一种改进的用于裂缝图像分割的Otsu方法

裂缝是隧道衬砌最常见的病害之一,基于近几年快速发展的工程检测系统与图像处理算法的研究,提出了一种CCD相机的衬砌裂缝快速检测系统采集裂缝图像。在提取裂缝特征之前,需要将裂缝区域与图像背景分离。采用Otsu法进行分割处理,然而传统的Otsu方法对裂缝区域过小的图像易产生欠分割;对背景不单一或光照度不均匀的裂缝图像易造成过分割的情况。根据Ostu方法分割特点对该方法进行改进,以达到更好的裂缝图像分割效果,从而为实现隧道裂缝的快速检测埋下基础。     

基于深度学习的公路隧道表观病害智能识别研究现状与展望

公路隧道服役过程中会产生诸多衬砌病害,其会影响隧道的结构耐久性与运营安全性,对隧道表观病害进行高效智能化识别至关重要。常用的人工巡检方式效率低下且准确率低,而基于深度学习算法进行表观病害智能识别能提高检测的效率和准确性,相较于传统方法而言在实际隧道工程中具有更好的应用前景。利用深度学习可以学习隧道病害的特征信息,有利于未来隧道病害识别智能化的发展。简述深度学习在隧道表观病害识别中的应用原理,从人工拍照方法、数字图像采集和激光扫描技术三方面介绍病害图像的采集,从标注软件和数据增强方法总结数据集的构建和扩充方法,在图像分类、目标检测、语义分割三方面总结深度学习算法在隧道病害检测的应用现状,归纳当前应用的不足之处,最后分析与展望深度学习在隧道表观病害智能化识别方向广泛应用需要研究的问题与方向。     

基于语义分割的混凝土裂缝图像识别方法研究

因快速、无损等优势,基于深度学习的图像识别技术已成为混凝土裂缝智能检测研究的热点,其中语义分割算法可实现对裂缝图像像素级别的分割,进而实现裂缝信息量化识别。基于U-Net语义分割网络,本文提出一种混凝土裂缝图像识别方法。首先,针对混凝土裂缝检测,训练了改进的U-Net网络模型,对裂缝图像实施精准分割;其次,对分割后的裂缝图像,采用最大内切圆算法提出了裂缝宽度计算方法;最后,通过室内混凝土板模型试验对所提方法进行验证。结果表明,本文算法和设备条件对于宽度为0.30mm左右的裂缝计算结果较差,最大误差为0.26mm;对于宽度大于0.60mm的裂缝计算效果较好,最大误差为0.14mm。考虑到可以通过提高相机分辨率进一步提升检测精度,本文方法可应用于混凝土结构表观裂缝检测,大幅提高基础设施的智能化管养水平。     

基于计算机视觉的建筑外墙剥落和裂缝两阶段检测方法

地震灾害中,对建筑物外墙立面损伤状况进行快速检测有利于灾情评估与灾后重建。为实现建筑外墙立面剥落和裂缝的自动化非接触式检测,提出了一种结合深度学习与图像处理的外墙损伤定位与量化评估的两阶段检测方法。通过建立并标定北川老县城地震破坏房屋数据集,采用基于损失函数模型Focal Loss的目标检测网络定位破损区域目标框,并克服小尺度区域的正负样本不均衡问题。根据提取的目标破损区域单幅图像,提出图像滤波、阈值分割和形态学操作的组合处理流程,进行贴面砖墙面下剥落和裂缝的像素级别分割与提取。进一步结合像素尺度与物理尺度的映射关系,完成剥落面积、裂缝宽度等关键破损信息的计算与识别。结果表明,该方法可较好地对震后建筑物外墙立面的墙面剥落和裂缝进行定位和提取,对墙面损伤可实现像素级分割并准确地识别损伤关键物理参数,能实现对建筑物震后损伤的准确和快速检测。     

基于数字图像处理的隧道渗漏水病害检测技术

以隧道衬砌渗漏水面积为检测目标,研究出包括去噪、锐化、分割、修正的一整套数字图像处理算法。依次通过预处理、灰度变换、阈值分割、形态修正等步骤,实现病害目标的识别。通过室内外试验建立数字图像像素与实际拍摄面积的换算关系,最后开发隧道衬砌表面病害数字图像识别系统,为隧道衬砌渗漏水病害检测提供一种便捷、低成本、直观、高效的方法。     

隧道衬砌裂缝特征提取方法研究

 衬砌裂缝图像的分割和信息提取是裂缝自动检测系统中的重点。本文在采集图片大量试验的基础上对裂缝信息采集流程进行优化。其中,针对衬砌图像分割,提出结合prewitt算子和otsu的梯度类间阈值法,并用数学形态学对图片进行进一步优化,从而得到裂缝区域完整而杂质区域较少的二值图像;针对裂缝特征提取,通过对试验图片集合特征的分析确定描绘子为集中度、外接矩形长宽比、外接矩形占有率、平均宽度等。应用实例表明,梯度类间阈值法能够更好地实现对图像的分割,较常用的otsu算法更能适应复杂背景的裂缝图片。通过对优化图像的不同区域进行描绘特征提取统计,可形成具有一定代表性的图片库,为实现裂缝自动识别奠定基础。     

基于图像局部网格特征的隧道衬砌裂缝自动识别

 裂缝是隧道衬砌最常见也是最严重的病害之一。针对常规图像识别方法存在的问题,提出一种基于图像局部网格特征的隧道衬砌裂缝自动识别方法。首先将图像划分为8 Pixel×8 Pixel的局部网格,基于局部网格内不同方向之间的亮度差异和对比度差异特征设计十字形模板,通过模板计算将网格中灰度值最小的像素识别为潜在的裂缝种子,最后采用种子连接算法将离散的裂缝种子像素连接成为完整的连续裂缝,在连接过程中自动计算裂缝的走向、长度和宽度。通过接受者操作特征曲线估计算法的最优参数和最佳阈值,从定性和定量分析两方面验证其可靠性和准确性。工程应用实例表明,算法能取得良好的裂缝识别效果,特别是对细微裂缝和存在渗漏水的衬砌图像,算法的可靠性和识别率均高于常规的图像识别方法。     

城市隧道常见缺陷雷达图像特征研究

为了快速、准确地发现施工及运营阶段常见的洞内渗漏水、衬砌背后脱空、衬砌不密实、衬砌裂缝及衬砌厚度不足等缺陷,采用探地雷达进行检测。对城市隧道常见缺陷出现的原因进行分析,并提供相应的雷达图像进行研究,为城市隧道雷达检测提供参考和依据。     

隧道衬砌裂缝检测方法综述

衬砌裂缝是最常见的隧道病害,裂缝会降低钢筋混凝土结构的承载能力,甚至导致衬砌失稳和突然坍塌,威胁到隧道结构的运营安全。目前国内外对裂缝检测的研究方向主要基于图像处理的检测系统的研究,已经广泛应用于桥梁、公路等工程中。但是由于隧道自身的特殊性,检测系统的发展较为缓慢。本文在综述了隧道衬砌裂缝检测方法及存在问题,总结了未来隧道检测系统的研究方向。     

基于时空融合的交通场景中运动行人检测算法

将视频监控技术应用于交通信息获取与处理,解决行人安全问题,已成为智能交通系统中的一项关键技术。为精准地提取交通场景语义信息,提出了融合时域和空域信息的行人检测算法。通过相邻多帧时域变化和Canny边缘检测算法得到初始检测掩模图像,解决差值局部化和噪声问题;提取空域信息时,引入二次重构和内外标记技术对梯度图像进行修正和分水岭变换,得到空域掩模图像,有效地提高空域分割精度,消除过分割现象;最后将两者结果进行融合和形态学修正,提取出交通场景图像中的运动行人。以北京南站为例进行实验分析,结果表明,该方法能快速准确地检测到较完整的目标信息,在动态场景的行人检测取得了较好的效果。     

基于深度学习的盾构隧道渗漏水病害图像识别

随着城市地铁隧道急剧增加的养护需求,地铁盾构隧道结构病害尤其是渗漏水病害亟需快速精准的识别诊断。利用计算机视觉对盾构隧道进行健康检测是近年来国内外的一种新趋势,但目前渗漏水病害图像的识别效果尚不能满足实际工程的需要。在分析盾构隧道衬砌表面图像特点的基础上,将渗漏水图像分为6种类别,采用深度学习的方法,提出一种新颖的基于全卷积网络的盾构隧道渗漏水病害图像识别算法,并从图像识别结果、错检率和运行时间三个方面与大律法、区域生长法、分水岭法等传统图像识别方法进行对比分析。研究表明:基于全卷积网络的盾构隧道渗漏水病害的图像识别能够有效地避免管片拼缝、螺栓孔、管线、支架等干扰物的影响,特别是在克服管线遮挡方面具有优越的鲁棒性;与传统图像识别算法相比,提出方法在错检率和运行时间上具有较大优势,能够更好地满足工程需要。     

甘肃某高速公路隧道二衬裂缝成因及整治技术研究

依托甘肃某高速公路8座隧道维修工程,以专项检测数据、现场调查及维修期间揭露的情况为依据,结合各个隧道的原设计、施工、运营、检测评估情况,采用排除法对隧道二次衬砌裂缝的成因进行了深入分析,指出衬砌产生裂缝的主因是隧底仰拱缺陷,其引发衬砌不均匀沉降,致使衬砌局部混凝土受拉产生裂缝,而衬砌背后脱空和厚度不足减小了衬砌刚度,引发应力集中效应进一步恶化了衬砌受力状态。以衬砌裂缝病害的发育情况和隧道质量缺陷(衬砌厚度、仰拱厚度)二者间的相关性情况为出发点,提出了针对衬砌裂缝产生原因的处治方案,取得了良好的维修效果。     

基于计算机视觉技术的结构表面裂缝检测方法研究

计算机视觉技术用于混凝土结构表面裂缝检测,具有现场检测方便、效率高、客观性强的特点,但图像数据分析是该技术的核心,其中裂缝提取与定量测量较为复杂。为提高裂缝图像处理效率和准确率,将深度学习和数字图像处理技术相结合,提出一种裂缝检测方法。建立基于深度卷积神经网络的裂缝识别模型,在图像上自动定位裂缝并结合图像局域阈值分割方法提取裂缝。在裂缝宽度定量测量方面,采用双边滤波算法和三段线性变换对裂缝图像进行预处理,提高了裂缝边缘识别的精确度。通过改进边缘梯度法,实现裂缝最大宽度的定位和裂缝最大宽度的自动获取。该研究为全自动识别裂缝图像及高精度测量裂缝宽度提供了一种解决方法。     

深埋长大隧道交叉段衬砌裂缝成因分析与处治

通过对某高速公路深埋隧道主、横洞交叉段开洞侧主洞衬砌裂缝的现场检测及性状分析，研究对比了可能引起衬砌开裂的各种因素，得出了开裂的主要原因，认为隧道交叉段地层工程地质情况复杂，构造应力在应力场构成中占有很大比例，水平应力要比竖向应力大，且在横洞开挖后。主洞开洞侧截面承载能力一定程度上有所削弱，衬砌受力不均匀，出现应力集中现象，从而导致混凝土开裂；基于现场地质参数及裂缝成因初步分析，利用有限元分析软件对衬砌开裂段的应力场及位移场进行了模拟，模拟结果验证了现场成因分析所得结论的正确性；基于现场裂缝实际情况，提出了详细的裂缝处治措施，可为今后解决类似隧道衬砌开裂问题提供参考。     

公路隧道衬砌裂纹扩展机理

公路隧道衬砌裂缝作为公路隧道的主要病害,其问题日益突出,尤其是带裂纹工作衬砌的等级评价略显不足。为研究公路隧道带裂缝二次衬砌在受荷载作用下裂纹扩展规律,用离散元PFC软件对衬砌裂纹扩展规律进行数值模拟研究,揭示隧道衬砌中裂纹开裂的灾演机理,根据衬砌开裂状态进行病理灾害分析,并建立了相应的预测模型。衬砌的整体安全性受预置裂纹的影响,预置裂纹处往往是衬砌中较危险的位置;预置裂纹的深度对裂纹贯通时间有较大影响,随着预置裂纹深度的增加,预置裂纹贯通衬砌的时间逐渐减小;预置裂纹的深度对裂纹张开度的变化有较大影响,随着预置裂纹深度的增加,预置裂纹张开度逐渐增大,并在贯通衬砌时有明显的突变,这样便于确定衬砌治理时机。     

Application and validation of simple image-mosaic technology for interpreting cracks on tunnel lining

As a simple, portable method that uses inexpensive tools for structural safety inspections of tunnels, this study presents a novel image-mosaic technology that generates layouts of tunnel wall surfaces. Geometric distortion in camera images of 3D tunnel surfaces is rectified through equations related to projection characteristics and the bilinear interpolation method. Successive taken images with at least four reference points in each one are then resampled to a 2D coordinate for the layout of tunnel surfaces. Test results for a laboratory-scale tunnel demonstrate that the spatial accuracy of the proposed image-mosaic technology for a mosaicked layout from vertical images is approximately 1.6° with sufficient image resolution for detecting lining cracks with widths exceeding 0.45 mm. Field application to a full-size, operational tunnel indicates that the layout of tunnel wall surfaces by the proposed technology is sufficient for identifying lining crack distributions and detecting temporal variations in cracks.     

Hybrid semantic segmentation for tunnel lining cracks based on Swin Transformer and convolutional neural network

In the field of tunnel lining crack identification, the semantic segmentation algorithms based on convolution neural network (CNN) are extensively used. Owing to the inherent locality of CNN, these algorithms cannot make full use of context semantic information, resulting in difficulty in capturing the global features of crack. Transformer-based networks can capture global semantic information, but this method also has the deficiencies of strong data dependence and easy loss of local features. In this paper, a hybrid semantic segmentation algorithm for tunnel lining crack, named SCDeepLab, is proposed by fusing Swin Transformer and CNN in the encoding and decoding framework of DeepLabv3+ to address the above issues. In SCDeepLab, a joint backbone network is introduced with CNN-based Inverse Residual Block and Swin Transformer Block. The former is used to extract the local detailed information of the crack to generate the shallow feature layer, whereas the latter is used to extract the global semantic information to obtain the deep feature layer. In addition, Efficient Channel Attention enhanced Feature Fusion Module is proposed to fuse the shallow and deep features to combine the advantages of the two types of features. Furthermore, the strategy of transfer learning is adopted to solve the data dependency of Swin Transformer. The results show that the mean intersection over union (mIoU) and mean pixel accuracy (mPA) of SCDeepLab on the data sets constructed in this paper are 77.41% and 84.42%, respectively, which have higher segmentation accuracy than previous CNN-based and transformer-based semantic segmentation algorithms.