孙亮1，邢建春1，谢立强1，王进京2

　　（1.中国人民解放军理工大学 国防工程学院，江苏 南京 210007；2.山东省军区军事设施保护办公室，山东 济南 250000）

摘要：随着科学技术的不断发展，桥梁、隧道、高速公路等土木工程设施开始大量出现在人们的生活之中。它们在给予人们方便之余，也存在着大量的安全隐患，而由于土木工程体量、处在地自然环境等因素的限制，现行的人工检测方法很难及时地对土木工程进行结构健康监测，数字图像处理成为解决这个问题的首选之一。文中首先对现行的Canny裂缝检测算法进行了详细的介绍，并针对其只能人工选取阈值的缺点进行了改进，结合Harris特征检测算法和图像中各像素点的梯度值，提出了一种自适应阈值的Canny检测算法；然后，结合自身的学习，在现有的两种裂缝评价指标裂缝宽度和长度之外，引入了裂缝的横向位移和旋转角度，构建了新的裂缝安全评估指标。通过实验对所提出的算法进行了验证。

　　关键词：数字图像；Canny算法；结构健康检测；裂缝；自适应阈值

中图分类号：TP391文献标识码：ADOI： 10.19358/j.issn.1674-7720.2017.05.012

引用格式：孙亮，邢建春，谢立强，等.基于自适应阈值Canny算法的裂缝检测方法研究［J］.微型机与应用，2017,36（5）：35-37，41.

0引言

　　*基金项目：国家自然科学基金（51505499）自19世纪以来，随着科技水平的进步和人类社会的不断发展，建设了大量的钢筋混凝土结构的工程。桥梁、隧道、高速公路的出现大大方便了人们的出行和生活，但是他们同时也留有一定的隐患［1］。这些工程设施经过了长期的运营及使用后，结构的性能往往开始退化，如果不加以保养和维护，就会酿成不可挽回的后果。1907年在加拿大的魁北克省，魁北克大桥在建设中突然失稳倒塌，86名建桥工人和19 000吨钢材被抛入水中，最后只有11人幸存［2］。2007年美国密西西比河大桥突然发生坍塌，造成了13人遇难、145人受伤，是美国近几十年来发生的最严重的桥梁垮塌事件［3］。而在我国，2001年11月7日，四川南部城市宜宾的南门大桥发生悬索及桥面断裂事故，使得桥两端断裂，宜宾对外的交通和通讯一度受到很大的影响。这一系列的重大事故告诉我们，对土木工程进行结构健康监测是何等重要的一件事情。

　　目前，针对材料内部缺陷的检测技术有红外线、超声波等探伤技术，针对表面裂缝的检测包括图像识别、雷达检测等方法［4］。但主要使用的还是人工检测法，通过技术人员定期对工程中的各个关键部位进行检测，从而防止重大事故的产生。而国防工程的建筑体积相对较大，检测要求精度高，部分工程还处于人烟罕至的丛林和陡峭的山区之中，自然环境比较恶劣，使用人工进行检测基本不可能实现［5］。因而数字图像监测技术也就有了很强的现实意义。

1土木工程表面裂缝识别

　　在土木工程结构健康检测中，对表面裂缝的识别检测是其中最重要的环节之一，对于混凝土结构来说，除去材料刚度退化、支座沉降等内部问题外，开裂是最为常见的劣化现象［6］。裂缝产生的原因众多：构建损坏变形、混凝土的裂变、结构支座发生位移等。裂缝不仅会影响结构外观，而且会导致混凝土层对内部钢筋的保护失效，快速发展的裂缝更是结构倒塌的前兆。因此，对于混凝土表面裂缝进行识别与监测是安全评估的重要环节。目前对混凝土表面识别主要有人工观察法、数字图像识别法和雷达检测法等。相对于其他两种方法，数字图像算法具有实时性高、精度好、可操作性强等优点，因而得到了更广泛的应用［7］。

　　传统的数字图像处理算法主要是使用Canny等边缘检测算法提取裂缝的边缘特征，并基于所提取的特征求取裂缝的宽度，根据宽度来评估裂缝的变化和危害大小。而在检测中容易出现由于晃动和噪声等干扰以及算法自身的缺陷引起的检测误差，从而不能达到很好的效果［8］。本文根据土木工程图像的现实特点，结合Harris特征检测算法，提出了一种新的基于自适应Canny边缘检测的土木工程健康检测方法，并通过实验对其进行了验证。

2基于数字图像的检测算法

　　基于数字图像的结构健康监测算法主要通过使用Canny算法对裂缝轮廓进行检测，从而得到裂缝的轮廓图像，并基于轮廓进行结构安全的分析处理，Canny算法的主要思路分为4个步骤：

　　（1）图像平滑去噪

　　对于一幅裂缝图像，在拍摄过程中往往会受到雾气和噪音等干扰，这严重影响了检测的精确性，对它的改善可以使用高斯滤波器对原始图像进行平滑滤波［9］。

　　（2）计算梯度幅值和方向

　　梯度的计算是Canny算法中最核心的环节，算子对图像中的每个像素的2×2邻域求取一阶偏导，从而得到图像I(x, y)的梯度幅值M(x, y)和梯度方向H(x, y)，计算公式如下所示：

　　其中，kx、ky分别是图像I(x, y)沿行方向和列方向与fx、fy卷积所得的结果。

　　（3）非极大值抑制

　　为了防止所得的边缘点太过于密集，出现部分伪边缘的情况，算法在每个像素点使用3×3的模板进行非极大值抑制，去掉伪边缘点。

　　（4）双阈值方法检测和连接边缘

　　Canny算法使用双阈值对边缘进行检测。用高阈值Hth和低阈值Lth对经过抑制的梯度值进行分割，将梯度小于阈值的像素灰度值定为0，得到两个阈值边缘图像H(i,j)和L(i,j)，在图像H(i,j)中连接边缘轮廓，连接到端点时，在L(i,j)中寻找弱边缘点，填补图像H(i, j)的边缘空隙，从而得到最终的检测结果［10］。

3改进的检测和评估算法

　　3.1自适应阈值的Canny算法

　　在经典的Canny检测算法中，最后一步阈值的选取往往是通过经验或者是随机选择，不能适用于整幅图像的检测，并且对每一个点都进行梯度计算也增加了算法的复杂程度。在结构健康检测中，主要关注的是裂缝以及裂缝周边的信息，而对于其他一些边缘信息则并不需要。因此在本文中引入了Harris特征检测算法对其进行改进，具体步骤如下：

　　（1）高斯平滑去噪；

　　（2）使用Harris特征检测算法对图像进行处理，得到图像的特征点集Ki；

　　（3）因为特征点往往处于裂缝或者边缘部位，而这些部位正是需要处理的。因而先对这些点求取梯度值M(xi,yj)。对于所有经过非极大值抑制的特征点梯度值M(xi,yj),对其从大到小进行排列，再根据其选取自适应阈值，如下：

　　其中，M(xi,yj)为各特征点的梯度值，N为特征点的总个数。Hth和Lth为新得到的自适应阈值。使用新的阈值对整个图像进行检测，即可得到精确的裂缝轮廓图。

　　为了对改进算法的效果进行验证，使用了一张桥梁裂缝图像进行检测，图1(a)是桥梁裂缝的原图，由图中可以看出，在检测中最重要的部分是桥梁下部的一道裂缝；图1(b)是桥梁图像的灰度图；图1(c)则是图像的梯度矩阵图，通过矩阵可以看出，图像中梯度的极值基本集中在裂缝和边缘处，而我们最想得到的则是裂缝部分的轮廓图；图1(d)是使用了Harris特征检测算法处理之后的图像，可以看出检测得到的特征点基本处于裂缝和边缘等位置，因而特征点的梯度信息最能体现出裂缝位置的信息；图1(e)是使用经典的Canny检测算法所得图像，算法虽然保留了部分裂缝轮廓，但是也检测出了大量的伪轮廓点，检测精度相对较差；图1(f)则是使用本文所提出改进算法检测出来的图像，由结果可以看出，裂缝和边缘等重要的轮廓被算法保留，而其他非重要的轮廓被算法剔除，这大大增加了算法的精确度，也有利于进一步的处理。

　　3.2裂缝安全评估方法

　　在得到裂缝的轮廓图像之后，要对轮廓进行分析，从图1Canny算法效果比较图2裂缝参数求取方法而得出土木工程的结构健康情况，目前人们往往只关注裂缝宽度和长度的变化，而忽视了其他的一些因素。最近有些科学家发现，裂缝的横向位移和偏离角度也能很好地反应土木工程结构健康情况。因此本文将以上4个方面进行结合，提出一种新的安全评估方法，如图2所示，左边两个画十字的地方是前一次检测时选取的定位点，右边画十字的位置则是经过了一段时间之后两个定位点的位置，这两张图片被固定在此处的高清数码相机拍下，通过比较发现两个定位点发生了一定程度的偏移，通过它们可以将裂缝的变化求取出来。裂缝的宽度变化求取方法如式（6）：

　　W=Lfinalcos(r)－Linitial(6)

　　其中，r为裂缝的偏移角度，Linitial是第一次测量时两个点之间的距离，Lfinal是最后一次测量时两个点之间的距离。

　　裂缝的位移求取方法如式（7）：

　　S=S2－S1(7)

　　其中，S1是第一次测量时两点之间的直线距离，S2是第二次测量时两点之间的直线距离。

　　将裂缝的宽度W、裂缝的长度L以及裂缝的横向位移S一起作为新的评估标准，可以结合神经网络，把它们的值作为学习量，得出一个新的模型，当一张新的图出现时，求取以上3个参数带入神经网络模型中，从而得出它们是否处于危险状态，如果处于危险状态，就通过网络对控制方进行报警。

4结论

　　数字图像技术是目前结构健康监测领域的新兴方法，而土木工程所具有的特殊条件更使得通过图像监控进行结构健康检查有了重要的现实意义，本文对Canny算法进行了介绍，对其只能选取固定阈值的缺点进行改进，结合Harris特征检测算法和图像梯度值，提出了一种自适应的阈值选取办法，并且通过实验对改进算法效果进行了验证。最后，提出了一种新的国防工程结构健康监测的评价标准，在以往的基础上引入了裂缝的横向位移，从而更好地实现对裂缝的监控检测。

　　参考文献

　　［1］ 邹飞, 李海波, 周青春, 等.基于数字图像灰度相关性的类岩石材料损伤分形特征研究［J］. 岩土力学, 2012,33(3):731-737.

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

　　［3］ 邹飞, 李海波, 周青春, 等. 岩石节理倾角和间距对隧道掘进机破岩特性影响的试验研究［J］. 岩土力学, 2012, 33(6): 1640-1646.

　　［4］ 李卉. 数据可视化技术在物联网监控系统中的研究与应用［D］.北京：北京邮电大学,2013.

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

　　［6］ 徐浩. 市政桥梁安全监控网络系统的研究［D］.合肥：合肥工业大学,2005.

　　［7］ 贺强,晏立. 基于LOG和Canny算子的边缘检测算法［J］. 计算机工程, 2011, 37(3):210-212.

　　［8］ 陈宏希. 基于边缘保持平滑滤波的Canny算子边缘检测［J］. 兰州交通大学学报,2006,25(1):86-90.