英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

利用图像处理进行裂纹检测:一种重要的检测和分析手段

摘要：混凝土表面的裂缝是结构退化的最早迹象之一，这对维护工作至关重要，长期暴露的裂缝将导致严重的结构破坏。人工检查是裂纹检测最常见的方法。在人工检查中，工编制裂缝的草图，并标示了异常情况。由于人工检测方法完全取决于检测者的知识和经验，因此缺乏客观的定量分析。因此，提出基于图像自动检测裂缝替代人工检测。文献介绍了通过图像处理自动识别裂缝及其深度的多种技术。在这项研究中，进行了详细的调查，旨在确定这一领域的研究挑战和至今所取得的成就。因此，引入了50篇与裂纹检测有关的研究论文，并对这些研究论文进行了综述。在回顾分析的基础上，根据图像处理技术、目标、精度水平、误差水平和图像数据集进行分析。最后，我们提出了各种研究课题，这对研究人员在裂缝检测方面的进一步研究具有一定的参考价值。

1.介绍

工程结构如混凝土表面，梁经常受到疲劳应力，循环荷载，导致通常在结构表面的微观水平开始的裂缝。结构上的裂纹减少局部刚度并导致材料不连续[51,52]。早期检测可以采取预防措施来防止损坏和可能的失败[11]。裂纹检测是使用任何处理技术检测结构中的裂纹的过程。裂纹检测可以通过两种方式进行。他们是破坏性测试和非破坏性测试。通过结合视觉检查和测量工具，评估表面状况缺陷[11]。结构表面裂缝的类型，数量，宽度和长度的目标显示了混凝土结构的最早退化水平和承载能力[17]。为了快速和可靠的表面缺陷分析，开发自动裂纹检测而不是较慢的主观传统人体检测程序。因此形成了一种更安全的调查方法[32]。自动裂缝检测对于无损检测非常有效。通过人工检查，很难客观评估劣化[48]。自动裂纹检测可以使用一些非破坏性测试技术来完成评估，例如（i）红外和热测试，（ii）超声波测试，（iii）激光测试和（iv）射线照相测试[48]。

对无损检测中基于图像的裂纹检测越来越感兴趣。基于图像的检测中的一些困难是由于随机形状和不规则尺寸的裂纹以及各种噪声，例如异常照明条件，所获图像中的阴影，瑕疵和混凝土碎片。由于其处理简单，因此提出了许多图像处理检测方法。这些方法分为四类，即综合算法，形态学方法，基于渗流的方法和实用技术[40]。

在这项研究中，进行了详细的调查，旨在确定这一领域的研究挑战和至今所取得的成就。因此，引入了50篇与裂纹检测有关的研究论文，并对这些研究论文进行了综述。该调查的组织最初是基于基于图像处理的裂纹检测的一般体系结构，然后根据所使用的图像类型对各种论文进行调查。接下来是基于目标的分析，数据集，误差和准确度水平如下。

2.使用图像处理的裂纹检测：体系结构

本节提供了使用图像处理技术进行裂缝检测的基本架构[40]。基于图像的裂纹检测分析的主要优点是通过使用图像处理技术，与传统的人工方法相比，它提供了准确的结果[9]。裂纹检测的处理难度完全取决于图像的大小。最近的数码相机的图像分辨率超过1000万像素。这种分辨率的提高可以获取混凝土表面的详细图像。通过使用商业用途的时尚相机，可以一次拍摄大范围的混凝土表面区域。对于廉价的应用，可以将大范围的图像用于实际的裂纹检测[2]。

图1显示了基于图像处理的裂缝检测的通用体系结构。图像处理技术中的步骤如下：（1）首先收集将使用相机或其他来源进行裂缝检测处理的结构的图像。 （2）在图像采集之后，对所采集的图像进行预处理，其中先通过图像处理过程转化成易于分辨的图像，再进行如图像分割的图像处理。 （3）在图像处理中，一些技术被用来处理删除的图像样本。 （4）利用图像处理的结果，在结构上会检测到裂纹。 （5）裂缝特征提取是根据裂缝的宽度，深度和传播方向将裂缝分开的步骤。

图1基于图像处理的裂纹检测架构。

3.调查

本节对基于所用图像类型的各种图像裂缝检测技术进行综述。 这里调查的一些图像类型是相机图像，红外图像，超声图像，飞行时间衍射图像，激光图像和各种其他独特的图像类型。

3.1基于相机的图像处理技术

本节简要介绍基于摄像机图像的处理技术，以检测工程结构中的裂缝。引用的许多论文在摄影图像下进行了审查。

杨毅等。 [4]提出了基于数字图像处理技术的裂缝检测算法。通过预处理，图像分割和特征提取[4]，他们获得了裂纹图像的信息。在[4]中，在接受的输入图像的平滑化之后使用阈值分割方法。为了评定他们的结果图像，他们计算了圆度指数的面积和周长。然后通过比较，他们提取了图像中裂纹的存在。

尽管许多基于商业相机的图像处理技术仅在预处理时指示，但是也一些技术利用集成算法进行特征提取。 Adhikari等人。 [5]开发了一个数字表示缺陷的模型。他们的整合模型分别包括裂缝定量分析和检测，神经网络和三维可视化模型。由Brown和Lowe [53]开发的图像拼接算法已经被采用，其在基于特征的定位中起作用。他们使用骨架化算法来检索裂缝段。基于宽度和长度的裂纹检测将利用裂缝量化模型评估。另外，他们提出的集成模型具有裂纹长度和变化检测，支持神经网络来预测裂纹深度和裂纹模式的三维可视化。

Alam等人。 [6]利用数字图像相关分析法和声音发射的结合法提出了一种检测技术。前一种方法对表面位移进行了非常精确的测量，因此确定了裂缝开口和裂缝间距。为了补充该方法并调查损害机制，还分析了由内部损害引起的声发射。使用手动分组方法（类似于K均值方法）来识别从三种不同尺寸的梁中释放的不同类别的AE能量。在他们的方法中，使用了三种不同的光束比例来表示输出的有效性。

Iyer等人。 [7]设计了一个三步法从高对比度图像中检测裂纹。所提出的方法使用曲率评估和数学形态学技术在噪声环境中检测裂纹样式。它基于数学形态学和曲率评估，可以在嘈杂的环境中检测裂纹样式。在他们的研究中，分割是根据精确的几何模型定义裂纹样式。在交叉曲率评估之后进行线性滤波以将其与类似的背景图案区分开。他们已经通过基于几何的识别裂缝特征顺序地识别了不规则性。

图像处理方案中采用的过滤技术也会改变整个过程的效率。萨尔曼等人。 [12]提出了一种基于Gabor滤波的数字图像自动识别裂缝的方法。高潜Gabor滤波器可以实现多方向的裂纹检测。 Gabor滤波器是一种非常有潜力的多方向裂缝检测技术。 Gabor滤波器功能的图像分析直接与人工视觉感知有关。一旦过滤完成，沿不同方向排列的裂纹将会被检测到。他们提出的方法的检测精度为95％。 Shan等人[17]提出了基于立体视觉的裂缝宽度检测。在他们的方法中，使用了两台摄像机，而不像这里所审查的其他建议。他们通过使用这些立体视觉相机恢复了裂缝边缘的坐标。他们已经使用Canny-Zernike算法来获得立体视觉相机的恢复坐标上的裂纹边缘的图像坐标。然后使用最小裂纹边缘检测技术评估裂缝宽度。所提出的实验结果与来自游标卡尺的测量结果具有准确性。

Sinha等人。 [20]通过使用两步法研究裂纹。他们为裂纹检测开发了统计过滤器设计。过滤之后，他们采取了两步法，在预处理的第一步完成局部裂纹特征提取，然后融合图像。第二步是通过清理和链接过程来定义图像片段之间的裂缝。他们克服了以前使用形态学方法的工作缺点。

Talab 等人 [22]提出了一种新的图像处理方法来检测混凝土结构图像中的裂缝。这里的方法涉及三个步骤：第一步;使用图像的边缘特征将图像更改为灰度图像，然后使用Sobel的方法使用Sobel的滤波器平滑图像以检测裂缝。然后，通过使用像素的合适阈值二值图像，将它们分类为图像和图像背景。一旦图像被分类，Sobel的滤波被用于消除残余噪声。在图像的大量过滤程序之后，使用otsu的方法检测到裂纹。在某些情况下，他们用多重中值滤波代替了sober滤波器。 Yamaguchi等人[27]已经开发了基于渗透的裂缝检测技术。他们通过添加终止和跳过程序达到计算时间更少。它们具有高速渗流算法，该算法将根据像素需要的圆形度使用相邻像素。模板匹配技术是他们提出渗流的关键，因为渗透图像中的匹配很容易分析。

杨等人。 [28]提出了一种图像分析方法来捕获细小裂纹，并最大限度地减少强化钢筋混凝土结构试验中钢笔标记的要求。他们使用了裂缝深度预测[54]，没有图像配准的变化检测[54]，基于人工神经网络的裂缝模式识别[55]，岩石微裂缝的应用[56]像素宽度测量[57]。立体三角法是采用基于圆柱公式近似值和图像校正的技术。一旦它们具有矫正输出，观察区域的表面可以展开并呈现在平面图像中以用于后续位移和变形分析。从中分析裂纹检测。

邹等人。 [30]已经开发了一种全自动方法来检测路面图像的裂缝。他们使用测地阴影去除算法通过保留裂缝去除路面阴影。阴影去除后，使用张量投票法建立了裂纹概率图。然后通过映射裂缝概率图由一个图模型表示。一旦模型被表示出来，最小生成树就可以通过进行递归树边修剪来获取裂缝提取数据。

奥利维拉等。 [32]设计了一个自动裂缝检测系统。这里的裂缝检测基于样本范例。在示例范例中，可用图像数据库的一个子集被自动选择并用于系统图像的无监督训练。他们根据非重叠图像块的分类对操作进行了表述。然后利用基于裂纹的块检测，估计裂缝的宽度。他们根据葡萄牙Distress 目录[58]提供的指导方针提出了他们的系统。

Nguyen等人[33]提出了一种基于混凝土表面噪声二维图像的混凝土裂缝的边缘检测方法。他们已经将裂缝看作树形拓扑。然后基于PSCEF的非破裂物体被移除。在分离之后，使用阈值滤波器和形态学细化算法来对图像进行二值化以用于裂缝中心线估计。然后中心线用三次样条拟合。他们将边缘点连接起来形成所需的连续裂缝边缘。从裂纹边缘开始，裂纹的表面达到了。

Lins等人[37]已经开发了一个基于系统的机器视觉概念，目标是实现裂缝测量过程的自动化。在他们的方法中，他们仅使用单个相机处理裂缝尺寸估计的图像序列。采用裂纹模型算法HSB和RSV对图像序列进行裂纹检测算法检测裂纹。所提出的算法接收图像作为输入，并沿检测到的裂缝输出具有红色粒子的新图像。将粒子的像素位置存储在矢量中并传递给裂缝测量算法。对于像素位置，算法估计横截面中的像素数量并输出裂缝尺寸。

Li等人[38]采用快速离散曲波小波形和纹理分析，采用了一种新方法来检测暗色和低对比度缺陷中的裂纹。他们最初使用FDCT算法对原始图像进行分解和重构。然后，通过纹理特征测量计算分解系数的阈值，从中消除图像中的表面纹理。最后，通过从重建图像中提取轮廓，获得没有纹理但具有裂纹缺陷轮廓的期望图像。

Lee等人[39]设计了一个粒子裂纹检测系统。他们使用最近邻和两点相关方法来估计二阶微结构描述符。根据其相应位置的概率函数，找出裂纹特征。边缘效应被高分辨率蒙太奇的最近邻估计消除。

Wang等人[40]提出了一种基于图像的裂纹检测系统，并根据其有效性来表征裂纹。他们将目前基于图像的裂纹检测分为四类。它们是一种综合算法，形态学方法，渗流方法和实用技术。使用集成算法进行阴影校正。使用渗滤法检测不明确的裂纹预测。利用提供高性能特征提取的实用方法，使用形态学方法对裂纹检测进行裂纹检测。

Jahanshahi等人[42]提出了一种方法作为当前监测方法的替代方法。他们提出了一种不太耗时的方法。他们使用了基于视觉的裂缝检测方法的自主机器人系统来处理2D图像。深度参数由自主系统自动调整。然后通过使用三维重建技术，获得深度感知。深度知觉是使用3D场景重建获得的。他们的系统是合适的，因为他们从背景中提取整个裂缝。

Hamrat等人[45]提出了三种类型的混凝土：普通强度混凝土（NSC），高强度混凝土（HSC）和高强度纤维混凝土（HSFC）在裂缝检测，裂缝发展，裂缝宽度方面的试验工作测量和应变分量，使用数字图像相关（DIC）技术。他们使用经典的测量技术（应变仪，LVDT传感器）和DIC技术来分析应变分量。两种测量方法之间的相互理解表明DIC是获得位移的有效测量工具。由于人员安全和设备损坏等风险，传统方法通常无法测量应变和接近失效的应变和位移。它们将裂缝间距和裂缝宽度都减少了35-70％（以mm计），这被认为是一种误差。

Gunkel等人[47]已经开发了一种检测算法，用于在类似图像上检测裂纹数量和裂纹长度变化的准确度。在裂纹被变形包围的情况下，使用最短路径算法检测微裂纹。他们最初用阈值检测到裂纹集群。然后用Dijkstra算法确定裂纹路径。链接路径的线性路径由其算法确定。

藤田等。 [48]提出了一种用于混凝土表面噪声自动检测的系统。他们的系统包括两个预处理步骤和两个检测步骤。只有原始图像用于预处理。他们已经使用中值滤波去除阴影。使用具有Hessian矩阵的多尺度线滤波器来强调裂缝。经过预处理后，他们通过概率方法检测出没有噪音的粗糙裂纹。他们使用自适应阈值算法更精细地检测到裂纹。 Glud等人[49]提出了一种计算传播矩阵隧道裂缝的自动化方法，用于不同加载条件下GFRP层压板的机械测试。在[49]中，在装载期间从样品捕获白光图像。透射光用于检测图像中的裂纹，然后在测试期间对裂纹进行处理以计算裂纹的发展和增长。使用模拟的横向裂纹密度和图案来证明图像处理的再现性和准确性。

3.2基于IR的图像处理技术

本节介绍基于红外图像的处理技术，及其用于裂缝检测过程。 Rodrıguez-Martın等人。 [2]提出了基于IR图像校正的红外（IR）热成像方法，提取等温线以允许检测裂纹以及裂纹的几何特征和方向，以辅助预测裂纹的传播方向通过材料破解。它允许快速和简单地评估不同裂纹的形态（坑状裂纹和纵裂纹）。红外热像仪的分析应用以及在其提案中使用的随后的图像校正允许根据标准对缺陷进行几何表征以促进其分类[59,60]。 Broberg等人提出了使用凹凸不平处的缺口检测裂纹。 [9]。这里使用红外热成像图像校正技术，他们已经基于根据温度而不同的缺口进行检测。

Brooks等人[10]提出了一种非接触式，非侵入式和非破坏性的裂缝检测方法。他们使用热像仪检测裂纹表面的红外源反射。所提出的系统[10]使用镜面反射来识别任何裂纹

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[24834]，资料为PDF文档或Word文档，PDF文档可免费转换为Word