因為特征點往往處于裂縫或者邊緣部位，而這些部位正是需要處理的。因而先對這些點求取梯度值M(xi,yj)。對于所有經過非極大值抑制的特征點梯度值M(xi,yj),對其從大到小進行排列，再根據其選取自適應閾值，如下：

　　其中，M(xi,yj)為各特征點的梯度值，N為特征點的總個數。Hth和Lth為新得到的自適應閾值。使用新的閾值對整個圖像進行檢測，即可得到精確的裂縫輪廓圖。

　　為了對改進算法的效果進行驗證，使用了一張橋梁裂縫圖像進行檢測，圖1(a)是橋梁裂縫的原圖，由圖中可以看出，在檢測中最重要的部分是橋梁下部的一道裂縫；圖1(b)是橋梁圖像的灰度圖；圖1(c)則是圖像的梯度矩陣圖，通過矩陣可以看出，圖像中梯度的極值基本集中在裂縫和邊緣處，而我們最想得到的則是裂縫部分的輪廓圖；圖1(d)是使用了Harris特征檢測算法處理之后的圖像，可以看出檢測得到的特征點基本處于裂縫和邊緣等位置，因而特征點的梯度信息最能體現出裂縫位置的信息；圖1(e)是使用經典的Canny檢測算法所得圖像，算法雖然保留了部分裂縫輪廓，但是也檢測出了大量的偽輪廓點，檢測精度相對較差；圖1(f)則是使用本文所提出改進算法檢測出來的圖像，由結果可以看出，裂縫和邊緣等重要的輪廓被算法保留，而其他非重要的輪廓被算法剔除，這大大增加了算法的精確度，也有利于進一步的處理。

　　3.2裂縫安全評估方法

　　在得到裂縫的輪廓圖像之后，要對輪廓進行分析，從圖1Canny算法效果比較圖2裂縫參數求取方法而得出土木工程的結構健康情況，目前人們往往只關注裂縫寬度和長度的變化，而忽視了其他的一些因素。最近有些科學家發現，裂縫的橫向位移和偏離角度也能很好地反應土木工程結構健康情況。因此本文將以上4個方面進行結合，提出一種新的安全評估方法，如圖2所示，左邊兩個畫十字的地方是前一次檢測時選取的定位點，右邊畫十字的位置則是經過了一段時間之后兩個定位點的位置，這兩張圖片被固定在此處的高清數碼相機拍下，通過比較發現兩個定位點發生了一定程度的偏移，通過它們可以將裂縫的變化求取出來。裂縫的寬度變化求取方法如式（6）：

　　W=Lfinalcos(r)－Linitial(6)

　　其中，r為裂縫的偏移角度，Linitial是第一次測量時兩個點之間的距離，Lfinal是最后一次測量時兩個點之間的距離。

　　裂縫的位移求取方法如式（7）：

　　S=S2－S1(7)

　　其中，S1是第一次測量時兩點之間的直線距離，S2是第二次測量時兩點之間的直線距離。

　　將裂縫的寬度W、裂縫的長度L以及裂縫的橫向位移S一起作為新的評估標準，可以結合神經網絡，把它們的值作為學習量，得出一個新的模型，當一張新的圖出現時，求取以上3個參數帶入神經網絡模型中，從而得出它們是否處于危險狀態，如果處于危險狀態，就通過網絡對控制方進行報警。

4結論

　　數字圖像技術是目前結構健康監測領域的新興方法，而土木工程所具有的特殊條件更使得通過圖像監控進行結構健康檢查有了重要的現實意義，本文對Canny算法進行了介紹，對其只能選取固定閾值的缺點進行改進，結合Harris特征檢測算法和圖像梯度值，提出了一種自適應的閾值選取辦法，并且通過實驗對改進算法效果進行了驗證。最后，提出了一種新的國防工程結構健康監測的評價標準，在以往的基礎上引入了裂縫的橫向位移，從而更好地實現對裂縫的監控檢測。

　　參考文獻

　?。?］ 鄒飛, 李海波, 周青春, 等.基于數字圖像灰度相關性的類巖石材料損傷分形特征研究［J］. 巖土力學, 2012,33(3):731-737.

　?。?］ NISTER D. Preemptive RANSAC for live structure and motion estimation［J］. Machine Vision and Applications, 2005, 16(5):321-329.

　?。?］ 鄒飛, 李海波, 周青春, 等. 巖石節理傾角和間距對隧道掘進機破巖特性影響的試驗研究［J］. 巖土力學, 2012, 33(6): 1640-1646.

　?。?］ 李卉. 數據可視化技術在物聯網監控系統中的研究與應用［D］.北京：北京郵電大學,2013.

　?。?］ ROSTEN E, DRUMMOND T. Machine learning for highspeed corner detection［M］.Computer Vision ECCV 2006. Springer Berlin Heidelberg, 2006: 430443.

　?。?］ 徐浩. 市政橋梁安全監控網絡系統的研究［D］.合肥：合肥工業大學,2005.

　　［7］ 賀強,晏立. 基于LOG和Canny算子的邊緣檢測算法［J］. 計算機工程, 2011, 37(3):210-212.

　?。?］ 陳宏希. 基于邊緣保持平滑濾波的Canny算子邊緣檢測［J］. 蘭州交通大學學報,2006,25(1):86-90.