本文發(fā)明屬于計(jì)算機(jī)視覺(jué)、機(jī)器學(xué)習(xí)和數(shù)字圖像處理技術(shù)領(lǐng)域，具體涉及一種混凝土橋梁裂縫的自動(dòng)檢測(cè)方法和預(yù)測(cè)方法。

背景技術(shù)：

數(shù)字圖像處理進(jìn)行裂縫檢測(cè)大多采用邊緣檢測(cè)、形態(tài)學(xué)或者閾值化等方法，且針對(duì)的是高對(duì)比度的裂縫圖像，但是這些方法對(duì)噪聲、油漬、水漬等干擾物敏感，魯棒性不強(qiáng)，并且需要人為設(shè)置和調(diào)整參數(shù)，更重要的是，現(xiàn)實(shí)中的裂縫圖像對(duì)比度比較低，甚至于裂縫很細(xì)小，根本檢測(cè)不到。

機(jī)器學(xué)習(xí)不需要人為設(shè)置和調(diào)整參數(shù)，具有自適應(yīng)性，已經(jīng)成功運(yùn)用到圖像識(shí)別和分類中。機(jī)器學(xué)習(xí)的關(guān)鍵在于構(gòu)建合適的算法來(lái)提取具有代表性的特征。例如，神經(jīng)網(wǎng)絡(luò)被用來(lái)決定裂縫方向時(shí)，提取特征運(yùn)用的是標(biāo)準(zhǔn)圖像二值化方法；支持向量機(jī)、最鄰近算法和神經(jīng)網(wǎng)絡(luò)被用來(lái)分類時(shí)，提取的特征運(yùn)用的是統(tǒng)計(jì)學(xué)原理和數(shù)字圖像處理方法。

但這些機(jī)器學(xué)習(xí)方法有一個(gè)共同的缺點(diǎn)：依賴于裂縫分割。一旦裂縫分割失敗，提取的特征就是錯(cuò)誤的，隨之，后續(xù)的一系列處理也就沒(méi)有了意義。

整體來(lái)說(shuō)，現(xiàn)有技術(shù)中，對(duì)于混凝土橋梁裂縫檢測(cè)的研究是在不斷進(jìn)步的，但是結(jié)合計(jì)算機(jī)視覺(jué)、機(jī)器學(xué)習(xí)和數(shù)字圖像處理相關(guān)技術(shù)的混凝土橋梁裂縫檢測(cè)研究還是比較少的。

2014年，周傳林在《筑路機(jī)械與施工機(jī)械》第2期中，發(fā)表了《圖像處理技術(shù)在混凝土橋梁裂縫檢測(cè)中的應(yīng)用研究》，重點(diǎn)研究了灰度化、圖形增強(qiáng)、空間濾波以及灰度閾值等裂縫圖像處理技術(shù)。2015年，李文波和楊保春在《湖南交通科技》第41卷第1期中，發(fā)表了《基于圖像處理技術(shù)的混凝土橋梁裂縫寬度檢測(cè)》，主要研究了canny算法來(lái)提取裂縫輪廓。以上基于圖像處理的橋梁裂縫檢測(cè)算法之所以取得了良好的實(shí)驗(yàn)效果，是因?yàn)椴杉瘓D像的對(duì)比度很高，噪聲很低，且場(chǎng)景比較簡(jiǎn)單，不存在油漬、水漬等障礙物；如果采集的圖像受各種因素的干擾，則很難檢測(cè)到對(duì)比度比較低的以及細(xì)小的裂縫。

2016年，陳瑤、梅濤和王曉杰等人在《中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào)》第46卷第9期中，發(fā)表了《基于爬壁機(jī)器人的橋梁裂縫圖像檢測(cè)與分類方法》，該文獻(xiàn)運(yùn)用圖像處理方法對(duì)獲取的圖片進(jìn)行預(yù)處理，然后運(yùn)用小波變換對(duì)圖像中的裂縫目標(biāo)進(jìn)行增強(qiáng)，再用二值圖像形態(tài)學(xué)分析提取裂縫目標(biāo)，最后用支持向量機(jī)方法對(duì)裂縫進(jìn)行分類。雖然該文獻(xiàn)對(duì)機(jī)器視覺(jué)和機(jī)器學(xué)習(xí)等領(lǐng)域進(jìn)行了探索，但是研究的不夠深入，僅僅涉及到機(jī)器視覺(jué)中的非接觸采集圖像和機(jī)器學(xué)習(xí)中的支持向量機(jī)算法，更不能對(duì)橋梁的裂縫進(jìn)行預(yù)測(cè)。

技術(shù)實(shí)現(xiàn)要素：

為了解決現(xiàn)有技術(shù)中存在的數(shù)字圖像處理對(duì)于裂縫圖像對(duì)比度比較低，甚至于裂縫很細(xì)小，根本檢測(cè)不到的問(wèn)題；機(jī)器學(xué)習(xí)依賴于裂縫分割，一旦裂縫分割失敗，提取的特征就是錯(cuò)誤的；以及都不能對(duì)橋梁裂縫進(jìn)行預(yù)測(cè)的問(wèn)題，本發(fā)明創(chuàng)造性地結(jié)合了數(shù)字圖像處理、機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺(jué)的相關(guān)經(jīng)典算法，開發(fā)出了一個(gè)實(shí)用的混凝土裂縫自動(dòng)檢測(cè)和預(yù)測(cè)方法。本發(fā)明通過(guò)以下技術(shù)方案實(shí)現(xiàn)：

一種混凝土橋梁裂縫的自動(dòng)檢測(cè)方法，包括以下步驟：

s1、采集橋梁路面數(shù)據(jù)集：采集橋梁路面狀況視頻，再將視頻序列轉(zhuǎn)變?yōu)閳D像序列，得到原始圖像；

s2、用魯棒的線段探測(cè)器定位裂縫所占區(qū)域：將s1采集到的所有原始圖像裁剪成像素為15*15的圖像塊，運(yùn)用魯棒的線段探測(cè)器在每個(gè)圖像塊中擬合一條線段，通過(guò)圖像塊中是否存在擬合出來(lái)的線段，來(lái)定位裂縫所占區(qū)域；

s3、提取裂縫灰度空間多尺度特征，組成灰度空間多尺度特征組：根據(jù)定位到的裂縫所占區(qū)域，提取裂縫所占區(qū)域的灰度空間多尺度特征，包括基于灰度的特征、基于梯度的特征和多尺度空間特征；將提取的灰度空間多尺度特征組合在一起，形成灰度空間多尺度特征組；

s4、用機(jī)器學(xué)習(xí)分類器確定裂縫：將s3組合成的灰度空間多尺度特征組輸入至機(jī)器學(xué)習(xí)分類器中，機(jī)器學(xué)習(xí)分類器就根據(jù)輸入的特征，利用概率進(jìn)行計(jì)算，概率最大的那些地方就認(rèn)為是裂縫。

進(jìn)一步地，所述步驟s2中魯棒的線段探測(cè)器采用的是隨機(jī)抽樣一致算法，具體計(jì)算如下：

1)、考慮一個(gè)最小抽樣集的勢(shì)為n的模型(n為初始化模型參數(shù)所需的最小樣本數(shù))和一個(gè)樣本集p，集合p的樣本數(shù)#(p)>n，從p中隨機(jī)抽取n個(gè)樣本，構(gòu)成p的子集s，用來(lái)初始化模型m；

2)、余集sc＝p/s中與模型m的誤差小于某一設(shè)定閾值t的樣本集合和集合s構(gòu)成集合s*。s*是內(nèi)點(diǎn)集，他們構(gòu)成s的一致集；

3)、若#(s*)≥n,人為得到正確的模型參數(shù)，并利用集s*，采用最小二乘等方法重新計(jì)算新的模型m*。重新隨機(jī)抽取新的s，重復(fù)以上過(guò)程；

4)、在完成一定的抽樣次數(shù)后，若未找到一致集，則算法失敗，否則選取抽樣后得到的最大一致集判斷內(nèi)外點(diǎn)，算法結(jié)束。

進(jìn)一步地，所述步驟s3中基于灰度的特征、基于梯度的特征包括灰度均值、灰度標(biāo)準(zhǔn)差、梯度均值、梯度標(biāo)準(zhǔn)差、擬合直線的灰度均值與對(duì)應(yīng)區(qū)域灰度均值的比值；多尺度空間特征包括前三個(gè)尺度空間的拉普拉斯金字塔最大值、前三個(gè)尺度空間的拉普拉斯金字塔最小值、拉普拉斯金字塔的第一個(gè)尺度的均值、拉普拉斯金字塔的第二個(gè)尺度的均值和拉普拉斯金字塔的第三個(gè)尺度的均值。

進(jìn)一步地，所述前三個(gè)尺度空間的拉普拉斯金字塔最大值、前三個(gè)尺度空間的拉普拉斯金字塔最小值、拉普拉斯金字塔的第一個(gè)尺度的均值、拉普拉斯金字塔的第二個(gè)尺度的均值和拉普拉斯金字塔的第三個(gè)尺度的均值的提取方法為：

設(shè)原始圖像為g0，以g0作為高斯金字塔的第0層，對(duì)原始圖像進(jìn)行高斯低通濾波和隔行隔列的降采樣，得到高斯金字塔的第1層；再對(duì)第1層圖像進(jìn)行高斯低通濾波和降采樣，得到高斯金字塔的第2層；重復(fù)以上過(guò)程，構(gòu)成高斯金字塔。假設(shè)高斯金字塔的第l層圖像為gl，則有：

式中，n為高斯金字塔頂層的層號(hào)；rl和cl分別為高斯金字塔第l層的行數(shù)和列數(shù)；是一個(gè)二維可分離的5*5窗口函數(shù)，表達(dá)式為：

將gl進(jìn)行內(nèi)插得到放大圖像使的尺寸與gl-1的尺寸相同，表示為

其中，

令

式中，n為拉普拉斯金字塔頂層的層號(hào)，lpl是拉普拉斯金字塔分解的第l層圖像；由lp0，lp1，...，lp，...，lpn構(gòu)成的金字塔即為拉普拉斯金字塔，本發(fā)明中n＝3；那么，

前三個(gè)尺度空間的拉普拉斯金字塔最大值(lmax)

前三個(gè)尺度空間的拉普拉斯金字塔最小值(lmin)

拉普拉斯金字塔的第一個(gè)尺度的均值(ul1)

拉普拉斯金字塔的第二個(gè)尺度的均值(ul2)

拉普拉斯金字塔的第三個(gè)尺度的均值(ul3)

其中，ri,ci,(1≤i≤3)表示拉普拉斯金字塔第i層的行數(shù)和列數(shù)。

進(jìn)一步地，所述灰度均值、灰度標(biāo)準(zhǔn)差、梯度均值、梯度標(biāo)準(zhǔn)差、擬合直線的灰度均值與對(duì)應(yīng)區(qū)域灰度均值的比值特征提取的方法為：

將原始圖像g0切分成像素為15*15的圖像塊fk(m,n)，其中k表示第k個(gè)圖像塊，1≤m,n≤15，這些圖像塊經(jīng)過(guò)魯棒的線段探測(cè)器處理后得到兩種結(jié)果，一種是存在裂縫的圖像塊ficrack(m,n)，共塊，另一種是沒(méi)有裂縫的圖像塊fjnocrack(m,n)，設(shè)擬合得到的直線為

灰度均值(ui)

灰度標(biāo)準(zhǔn)差(σi)

梯度均值(ug)

梯度δf是一個(gè)矢量，它具有方向θ和模|δf|。

θ＝arctan(ficracky/ficrackx)

梯度標(biāo)準(zhǔn)差(σg)

擬合直線的灰度均值和對(duì)應(yīng)區(qū)域灰度均值的比值(ri)

進(jìn)一步地，所述灰度空間多尺度特征組為u＝[ui；σi；ug；σg；ri；lmax；lmin；ul1；ul2；ul3]。

進(jìn)一步地，所述步驟s3中基于灰度的特征使用的像素全部是魯棒的線段探測(cè)器中擬合的線段中的像素。

進(jìn)一步地，所述步驟s4中機(jī)器學(xué)習(xí)分類器選用的是隨機(jī)森林學(xué)習(xí)分類器。

一種混凝土橋梁裂縫的預(yù)測(cè)方法，在上述自動(dòng)檢測(cè)方法的基礎(chǔ)上，在步驟s4得到確認(rèn)為裂縫的每幅圖像后，將所有圖像拼接在一起形成全景圖像，結(jié)合計(jì)算機(jī)視覺(jué)中的全景圖像拼接算法，構(gòu)造裂縫密度地圖；然后每隔512像素，將全景圖像分割成小塊，計(jì)算每一塊中，裂縫的總像素和圖像塊的總像素的比率，比率超過(guò)設(shè)定的閾值，則視為嚴(yán)重受損，則將來(lái)可能發(fā)生斷裂，從而完成預(yù)測(cè)。

進(jìn)一步地，所述全景圖像拼接算法具體為：

在計(jì)算機(jī)視覺(jué)領(lǐng)域中，空間中的同一平面中的任意兩個(gè)圖像坐標(biāo)p0和p1通過(guò)一個(gè)3*3的單應(yīng)性矩陣h，見(17)式，連接起來(lái)；單應(yīng)性矩陣可以將當(dāng)前圖像中的一些點(diǎn)映射到目標(biāo)圖像中，第j幅圖像中的第i個(gè)關(guān)鍵點(diǎn)映射到目標(biāo)圖像中，可以表示成(18)式，其中pj,i表示第j幅圖像的第i個(gè)關(guān)鍵點(diǎn)，⁰hj表示第j幅圖像和目標(biāo)圖像的單應(yīng)性矩陣，見(19)式：

p0＝hp1(17)

⁰pj,i＝⁰hj×^jpj,i(18)

⁰hj＝⁰h1×¹h2×…×^j-1hj(19)

把多幅圖像拼接在一起，必然產(chǎn)生累計(jì)誤差，避免這一錯(cuò)誤的最好方法是捆綁調(diào)整，捆綁調(diào)整是一個(gè)計(jì)算全部的單應(yīng)性矩陣和圖像的全局優(yōu)化問(wèn)題；目標(biāo)函數(shù)包括兩個(gè)部分：一是二次映射錯(cuò)誤er，見(20)式，其中，m表示圖像的個(gè)數(shù)，nj表示第j幅圖像的關(guān)鍵點(diǎn)個(gè)數(shù)；二是匹配失真錯(cuò)誤ed，見(21)式，那么目標(biāo)函數(shù)就是(22)式，其中α是常數(shù)。

ed＝||h[1,0,0]^t-[1,0,0]^t||²+||h[0,1,0]^t-[0,1,0]^t||²(21)

et＝er+αed(22)

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：

本發(fā)明結(jié)合了數(shù)字圖像處理、機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺(jué)的相關(guān)經(jīng)典算法，開發(fā)出了一個(gè)實(shí)用的混凝土裂縫自動(dòng)檢測(cè)和預(yù)測(cè)方法，尤其創(chuàng)造出的灰度空間多尺度特征組，該特征組大大提高了分類的準(zhǔn)確率，使本發(fā)明即使是在路面狀況十分復(fù)雜的情況下，十分細(xì)小的裂縫都可以檢測(cè)出來(lái)，解決了現(xiàn)有技術(shù)中存在的數(shù)字圖像處理對(duì)于裂縫圖像對(duì)比度比較低，甚至于裂縫很細(xì)小，根本檢測(cè)不到的問(wèn)題；機(jī)器學(xué)習(xí)依賴于裂縫分割，一旦裂縫分割失敗，提取的特征就是錯(cuò)誤的；以及都不能對(duì)橋梁裂縫進(jìn)行預(yù)測(cè)的問(wèn)題。

另外根據(jù)檢測(cè)出的裂縫的區(qū)域，結(jié)合計(jì)算機(jī)視覺(jué)的圖像拼接技術(shù)，構(gòu)建裂縫密度地圖，通過(guò)裂縫密度地圖，結(jié)合先驗(yàn)知識(shí)，可以得到裂縫比較嚴(yán)重的區(qū)域，該區(qū)域預(yù)示著橋梁可能發(fā)生斷裂或者發(fā)生危險(xiǎn)事故，從而完成預(yù)測(cè)。

附圖說(shuō)明

圖1是本發(fā)明混凝土橋梁裂縫自動(dòng)檢測(cè)方法和預(yù)測(cè)方法的流程圖；

圖2是本發(fā)明采集橋梁路面的原始圖像；

圖3是本發(fā)明對(duì)采集的橋梁裂縫擬合的結(jié)果圖；

圖4是本發(fā)明經(jīng)拉普拉斯變換前的原始圖像；

圖5是本發(fā)明拉普拉斯第二個(gè)尺度空間圖；

圖6是本發(fā)明灰度圖像的線段擬合圖與拉普拉斯圖像的線段擬合圖的對(duì)比圖；

圖7是本發(fā)明機(jī)器學(xué)習(xí)分類器實(shí)驗(yàn)選取的原始圖像；

圖8是本發(fā)明機(jī)器學(xué)習(xí)分類器實(shí)驗(yàn)選取的原始圖像對(duì)應(yīng)的裂縫檢測(cè)結(jié)果；

圖9是本發(fā)明拼接成的原始橋梁路面地圖；

圖10是本發(fā)明構(gòu)建的裂縫密度地圖。

具體實(shí)施方式

下面結(jié)合具體實(shí)施例對(duì)本發(fā)明做進(jìn)一步詳細(xì)的描述，但本發(fā)明的實(shí)施方式不限于此。

實(shí)施例1：

如圖1所示的混凝土橋梁裂縫的自動(dòng)檢測(cè)方法，包括以下步驟：

s1、采集橋梁路面數(shù)據(jù)集：用攝像機(jī)采集兩座橋梁的路面狀況的視頻，注意攝像機(jī)要與路面平行且盡量勻速前進(jìn)；然后，使用opencv將視頻序列轉(zhuǎn)變?yōu)閳D像序列；部分原始圖像見圖2。

s2、用魯棒的線段探測(cè)器定位裂縫所占區(qū)域：因?yàn)椴杉降拇蟛糠只炷翗蛄郝访鎴D像是不存在裂縫的，即使存在裂縫，裂縫所占的比重也十分小。針對(duì)此現(xiàn)象，先擬合一條直線，這條直線代表的就是裂縫。那么，不存在直線的圖像，就是沒(méi)有裂縫的圖像，根據(jù)此原理，可以將裂縫圖像和非裂縫圖像區(qū)分出來(lái)。又因?yàn)槁访鏍顩r的復(fù)雜性，所以這個(gè)擬合直線的算法必須是魯棒的。所以，采用隨機(jī)抽樣一致算法來(lái)定位潛在裂縫區(qū)域，即將s1采集到的所有原始圖像裁剪成像素為15*15的圖像塊，運(yùn)用魯棒的線段探測(cè)器在每個(gè)圖像塊中擬合一條線段，通過(guò)圖像塊中是否存在擬合出來(lái)的線段，來(lái)定位裂縫所占區(qū)域；結(jié)果見圖3，其中1表示的是裂縫存在的地方，2表示擬合的線段。

隨機(jī)抽樣一致算法即使在噪聲和干擾物存在的情況下，也是十分健壯的，隨機(jī)抽樣一致算法的基本思想如下：

1)、考慮一個(gè)最小抽樣集的勢(shì)為n的模型(n為初始化模型參數(shù)所需的最小樣本數(shù))和一個(gè)樣本集p，集合p的樣本數(shù)#(p)>n，從p中隨機(jī)抽取n個(gè)樣本，構(gòu)成p的子集s，用來(lái)初始化模型m；

2)、余集sc＝p/s中與模型m的誤差小于某一設(shè)定閾值t的樣本集合和集合s構(gòu)成集合s*。s*是內(nèi)點(diǎn)集，他們構(gòu)成s的一致集；

3)、若#(s*)≥n,人為得到正確的模型參數(shù)，并利用集s*，采用最小二乘等方法重新計(jì)算新的模型m*。重新隨機(jī)抽取新的s，重復(fù)以上過(guò)程；

4)、在完成一定的抽樣次數(shù)后，若未找到一致集，則算法失敗，否則選取抽樣后得到的最大一致集判斷內(nèi)外點(diǎn)，算法結(jié)束。

s3、提取裂縫灰度空間多尺度特征，組成灰度空間多尺度特征組：線段擬合成功之后，線段所在的圖像塊就是潛在裂縫區(qū)域，根據(jù)定位到的裂縫所占區(qū)域，利用拉普拉斯變換計(jì)算出多尺度空間特征，包括基于灰度的特征、基于梯度的特征和多尺度空間特征；將提取的灰度空間多尺度特征組合在一起，形成灰度空間多尺度特征組；

特別說(shuō)明，在拉普拉斯的某一個(gè)尺度內(nèi)，裂縫是相當(dāng)明顯的，這對(duì)于低對(duì)比度圖像的裂縫檢測(cè)十分有效。圖4為原始圖像，圖5為原始圖像經(jīng)過(guò)拉普拉斯變換的第二個(gè)尺度的圖像。圖6是灰度圖像的線段擬合圖與拉普拉斯圖像的線段擬合圖的對(duì)比，第一行表示在原灰度圖上擬合線段，第二行表示在拉普拉斯變換圖的某一個(gè)尺度空間上擬合線段，由此看出，拉普拉斯變換的某一個(gè)尺度空間的擬合效果更好。

多尺度空間特征包括前三個(gè)尺度空間的拉普拉斯金字塔最大值、前三個(gè)尺度空間的拉普拉斯金字塔最小值、拉普拉斯金字塔的第一個(gè)尺度的均值、拉普拉斯金字塔的第二個(gè)尺度的均值和拉普拉斯金字塔的第三個(gè)尺度的均值；具體提取過(guò)程為：

設(shè)原始圖像為g0，以g0作為高斯金字塔的第0層，對(duì)原始圖像進(jìn)行高斯低通濾波和隔行隔列的降采樣，得到高斯金字塔的第1層；再對(duì)第1層圖像進(jìn)行高斯低通濾波和降采樣，得到高斯金字塔的第2層；重復(fù)以上過(guò)程，構(gòu)成高斯金字塔。假設(shè)高斯金字塔的第l層圖像為gl，則有：

式中，n為高斯金字塔頂層的層號(hào)；rl和cl分別為高斯金字塔第l層的行數(shù)和列數(shù)；是一個(gè)二維可分離的5*5窗口函數(shù)，表達(dá)式為：

將gl進(jìn)行內(nèi)插得到放大圖像使的尺寸與gl-1的尺寸相同，表示為

其中，

令

式中，n為拉普拉斯金字塔頂層的層號(hào)，lpl是拉普拉斯金字塔分解的第l層圖像；由lp0，lp1，...，lp，...，lpn構(gòu)成的金字塔即為拉普拉斯金字塔，本發(fā)明中n＝3；那么，

前三個(gè)尺度空間的拉普拉斯金字塔最大值(lmax)

前三個(gè)尺度空間的拉普拉斯金字塔最小值(lmin)

拉普拉斯金字塔的第一個(gè)尺度的均值(ul1)

拉普拉斯金字塔的第二個(gè)尺度的均值(ul2)

拉普拉斯金字塔的第三個(gè)尺度的均值(ul3)

其中，ri,ci,(1≤i≤3)表示拉普拉斯金字塔第i層的行數(shù)和列數(shù)。

基于灰度的特征、基于梯度的特征包括灰度均值、灰度標(biāo)準(zhǔn)差、梯度均值、梯度標(biāo)準(zhǔn)差、擬合直線的灰度均值與對(duì)應(yīng)區(qū)域灰度均值的比值；具體提取過(guò)程為：

將原始圖像g0切分成像素為15*15的圖像塊fk(m,n)，其中k表示第k個(gè)圖像塊，1≤m,n≤15，這些圖像塊經(jīng)過(guò)魯棒的線段探測(cè)器處理后得到兩種結(jié)果，一種是存在裂縫的圖像塊ficrack(m,n)，共塊，另一種是沒(méi)有裂縫的圖像塊fjnocrack(m,n)，設(shè)擬合得到的直線為

灰度均值(ui)

灰度標(biāo)準(zhǔn)差(σi)

梯度均值(ug)

梯度δf是一個(gè)矢量，它具有方向θ和模|δf|；

θ＝arctan(ficracky/ficrackx)

梯度標(biāo)準(zhǔn)差(σg)

擬合直線的灰度均值和對(duì)應(yīng)區(qū)域灰度均值的比值(ri)

將提取得到的10個(gè)特征組合在一起形成灰度空間多尺度特征組u＝[ui；σi；ug；σg；ri；lmax；lmin；ul1；ul2；ul3]。

s4、用機(jī)器學(xué)習(xí)分類器確定裂縫：將s3組合成的灰度空間多尺度特征組輸入至機(jī)器學(xué)習(xí)分類器中，機(jī)器學(xué)習(xí)分類器就根據(jù)輸入的特征，利用概率進(jìn)行計(jì)算，概率最大的那些地方就認(rèn)為是裂縫。

機(jī)器學(xué)習(xí)分類器的選擇實(shí)驗(yàn)：

同一座橋梁的一部分圖像作為訓(xùn)練集，另一部分作為測(cè)試集，使用三種機(jī)器學(xué)習(xí)分類器，支持向量機(jī)、自適應(yīng)增強(qiáng)和隨機(jī)森林，分別對(duì)輸入特征進(jìn)行分類實(shí)驗(yàn)。輸入特征選取的是上述十個(gè)特征的組合，實(shí)驗(yàn)結(jié)果如表1所示。

表1同一座橋梁不同分類器的分類效果

由表1可以得出結(jié)論，本發(fā)明提出的灰度空間多尺度特征組是十分有效的，不同分類器的分類準(zhǔn)確率都在90％以上。

另外，同時(shí)進(jìn)行了灰度空間多尺度特征組的遷移學(xué)習(xí)能力實(shí)驗(yàn)。

以一座橋梁的圖像作為訓(xùn)練集，另一座橋梁的圖像作為測(cè)試集，使用三種不同的分類器的分類準(zhǔn)確率見表2。

表2不同座橋梁不同分類器的分類效果

由表2可以看出，本發(fā)明提出的灰度空間多尺度特征組是不錯(cuò)的遷移學(xué)習(xí)能力的。圖7是原始圖像，圖8表示的對(duì)應(yīng)的的裂縫檢測(cè)結(jié)果。由圖8可以看出，檢測(cè)效果良好，即使是在路面狀況十分復(fù)雜的情況下，十分細(xì)小的裂縫都可以檢測(cè)出來(lái)。

實(shí)施例2：

本發(fā)明還提出了一種混凝土橋梁裂縫的預(yù)測(cè)方法，在實(shí)施例1的基礎(chǔ)上，在步驟s4得到確認(rèn)為裂縫的每幅圖像后，根據(jù)計(jì)算機(jī)視覺(jué)的圖像拼接的相關(guān)知識(shí)，將所有圖像拼接在一起形成全景圖像，結(jié)合計(jì)算機(jī)視覺(jué)中的全景圖像拼接算法，構(gòu)造裂縫密度地圖；然后每隔512像素，將全景圖像分割成小塊，計(jì)算每一塊中，裂縫的總像素和圖像塊的總像素的比率，比率超過(guò)設(shè)定的閾值，則視為嚴(yán)重受損，則將來(lái)可能發(fā)生斷裂，從而完成預(yù)測(cè)。

其中，全景圖像拼接算法具體為：

在計(jì)算機(jī)視覺(jué)領(lǐng)域中，空間中的同一平面中的任意兩個(gè)圖像坐標(biāo)p0和p1通過(guò)一個(gè)3*3的單應(yīng)性矩陣h，見(17)式，連接起來(lái)；單應(yīng)性矩陣可以將當(dāng)前圖像中的一些點(diǎn)映射到目標(biāo)圖像中，第j幅圖像中的第i個(gè)關(guān)鍵點(diǎn)映射到目標(biāo)圖像中，可以表示成(18)式，其中pj,i表示第j幅圖像的第i個(gè)關(guān)鍵點(diǎn)，⁰hj表示第j幅圖像和目標(biāo)圖像的單應(yīng)性矩陣，見(19)式：

p0＝hp1(17)

⁰pj,i＝⁰hj×^jpj,i(18)

⁰hj＝⁰h1×¹h2×…×^j-1hj(19)

把多幅圖像拼接在一起，必然產(chǎn)生累計(jì)誤差，避免這一錯(cuò)誤的最好方法是捆綁調(diào)整，捆綁調(diào)整是一個(gè)計(jì)算全部的單應(yīng)性矩陣和圖像的全局優(yōu)化問(wèn)題；目標(biāo)函數(shù)包括兩個(gè)部分：一是二次映射錯(cuò)誤er，見(20)式，其中，m表示圖像的個(gè)數(shù)，nj表示第j幅圖像的關(guān)鍵點(diǎn)個(gè)數(shù)；二是匹配失真錯(cuò)誤ed，見(21)式，那么目標(biāo)函數(shù)就是(22)式，其中α是常數(shù)。

ed＝||h[1,0,0]^t-[1,0,0]^t||²+||h[0,1,0]^t-[0,1,0]^t||²(21)

et＝er+αed(22)

圖9展示的是拼接成的原始橋梁路面地圖，圖9展示的是最終的裂縫密度地圖。由圖9和圖10可以看出，拼接的效是十分良好的，且由圖10可以直觀看出裂縫的分布情況，從而得到裂縫比較嚴(yán)重的區(qū)域，該區(qū)域預(yù)示著橋梁可能發(fā)生斷裂或者發(fā)生危險(xiǎn)事故。

本發(fā)明方法的原理思想是：因?yàn)椴杉降拇蟛糠只炷翗蛄郝访鎴D像是不存在裂縫的，即使存在裂縫，裂縫所占的比重也十分小，如果能直接定位到裂縫所在區(qū)域，那么能減少很多不必要的計(jì)算，從而加速特征學(xué)習(xí)。又因?yàn)槁访鏍顩r的復(fù)雜性，所以要求這個(gè)定位裂縫所在區(qū)域的算法是魯棒的。那么，魯棒的線段探測(cè)器目的在于減少冗余計(jì)算，加速特征學(xué)習(xí)，減少算法復(fù)雜度。魯棒的線段探測(cè)器的探測(cè)結(jié)果就是擬合了一條線段，這條線段代表的是裂縫，線段所在區(qū)域就是裂縫所占區(qū)域。定位到裂縫所在區(qū)域之后，就可以提取裂縫所占區(qū)域的灰度空間多尺度特征，這些特征可以很好的區(qū)分裂縫區(qū)域和非裂縫區(qū)域，然后將這些特征通過(guò)機(jī)器學(xué)習(xí)分類器進(jìn)行二分類，最后將所有的這些標(biāo)識(shí)裂縫的圖像拼接在一起，形成裂縫密度地圖，確定裂縫并完成預(yù)測(cè)。

本發(fā)明結(jié)合了數(shù)字圖像處理、機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺(jué)的相關(guān)經(jīng)典算法，開發(fā)出了一個(gè)實(shí)用的混凝土裂縫自動(dòng)檢測(cè)和預(yù)測(cè)方法，尤其創(chuàng)造出的灰度空間多尺度特征組，該特征組大大提高了分類的準(zhǔn)確率，使本發(fā)明即使是在路面狀況十分復(fù)雜的情況下，十分細(xì)小的裂縫都可以檢測(cè)出來(lái)，解決了現(xiàn)有技術(shù)中存在的數(shù)字圖像處理對(duì)于裂縫圖像對(duì)比度比較低，甚至于裂縫很細(xì)小，根本檢測(cè)不到的問(wèn)題；機(jī)器學(xué)習(xí)依賴于裂縫分割，一旦裂縫分割失敗，提取的特征就是錯(cuò)誤的；以及都不能對(duì)橋梁裂縫進(jìn)行預(yù)測(cè)的問(wèn)題；另外根據(jù)檢測(cè)出的裂縫的區(qū)域，結(jié)合計(jì)算機(jī)視覺(jué)的圖像拼接技術(shù)，構(gòu)建裂縫密度地圖，通過(guò)裂縫密度地圖，結(jié)合先驗(yàn)知識(shí)，可以得到裂縫比較嚴(yán)重的區(qū)域，該區(qū)域預(yù)示著橋梁可能發(fā)生斷裂或者發(fā)生危險(xiǎn)事故，從而完成預(yù)測(cè)。

以上內(nèi)容是結(jié)合具體的優(yōu)選實(shí)施方式對(duì)本發(fā)明所作的進(jìn)一步詳細(xì)說(shuō)明，不能認(rèn)定本發(fā)明的具體實(shí)施只局限于這些說(shuō)明。對(duì)于本發(fā)明所屬技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干簡(jiǎn)單推演或替換，都應(yīng)當(dāng)視為屬于本發(fā)明的保護(hù)范圍。