文摘

随着裂缝对混凝土桥梁变得强烈和更频繁,方法检测裂缝对混凝土桥梁已经引起了极大关注。传统的方法,例如,手动检测和equipment-aided检测、主体性和低效率,增加要求准确和有效的方法来检测桥梁的裂缝。为此,我们修改现有的渗滤法并提出一个增强的渗滤法、自动检测裂缝的混凝土桥梁。修改包括三个改进,(1)采用照片扩张消除边界效应,(2)不同形状因素增加渗透不清楚裂缝的准确性,和(3)减少邻近的像素组成候选集的数量。结合上述三个改进,三个版本的增强渗流方法利用提出了三种不同形状的因素。数值实验检测裂缝桥表面的图像展示了200年的出色表现,增强渗透方法精度,记得,F1分,时间与传统检测方法相比。该方法可以推广应用的检测其它类型的桥的疾病,这是一个利用设计,维护和恢复基础设施。

1。介绍

桥作为基础设施中最重要的组件之一,它将显著的影响在经济和社会活动。与越来越多的桥梁,但资金不足,可怜的他们的维修技术1- - - - - -4),老化损坏和变形等问题变得强烈和更频繁。根据国家桥库存(2008),有71466个结构缺陷和79922功能过时桥梁在美国(5]。2018年3月15日,混凝土桥的崩溃,“事业单位人行天桥”,造成六人死亡和永久性残疾的弗罗里达州的一名工人6]。虽然事故直接造成设计错误,工程师们的无知的裂缝导致错过最好的时间修复桥(7]。事故可以避免土木工程师检测那些越来越多的裂缝和关闭。因此,为了保证桥梁的正常运营,定期检查和定期维护是必要的。手动检查和equipment-aided检查是两种主要的桥梁检测方法(8]。然而,他们或多或少都有一些局限性。在手动检查,工人计算裂缝的数量和测量他们的尺寸通过裂纹照片。诊断报告的质量和可靠性对桥梁裂缝高度依赖检验的经验和教育工作者,从主体性[遭受这么多9,10]。equipment-aided检验,可怜的技术可行性和高费用是两个主要的缺点8]。此外,低效率的人工干预的无能导致上面的两个方法是利用大规模的检测。因此,有必要开发一个高效、自动化的方法来检测桥梁损失。

最近,计算机视觉的发展使研究人员将图像处理技术应用于检测桥梁的损害11]。全面的评论已经被许多学者发表在当前文献[12- - - - - -15]。科赫et al。13)提出了系统总结缺陷检测和评估民用基础设施条件,特别是钢筋混凝土桥梁,基于图像的队伍。他们将检测过程分为5个阶段从底部到顶部,预处理、分割、特征提取、目标识别和结构分析。在每个阶段,具体的缺陷检测方法,分类,和评估。汉和Poobal14]分析了50篇论文关于裂纹检测从五个特点:图片处理技术,目标,精度水平,错误水平和图像数据集。他们提出了一个通用体系结构裂纹检测使用图像处理技术。Jahanshahi et al。15]提供了调查和评估一些有前景的应用方法自动检测裂纹和腐蚀在民用基础设施系统,包括边缘和线检测、形态功能,聚类和模式识别。玫瑰等。9)审查目前的检测方法在混凝土表面裂缝和他们通常分为边缘检测,分割和渗流,机器学习方法和形态学操作。灵感来自上面的裂纹检测方法中,我们严格分类相关方法广泛的边缘检测,渗透,机器学习方法,和其他技术,覆盖,分别在以下段落。

边缘提取是一个简单的方法来检测桥梁裂缝。由于裂缝和背景之间的像素值差异的桥梁表面裂缝可视为边缘,然后从背景中提取(16- - - - - -20.]。有两个关键步骤边缘提取。首先,计算像素的梯度值在目标图像通过应用过滤器。然后,设置一个阈值,和更高的像素梯度值分为边缘,即。,裂缝。Sobel和精明的是两个典型的探测器中使用边缘提取(16,21,22]。Lim et al。20.)使用另一个探测器,拉普拉斯,识别裂缝,坐落在桥上表面。然而,由于对噪声敏感,边缘检测裂缝的污渍很容易错误。因此,许多作品设计将噪声降低到边缘检测。锅等。23]介绍了一种新的基于阈值的去噪算法,结果表明,它表现的更好,需要较少的计算。李等人[19)利用小波算法增强,平滑,图像降噪。

渗滤法是检测桥梁裂缝的另一种方式。在这种方法中,利用两个裂缝的特点:线性形状和不同裂缝和背景之间的像素值(11,24- - - - - -30.]。山口和桥本(24)提出了一个新颖的裂缝检测方法使用渗透混凝土表面图像。他们评估随机像素是否裂缝或不是基于集群形成的形状用渗滤处理。之后,他们利用三种技术来提高精度和减少计算时间11,25- - - - - -27]。然而,这种方法仍然是费时,有些噪声区域是错误检测裂纹区域。为了克服上述问题,et al。28]渗透算法提高了包括加速算法和一种新的去噪方法。实验结果表明,该算法可用于准确、有效地检测图像中的裂缝。在这个工作的基础上,进一步结合遗传编程和渗流模型和衬砌接缝消除和渗流模型充分考虑的具体特征的混凝土表面29日,30.]。实验结果表明,该算法不仅可以快速、准确地检测混凝土表面裂缝,也消除了干扰,如污渍和块。

许多从机器学习技术,如神经网络,用于检测裂缝(31日- - - - - -36]。Prasanna et al。31日]利用支持向量机来检测裂缝桥梁板,但精度不是很高。Lattanzi和米勒(32精明的探测器和K——检测桥梁裂缝分类和应用它们。精度高,识别速度快。然而,该方法容易受光条件。随着卷积神经网络(CNN),计算机视觉的表现取得了巨大飞跃在检测和分类对象,以及裂缝。金等。33)利用无人机桥照片和重建曲面模型的桥梁。然后,他们使用了CNN裂缝识别和量化的桥梁。深的思想学习和转移学习被用来提高分类能力。训练阶段和测试阶段成本14分钟和5 s,分别,结果是令人满意的。席尔瓦和卢塞纳(胜选的34加深了神经网络。在他们的研究中,培训2800混凝土桥的照片,而照片是700测试。精度非常高,几乎达到92.3%。李等人。35)采用滑动窗口技术,扩大他们的数据集。准确性上升到97.9%。Jahanshahi和马斯里(36)使用3 d重建技术获得图像深度和结合了神经网络和支持向量机(SVM)来识别裂缝。相机的姿势和分辨率的方法减少干扰,但准确率仅为80%。

广泛的其他方法已经提出了裂纹检测。采用裂缝和背景点的深度信息是另一种方式36]。Cabaleiro et al。37)提出了一个算法自动检测裂缝的木梁由激光雷达数据采样。他们指出云计算的梁的脸,移除点内部的裂缝,并预计在2 d坐标系统来识别裂缝了。Abdel-Qader et al。38]PCA-based算法用于检测桥梁的裂缝。他们单独使用PCA方法的性能相比,与一个线性PCA特征过程,PCA在本地区域。然而,三种方法的准确性显著影响了相机的姿势和距离图像。Yu et al。39使用机器人收集桥梁裂缝图像,但这种方法需要手动标签裂纹的开始点和结束点。哦,et al。10]用裂纹跟踪方法提取裂缝的宽度和长度信息。邹et al。40)提出了通过扩展seed-growing自动裂纹线检测方法算法,并在此基础上,他们开发了CrackTree [41),这是一个完全自动化的检测从路面裂缝图像的方法。

基于渗流方法(11,24- - - - - -30.),本文包含三个改进技术提高了原方法的有效性。图像扩张是用来消除渗流的边界效应。线性和二次函数是用来取代常数跨步价值增加渗透不清楚裂缝的准确性。而不是使用八个邻近的像素,四个相邻的像素是用来形成候选区域的渗流过程。验证的性能三个改进,相应的三个实验的设计。

裂缝表面的基础设施主要分为四种类型根据材料用于建筑的类型:混凝土、沥青、木材、和他们(的组合37,42- - - - - -45]。在渗透过程中,不同的像素值之间的裂缝和背景,加上最后扩散区域的形状,是两个关键因素决定最终的分类结果。然而,如图1(一)沥青表面的裂缝和背景之间的颜色相似度的增加从背景中区分裂缝表面的困难。木材表面裂缝如图1 (b)(13),虽然裂缝和背景区域的颜色明显不同,地区拥有这样的显著差异不仅限于裂缝也遍布木材表面,导致裂缝渗透到错误的地区,因此降低了检测性能。然而,在混凝土表面图1 (c)的裂缝,不仅颜色与背景形成了鲜明的对比,但也有更少的噪音在混凝土表面与木材相比。因此,在比较表面之间的色差和噪声分布的四个材料类型、混凝土表面是最适合的应用渗透算法。

2。材料和方法

最初,现有percolation-based方法来检测裂缝介绍,和三个实验的设计来说明三个关键过程中渗流的影响。然后,三个改进合并产生一个新的渗流方法。在应用增强的方法来检测照片使用200 -数据集,证明了新方法的有效性。

在整个文章中,我们用照片来验证改进或评估最终过滤算法的性能来自于数据集包含100 100裂纹图像和背景图像。收集的数据来自两个主要来源:第一组收集通过google在线“混凝土桥梁裂缝”,仔细选择基于两个指标由经验丰富的工程师的桥梁。首先,我们只考虑混凝土桥梁的图片自线性形状的裂缝和大裂缝和背景之间的像素值差异在混凝土表面适合应用渗流方法。其次,图像上的裂缝至少应该认识到人类。第二组收集通过真正的射击。我们去了实验室,把混凝土桥组件的表面的照片。等两个方面,我们收集了大约6000的图像。仔细检查每一个图像,图像和200年最具代表性的混凝土桥梁的裂缝和背景选择形成了200 -数据集。不同分辨率大小的200图像转化为一个统一的水平通过使用MATLAB的调整功能。促进该领域的进步,我们上传源数据在线同行的便利。 The source data can be found at 6000-dataset and 200-dataset.

2.1。现有渗流模型

渗流模型的想法来自液体渗透的自然现象。该模型用于解决问题和传播性质,如流行病的传播和火灾。裂缝的连通性使通过渗流模型来检测传播现象。每个像素的图像,生成相应的扩散面积及其形状系数。重复这个过程在每一个像素,直到完成整个图像每个像素时分配一个扩散面积和形状系数。形状系数为1的亲密表示对应的像素属于背景的可能性。的详细过程11,24- - - - - -27]。以下三个部分专注于三个具体过程中使用的过程。

2.1.1。线检测实验

从桥梁桥梁裂缝的大小不同,即使在同一桥,它可以明显不同,由于相机位置和分辨率等因素。因此,有必要使渗流方法适用于裂缝大小不同,无法实现固定大小的窗口(27]。固定大小的缺点窗口由线检测实验中,披露,100×100分辨率的图像和三个黑色线条和白色背景。三个黑色线条在不同厚度,我们对每一行执行渗透6倍。在这个过程中,固定窗的大小增加从5到30间隔5。14点选择从线和背景照亮固定大小的限制大小尺寸窗口的窗口和普遍性。检测裂纹区域,在某种程度上,类似于从背景区分线的过程,因此,取代了固定大小的窗口与窗口大小尺寸是合理的,从实验部分所示3.1。1。

加快渗流过程,两种策略,使用条件终止和跳过,。两个实验设计如下说明其影响,分别。

2.1.2。有条件终止策略

每次,扩散面积到达窗口的边界,和窗口的大小是渗流过程继续扩大。但是,如果当前扩散区域的形状已经足够循环,即形状系数已经更接近,这是合理的分类对应的像素为背景像素和终止渗流过程。触发条件终止,我们比较形状系数的值与一个常数每次迭代后预先定义的阈值。一旦价值超过阈值,我们停止渗透,从而节省时间27]。

我们使用三个500×500分辨率图像和应用渗流有或没有条件终止过程在每个图像四个像素。其中一个图片是使用两次。参数设置如下:N= 21,米= 41岁= 1,T_年代= 0.2。同时,通过调优参数和看渗透时间,我们调查窗口大小的影响N和米在加速性能的策略。结果部分所示3.1。2。

2.1.3。跳过策略

在第一次迭代的渗流背景像素,由于其高像素值,阈值也将非常高,裂缝像素和背景像素将被包含在扩散区。相反,在第一次迭代的渗流阈值对裂缝像素很低,只有裂缝像素可以被包括在扩散区。根据这个规则,我们可以评估中心像素是否有裂缝或不通过检查其是否首轮扩散区D_p包含背景像素。如果没有背景像素,那么焦像素可能属于裂缝区域,和渗流应该继续下去。否则,渗流过程终止,焦像素分类为背景像素(27]。

我们使用一个100×100分辨率图像和没有任何战略,应用渗流条件终止策略,跳过2×11地区战略像素。参数设置如下:N= 10,米= 20,= 1,和阈值T_年代设置为0.2,结果所示部分3.1。3。

2.1.4。使用现有的方法渗透

现有的渗滤法应用于200 -数据集,和四个典型图像100×100分辨率选择照亮的问题的方法。参数设置如下:N= 10,米= 20。而不是比较F_c价值与T_年代设置像素值为0或255,我们直接使用F_c×255更新的像素值。这样的变化可能反映了初始的类别像素之间的关系,其扩散区域的形状,F_c价值。扩散的结果中可以看到部分3.1。4。

节2。1的要点,总结了现有的过滤方法,和三个实验是为了表现他们的效果。节2。2基于渗流所存在的几个问题,改进技术方法提出并通过实验进行验证。

2.2。改进的技术

2.2.1。图像扩张

从检测结果使用现有桥梁裂缝渗流方法,一个明显的问题可以发现,那些沿着图像边界像素,不管他们是否裂缝或背景,都是低价值的分配一个形状因子和蓝色。因此,当前现有的渗流方法不能区分裂缝和背景在边界地区。一个可能的原因是,经过地区不能超出图像边界,使自己更有可能是线性的。消除边界效应,扩大图像通过添加当前图像像素的外边界。然后,原来的边界地区成为内部,这些领域的渗透将不会受到边界的影响。这pixel-adding技术称为“图像扩张。”

基于像素的值我们添加、使用三种类型的图像扩张技术:零填充,填充,填充。补零与零值增加像素,和相同的填充像素与像素的原始值相同边界地区。意思是填充添加像素值等于原始图像中所有像素的平均值。找出哪一个具有最好的性能而言,消除边界效应,我们使用它们,分别作为现有过滤的预处理方法和比较它们与一个没有扩张。在这个实验中,两个500×500分辨率裂纹图像,和20像素添加每个图像的宽度和高度。添加像素是删除渗流时完成。参数设置如下:N= 21,米= 41岁= 1,和阈值T_年代设置为0.2。每个扩展技术的性能部分所示3.2。1。

2.2.2。放缓脚步

忽略一些不清楚的裂缝像素使用现有的渗透方法,特别是在图像裂缝和背景的颜色区别在哪里。这是因为跨步参数需要一个常数值。一定数量的迭代后,阈值T增长到一个很高的水平的贡献 。然后,即使那些背景像素高像素值更有可能包括在扩散面积和改变其形状系数从0到1。因此,常数的价值被替换,将一个产品的形状系数的扩散面积和恒定值(27]。因为形状系数的值在0和1之间第一次迭代之后,的增加可以控制的线性函数。然而,它并不是唯一的方法来实现抑制效果;二次函数和三次函数是用来取代常数的值。这些进步称为线性、二次立方的进步,这一策略被称为放松步伐的策略。他们的方程如下: 在哪里是一个线性的函数F_c,是一个二次函数的F_c,是一个三次函数的F_c。在方程(5),形状系数增长接近1时,渗流区域的面积增长接近圆形。由于混凝土桥梁的裂缝表面通常形成一个线性形状,渗透开始高度的像素可能属于背景区域。

验证放松脚步策略的准确性,选择三个像素的背景,不清楚,和清晰的裂缝区域,分别使用常数,经过线性,二次进步。其他参数设置如下:固定步值= 1,N= 10,米= 20,图像分辨率为100×100,结果中可以看到部分3.2。2。

2.2.3。四个相邻像素的区域

现有渗滤法、像素被包含在扩散区域选择从8相邻像素基于假设裂纹相连。然而,像素的对角线位置nine-patch通常不裂缝像素即使中心像素是一个裂缝。因此,我们现有的渗流过程中修改相应的程序只使用4相邻像素形成候选区域,可以看到在图2。

2.3。最后渗流方法

结合所有改进技术详细的节2。2,三个最终增强渗流方法基于线性,二次,三次的进步。这三种方法的唯一区别就是他们使用三种不同的方程,方程(1)(3),以更新步值 ,所以他们的流程图和程序只给出一次,如图3。

2.3.1。与经典的裂缝检测方法进行比较

评估测试结果,我们随机选择从200 - 50图像数据集,请有经验的桥梁工程师马克裂纹在每个图像像素。三、精密、召回和F-measure,通过比较发现裂缝计算曲线与真实human-annotated裂纹曲线。因为混凝土桥梁的裂缝图像有一定的宽度,我们允许一定的误差测量检测裂纹之间的巧合真实曲线和裂纹曲线。更具体地说,我们的数据集的平均裂缝宽度约为3像素。因此,发现裂缝像素仍然被认为是一个真正的积极如果它位于不超过3像素远离human-annotated裂纹曲线。我们的参数集= 1,N= 10,米= 20,T_年代= 0.2。相互比较了三种方法在精度方面,记得,F-measure,和时间。然后,他们进一步与其他五个经典方法相比41]。结果中可以看到部分3.3.1。

2.3.2。实际测试

为了测试我们的三个增强算法的实际性能,200混凝土桥100×100分辨率的图像扩散。参数设置如下:= 1,N= 10,米= 20,T_年代= 0.2。零填充图像扩张技术使用像素的数量添加两边等于10。结果中包括部分3.3.2。(我)首先,执行扩张和单色图像。本地窗口的大小是固定的N×N被定义为,最大的窗口米×M。最初的一步是设置为。随机选择一个像素在图像作为初始像素,它包含在扩散区D_p。阈值T被设置为初始像素值。(2)阈值T更新使用方程(4),在第一次迭代中,F_c设置为零。(3)所有的四个相邻的像素像素的边界D_p选为precandidate集吗D_个人电脑。重复的像素的D_个人电脑被淘汰,剩下的被定义为候选集D_c。(iv)在D_c低于阈值的像素值T经过和包含在吗D_p。如果没有这样的像素D_c,那么最低的像素值中包含D_p。(v)如果第一次迭代的过程,它将步骤(vi);否则,流程步骤(7)。(vi)是否D_p包含背景像素检查;如果是这样,这个过程去一步(七);否则,F_c设置为1,程序转到步骤(十五)。(七)经过区域D_p检查。如果它到达当地的窗口的边界,流程步骤(第八)。否则,它返回到步骤(2)。(八)N是增加N+ 2。(第九)F_c值是计算使用方程(5)和阈值T更新使用方程(4)。(x)F_c值相比,T_年代。如果它是比T_年代,流程结束F_c设置为1。否则,流程步骤(xi)。(十一)所有的四个相邻的像素像素边缘的D_p是选为precandidate集D_个人电脑。相同的像素D_个人电脑被淘汰,剩下的被定义为候选集D_c。(十二)在D_c低于阈值的像素值T经过和包含在吗D_p,并且过程移动到步骤(十三)。如果没有这样的像素,F_c值是计算使用方程(5),流程终止。(十三)是否经过区域D_p达到更新本地窗口的边界检查;过程返回步骤(ix)如果没有。否则,流程步骤(十四)。(十四)N是增加N+ 2并与最大的窗口大小M。如果N大于米,F_c计算值是基于方程(5),过程步骤(十五)。否则,返回步骤(ix)过程。(十五)如果F_c值小于阈值,相应的初始划分为裂缝像素,像素值更新为0和颜色黑色。否则,被视为背景像素,像素值被更新为255和彩色白色。(十六)图像中所有像素是否经过检查。如果是这样的话,程序终止;否则,返回步骤(i)的过程。

3所示。结果

基于现有的渗滤法和改进部分中讨论2,他们在本节实验结果进行了讨论和分析。

3.1。裂纹检测使用现有的渗流模型

在本部分中,三个实验的结果中引入部分2。1给出和分析。然后,裂缝检测结果现有的过滤方法,并指定他们的问题。

3.1.1。线检测实验的结果

的渗透结果14像素使用不同大小的窗口中可以看到数据4和5。如图4(一),当窗口大小设置为5,扩散区域内的像素5和8厚,中间行是near-circle,颜色洁白如背景像素2。然而,在像素的细线,如12和13的扩散区域线性和颜色黑色。所有这些线之间的像素所在区域,但他们有不同的扩散的结果。这是因为当窗口尺寸太小而扩散目标的大小,扩大扩散区域触摸窗户前达到目标的边界。因此,该地区的形状系数值不能反映目标的形状很好,和使用该值对像素进行分类会产生错误。分析可以进一步证明了形状因子的改变值随着窗口大小的增加,如图6和表1。随着窗口大小的增加,这些裂缝像素的形状因素减少,如像素3 - 14所示。此外,这些背景像素居高不下等1到2,这意味着固定大小的窗口是不适合渗透各种大小的像素。因此,我们应该取代固定大小的窗口大小尺寸的窗口增加渗滤性能。

3.1.2。有条件终止策略的性能

渗滤时间、迭代次数和形状系数值的四个像素有或没有条件终止过程如表所示2。减少时间和迭代数一起几乎不变形状系数值证明策略不仅可以加速渗透方法,但也没有影响其准确性。从数据7- - - - - -10,我们还可以看到,每个像素扩散面积的大小减少,和他们的整个形状保持不变。

此外,通过调整窗口的上界和下界,他们对渗透性能的影响。在图(11日)随着窗口的上限增加,渗透时间和迭代的单像素没有条件终止增加与终止但保持不变。这是因为在使用条件终止之前,窗口上限越高,越迭代扩散区D_p需要达到的边界,从而更多的时间渗透。然而,改进后,结束的过程不再依赖于窗口上限但形状系数是否超过价值T_年代。因此,只要T_年代不变,时间和迭代次数不会改变。在图11 (b)增加窗口的下界,没有终止的时间和迭代保持在高水平,但增加与终止。一旦窗口下界超过一定程度时,时间和迭代将一样的没有改进。这是因为有条件终止策略只是有效后渗流面积超过窗口的下界。所以,下界的增加延迟的第一工作终止策略,扩展时间和迭代的整个过程。如果下界非常接近上限,那么第一阶段不包含终止过程将持续很长一段时间,整个过程将立即结束时终止工作进入第二阶段。

3.1.3。跳过策略的性能

在渗流对22节中提到的三种情况下像素2.1。3,结果和相应的扩散区域数据所示12- - - - - -15。除了有条件终止的加速效果,我们还可以看到渗流过程对像素42,48岁,49岁和50跳过直接在图16,渗流时间和迭代次数几乎是零。应该注意的是,这两种策略不工作等像素43 47。这是因为所有这些像素之间的裂缝区域,不能触发策略,但额外的程序实现将导致额外的时间负担。幸运的是,时间负担作出巨大的贡献相比可以忽略这两个策略。从图17,使用不同的策略来过滤相同的图像分辨率不同的比率,结合两种策略的性能比单独使用他们。此外,图像越清晰,提速效果就越好。通过可视化扩散区域在任何情况下,数据12- - - - - -15证明这两个策略是如何工作的。经过地区的每个像素图14远小于与图吗13,这意味着终止策略触发。经过区域的像素图15几乎消失,这意味着跳过过程工作。

3.1.4。渗透我们的数据集的结果

遵循现有的渗流过程,裂缝检测到使用我们自己的数据集,和四个图像图中列出18显示结果。在图19,我们可以看到,大多数裂缝像素颜色是蓝色的,而背景像素颜色黄色,这意味着可以区分裂纹区域从背景区域的方法。然而,仍然有两个问题需要注意。首先,在边界地区,无论像素属于裂缝与否,他们都是蓝色,如图(19日)- - - - - -19日(d)。其次,在不清楚裂纹图像,许多裂缝像素将被忽略,许多背景像素误认为是裂缝像素如图(19日)- - - - - -19日(d)。将讨论这些问题和解决部分3所示。2。

3.2。性能改善的技术

3.2.1之上。图像扩张

消除边界效应存在的渗流方法如图19和20.使用三种图像扩张技术,和裂缝的渗流结果图像如图21给出如下。在图22边界效应减弱,但仍有一些跟踪的边界地区依然存在。在图23,渗流边界效应对裂缝2删除但仍在水平裂缝的1。在图24,这就消除了边界效应在两个方向上的图像。因此,零填充选为最佳图像扩张技术和用作渗透的预处理器。边界效应是由于近似线性渗流区域的形状开始在图像的边界。如果我们垫零像素的原始图像,渗流区域的边界像素生长成圆形而不是线性形状,因此被认为是为背景像素。补零的方法的一个明显的优势在mean-padding same-padding技术,它消除了边界效应在不添加其他潜在的噪音。然而,意味着填充和相同的填充将实行非零值的像素以外的形象。非零像素之间的差异和零像素躺在原来的边界形成了扩散区域的线性形状,这是我们的期望。

3.2.2。放缓脚步

使用常数的渗流区域三个像素,线性,二次进步数据所示25- - - - - -27。在数据25和27是合理的,在环形和线性渗流区域的形状。在图26日(b)渗流区域,应该是线性的,圆形的,因此,相应的背景像素的像素是错误的,说明使用常数步的问题。在图26日(c)和26日(d),线性渗流区域的形状匹配我们的期望和验证的影响策略放松一步。

图28显示参数的改变 , ,和和阈值T,T′,Tʺ。从图(28日),步值和在不清楚和明确的裂纹情况下增加然后减少接近0。他们两人减少后不到1 0附近,成为最终的迭代次数,而在背景的情况下,大步的值和不接近0,这反映了渗流的形状是公转。从图28 (b),改进后的方法可以进一步验证通过阈值的变更T。在明确和清楚裂纹的情况下,T′和Tʺ几乎保持不变,而T在所有情况下逐渐增加。因此,不清楚裂缝是错误的背景在固定步的情况下,但仍被视为另一个裂缝两种情况。注意整个步值增加在第一次迭代中,这似乎不同寻常。因为在第一个迭代,的平方值扩散区域的直径远远小于像素之间的数量,使F_c值大于1,导致这种不寻常的增加。

3.3。最终的性能改进的渗流模型

3.3.1。绩效评估

精度,记得,F1分,时间提出了渗透每个图像的数字29日- - - - - -33。我们可以看到,在线性和二次情况下,精度几乎高达90%,回忆在50%和90%之间F1分数高达80%,而在三次的情况下,三大股指都低。此外,在图32使用线性和二次进步,渗透时间是平均小于使用立方的进步。此外,我们定义了一个参数由方程(6),它代表了相对渗流时间每步。在方程(6),分子的平均价值渗透时间超过50图像,而分母是最大的三种策略之间的平均值。通过计算平均的前3个索引值50图像和相对渗透时间,三个步策略之间的比较结果如图33。线性和二次进步都比立方。

此外,他们的表演是进一步与其他5个典型的裂缝检测方法相比,结果如表所示3。我们可以看到,线性和二次渗滤方法有更高的精度,而且低于CrackTree[回忆41]。此外,他们的F1分数是大致相同的,这意味着我们增强渗透方法,在某种程度上,比经典的方法实现更好的性能。

3.3.2。实际测试结果

由于空间限制,我们只给出渗流27的结果图像,采用线性二次和三次步策略。200年我们整个数据集的结果上传,可以看出在相同的链接我们的200 -数据集。在数据34- - - - - -36,每一行列出几个图像经过,及其相应的过滤结果中列出以下行。我们可以看到,几乎所有的裂缝检测和局部线性和二次情况下成功。然而,也有一些问题需要注意。在立方形势,许多不清楚裂缝被忽略和作为背景。当原始图像含有噪声或其他物体具有相似属性的裂缝,裂缝的方法将错误和马克他们的结果。除此之外,对于那些极其不清楚裂缝,即使方法可以检测到它们,它们不能本地化精确。这些问题将在部分进一步讨论4。

4所示。结论

摘要现有渗滤法,并执行三个实验来说明其三个局限性:边界效应,不清楚裂缝,八个邻近像素的区域。基于这三个局限性,我们设计增强渗流方法通过添加三个改进,图像扩张,放松脚步,和四个相邻像素的区域,分别。每个技术的效果证明了相应的实验。增强的渗流方法应用于200 -数据集,我们计算的精度,回忆,和F1测量方法的性能。通过与经典的裂缝检测方法相比,使用线性和二次渗滤的进步表现更好,可以用于检测混凝土桥梁的裂缝。应用这两种方法来检测裂缝在现实生活中,我们仍然需要注意问题,如光线条件下拍摄时,相机的位置和角度。黑暗的光线会减少裂缝和背景之间的颜色差异,和wrong-positioned相机将失去线性裂纹形状,都将导致检测错误。然而,由于本文的主要目的是提出一种有效的方法来检测混凝土桥梁裂缝,解决这些实际问题在这里省略了。

尽管该方法获得了良好的性能,仍有一些局限性关注,这将是我们未来工作的重点。首先,损害赔偿拥有相似的颜色和线性形状裂缝,增强的方法并不能很好的区分它们。解决方案是将卷积神经网络的帮助。我们收集不同类型的桥损坏的照片,分裂成不同的数据集,训练网络对这些照片进行分类到不同的赔偿。第二个限制是,我们刚从桥的照片澄清如何检测裂缝。然而,对于如何获得这些照片和品质,如摄像机的位置和光线条件下,我们需要对那些照片如果他们想被正确检测,不指定。这些限制将进一步讨论在我们的未来的工作。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了国家自然科学基金(51778194)、中国博士后科学基金会(2017 m621282)和中央大学(基础研究基金。NSRIF。2019056)。