一种基于SVM的坝面裂缝损伤智能识别方法

陶开云

摘要： 针对坝面裂缝损伤尺度的识别的方法少、识别精度和效率较低的问题，提出了一种基于SVM的坝面裂缝损伤智能识别方法。在整个图像的范围内，运用photoshop将图像中的非关键因素进行处理且不破坏原影像中裂缝的条数、和大小等参数。再将坝面的裂缝影像根据一定的阈值提取特征图像建立影像模型，将不同的尺度设计了运用支持向量机SVM的“1Vm”坝面裂缝损伤影像模式识别器进行处理，可以有效地提取细裂缝和粗裂缝的信息。理论分析和实验结果表明，该算法提高了坝面裂缝损伤的识别精度和效率，能快速准确的识别出坝面裂缝损伤程度。

Abstract： In order to solve the problem that the identification method of the fracture scale of dam surface is less， the recognition accuracy and efficiency are low， a new method based on SVM is proposed to intelligently identify the damage of dam surface. In the range of the whole image， photoshop is used to deal with the non key factors in the image， and the parameters such as the number of cracks in the original image and the size are not destroyed. The image model of cracks in the dam face image is established based on feature image extraction according to a certain threshold， and the different scales are designed to use support vector machine SVM "1Vm" dam surface crack damage pattern recognition for image processing， which can effectively extract the fine cracks and rough cracks. Theoretical analysis and experimental results show that the algorithm can improve the accuracy and efficiency of the dam surface crack damage identification， and can quickly and accurately identify the damage degree of the dam surface cracks.

关键词： photoshop；坝面裂缝识别；特征提取；SVM；多尺度

Key words： photoshop；dam surface fracture identification；feature extraction；SVM；multi-scale

中图分类号：TP391.4；U416.2 文献标识码：A 文章编号：1006-4311（2017）19-0124-02

0 引言

从上个世纪开始，整个图形图像处理领域的研究得到了飞跃式的发展。在此基础之上，工程中的相关技术也取得了极大的进步。对于我们所使用的现代水利的各种大坝的修建、维护、安全监测能够满足人们的需要。然而对于修建好的大坝来说，由于其受环境的影响，在外形和内在结构上易多变，这个变化对于现在的技术来说仍然没有较为有效的识别方法。

坝面裂缝不同于路面裂缝，坝面受很多的因素影响，比如说水质、压力日照变化、噪声种类和数量。以上影像识别算法多半是基于像元的图像检测，因此说上述算法不足以应用在坝面这样复杂的环境之下，他们忽略了损伤部位像元之间丰富的相关信息，但是若尺度选取的过分大或者不足都会造成过多的识别误差与错误，使得信息的提取精度和正确性受到了抑制。本文提出了一种基于SVM的坝面裂缝损伤智能识别方法，根据预先设定的阈值提取特征影像针对特征图像进行非关键因素处理和灰度变换增强处理，减少了数据量，并且降低了噪声影响，大大提高了识别效率，确保了目标识别结果的精准度。

1 样本与分析

为完成本文的目标以及结果验证，通过线阵CCD捕获多幅影像进行试验，影像中包含多种不同的状态，空间分辨率设置为1mm。另外，选用像素为500×500大小的一张路面影像，以更好地体现出本文研究的针对性。采用本文提出的算法对影像进行相关处理，从识别效率、相关性以及识别精确度等方面与区域增长识别算法展开了详细比较。

对坝面裂缝图像跨尺度构建了4个不同尺度的影像，在图（a）中，噪声比较多，细部特征很明显；图（b）中，虽然噪声明显减少，但是细裂缝仍清晰可见；图（c）中噪声更加淡化，粗裂缝更加突出，数据量有所减少，但是损失了细裂缝等信息；（d）中噪声更加淡化，粗裂縫更加突出，数据量继续减少，细裂缝损失，但是干扰因素的信息量减少。四者统一转化为JPEG格式，大小依次为126k、64.7k、53.2k、40.7k，数据信息量大幅度减少，使得压缩海量坝面监测有了更多可靠的参考信息。跨尺度组合尺度影像，由图（c）和图（d）叠加对粗裂缝进行快速检测，由图（a）与图（b）2叠加对细裂缝进行快速检测，继而运用形态膨胀法突出现实裂缝的尺寸特征[1]。结合径向基核函数RBF，k（||x-xc||）=exp{-||x-xc||^2/（2*σ^2）}，在“1Vm”多分类中参数设置与识别结果详见表1。

随着路面信息采集技术的不断成熟，裂缝图像识别技术也取得了傲人的研究成果：阈值分割法计算很方便、应用越来越广泛，如果把较暗的像素视为裂缝，就可能将阴影油污等也识别为裂缝目标；边缘识别算法提出从裂缝过度到背景时灰度剧烈变化，因此将梯度较大的像素视为裂缝，检测结果断续情况较为严重，并且容易受孤立噪声的影响；纹理识别法侧重于消除路面材料颗粒和纹理对裂缝的干扰。此外还有基于模糊逻辑和全局优化的裂缝识别方法。

综上研究所述，算法多种多样，但是要准确识别完整的裂缝图像将存在巨大困难，因为路面情况多种多样，存在路面纹理、光照、阴影和油污等多种干扰因素。

常见的裂缝识别算法有阈值控制、边缘检测和区域增长，利用性能较好的区域增长法与本文算法进行对比。利用区域合并方法分割裂缝信息得图1（c），形态学膨胀显示得图1（e），利用本文算法得裂缝识别结果为图1（d），形态学膨胀显示得圖1（f）。从图1中可以看出，图（f）的识别效果更好，尤其是细部裂缝部分，具有更好的连续性，识别出的整个裂缝与周边环境像素的邻元差非常明显，无论是线性特征还是宽度范围都与原图非常接近，周边的离散噪声基本消失，这是SVM高识别能力的体现。除此以外，本文算法分类识别的效率较高见表2，显示了跨尺度裂缝识别在效率上的优势。区域增长法的分割结果噪声很多，裂缝不够突出，过分割现象严重（如图e），并且所需时间较多（见表2）。这是由于区域增长法大多建立在全局特性上，且一般所有的像素都需要被搜索，增加了区域生长的复杂度，且分割结果的建立还需要建立一定的模型或者加入一些先验知识，造成欠分割或者过分割问题[2]。

从表2中数据分析可以知道，区域增长识别出的噪声数量为290320个，与裂缝数量相比，减少了69882个；本文研究的算法所得到的裂缝长宽比约为区域长的一半，这表明本文采用的算法识别的裂缝宽度更明显。本文研究的算法识别更加精准，针对同一幅图像，消耗时间虽然尚未达到区域增长法的二分之一，但识别的精准度非常高。由此可证，跨尺度影像模型能够从点、线、面三个维度来表现裂缝的长宽比，并且可以有效降低裂缝检测时间复杂度，防止影像噪声干扰检测结果；另外，也能实现从繁杂路面背景中检测出肉眼无法识别的裂缝，并且不失连续性，识别精度得到了有效提高。

2 结语

坝面破损影像由于受到各种不可控的外界干扰因素的影响，由于裂缝的分布程度非常复杂，无形中增加了破损检测的难度。本文的研究基于效率以及对别的效果两方面出发，基于SVM模式识别二分类理论提出录用1Vm的道路裂缝影像跨尺度识别分类策略。①该算法是一种最新方法，算法简单，分类精度很高。②该方法对样本进行训练之后，才用特征构造方法自动解译对尺度的主观需求，将1Vm分类尺度联系在一起。③该方法在面向对象的分类方式中，可以最高效率的利用多尺度信息，在高分辨率以及中高分辨率影像处理过程中可以实现很高的分类精度。④对几何尺寸不相同的粗、细两种裂缝，分别创建与之对应的尺度影像。⑤针对不同的裂缝目标完成尺度影响组合。通过SVM二分类法去除游离噪声，进而对裂缝进行识别。利用具有裂缝的坝面进行实验，在存在诸多影响因素的恶劣环境下，算例结果显示，本文所提及算法简单方便，可以快速识别裂缝并且具有很高的精度。⑥算例结果显示跨尺度方法与单一尺度分类相比，可以更加准确地区分地物，分类精度明显提高。⑦与相同像元值离散噪声相比，裂缝的线性分布是连续的，在后续的研究中，研究者应当结合纹理特征对裂缝特征进行更全面识别与分析。

参考文献：

[1]彭博，陈成.基于各向异性测度的路面三维图像裂缝识别[J].西南交通大学学报，2014，49（5）：0258-2724.

[2]沈照庆，彭余华，舒宁. 一种基于SVM的路面影像损伤跨尺度识别方法[J].武汉大学学报（信息科学版），2013（08）：993-997.

[3]王刚，肖亮.脊小波变换域模糊自适应图像增强算法[J].光学学报，2007，27（7）：0253-2239.

[4]李清泉，刘向龙.路面裂缝影像几何特征提取算法[J].2007，2（7）：1673-7180.