基于多传感器信息融合的机场道面裂缝检测算法

来源：核心期刊咨询网时间：12

摘要：摘 要： 机场道面的裂缝检测只能在夜间停航期间进行，由此带来光照条件差、图像对比度低、噪声干扰强烈等问题，致使传统基于可见光图像的裂缝检测算法难以适用。为此，提出一种融合可见光图像和红外图像的裂缝检测算法。首先通过局部差分法检测不同传感器图

　　摘 要： 机场道面的裂缝检测只能在夜间停航期间进行，由此带来光照条件差、图像对比度低、噪声干扰强烈等问题，致使传统基于可见光图像的裂缝检测算法难以适用。为此，提出一种融合可见光图像和红外图像的裂缝检测算法。首先通过局部差分法检测不同传感器图像中的初始裂缝;然后，通过局部区域像素的灰度和温度概率分布建立决策级信息融合模型，获得候选裂缝，并对候选裂缝进行像素级融合;最后，利用多种数学形态学约束进行筛选，获得最终的裂缝检测结果。在真实机场道面数据集上进行了测试，并与多个算法完成对比，结果显示该文算法的准确率、召回率和F值均优于对比算法，可以较精确地检测出裂缝，为机场道面裂缝的检测与管理提供了技术基础。

　　关键词： 机场道面; 裂缝检测; 信息融合; 候选裂缝筛选; 像素融合; 测试分析

　　0 引 言

　　裂缝是机场道面最常见的病害之一，同时也是大多数结构病害的早期表现，即使细小的裂缝也会对飞机起降构成安全隐患。《民用运输机场运行安全管理规定》中对机场道面裂缝检测提出了明确要求。与公路道面相比，由于飞机频繁起降、道面材质等原因，机场道面存在明显的油污和橡胶残留痕迹，加之受机场运行要求的制约，只能在夜间人造光源条件下进行道面检测，上述因素均使得机场道面裂缝检测非常困难。目前，机场依靠人工巡检的裂缝检测方式存在精度差、主观性强、效率低等诸多问题，已经不能适应民航机场快速发展的要求。因此，自动化的机场道面裂缝检测日益受到关注。

　　目前，公路道面裂缝自动检测主要利用可见光图像。Oliveira等利用自动阈值分割和连通分量算法实现裂缝的提取[1]。Shi等根据积分通道特征及随机决策森林来识别裂缝[2]。韦春桃等基于灰度差和连通域规则实现裂缝自动检测和筛选[3]。Song等基于分数阶微分和双阈值检测完成了裂缝脊边的检测和噪声的过滤[4]。张德津等人提出基于空间聚集特征的沥青路面裂缝检测方法[5]。然而，基于可见光图像的方法易受到环境光照、阴影、道面污染等的干扰，无法适用于机场道面。

　　物体表面与裂缝之间存在温度差异，因此红外热成像技术也经常被用于不同场景中的裂缝检测。严园等人利用裂缝尖端应力集中的特点对钢桥裂缝进行检测[6]。Rodríguez?Martin等人根据材料热激发后温度变化的区别检测焊接材料表面的裂缝[7]。Park等人基于红外热成像和锁相方法对焊接异种金属管道进行裂纹检测[8]。然而，由于大面积检测时红外图像分辨率较低，所以单独依靠红外热成像传感器无法完全满足机场道面细小裂缝精确定位的要求。

　　多传感器融合是克服上述应用场景复杂性与单一传感器局限性之间矛盾的有效方法。红外图像与可见光图像之间的融合已被用于行人检测[9]、缺陷检测[10?11]等多种场合。上述研究表明了融合紅外图像和可见光图像的重要性和有效性，启发大家可设计基于红外和可见光图像融合的机场道面裂缝检测算法。

　　为此，针对机场道面感知数据噪声强、对比度低等问题，本文设计一种基于可见光和红外图像融合的机场道面裂缝自动检测算法，能更加精确快速地检测出机场道面的裂缝，提高了养护部门的效率。

　　1 机场道面裂缝检测算法设计

　　本文算法流程如图1所示。首先，设计局部差分法，并分别提取红外和可见光图像的初始裂缝;其次，基于决策级数据融合模型对所有初始裂缝进行验证，获得可见光和红外候选裂缝;然后，采用“或”逻辑生成融合候选裂缝图;最后，利用形态学约束进行筛选，从而获得最终的裂缝检测结果。

　　1.1 基于局部差分法的裂缝预提取

　　首先将红外图像的像素温度值归一化到0～255，并采用双边滤波进行预处理，从而减小噪声干扰并更好地保护裂缝边缘。此外，针对光照条件和环境噪声对可见光图像质量造成的影响，使用光照补偿[12]和高斯滤波对图像进行预处理。

　　然后根据裂缝处的像素与路面背景的像素在温度和灰度上存在差异的特性，设计局部差分法，生成红外和可见光对比度图像。在红外图像中，令[Rij]为点[i，j]的像素值，并计算以[i，j]点为中心的周围k×k个像素的中值[MRij]，若[Rij]>[MRij]，则点[i，j]的对比度值为[PRij=Rij-MRij]，否则对比度值为0，如式(1)所示，从而获得红外对比度图像。

　　[PRij=Rij-MRij， Rij>MRij0， Rij≤MRij] (1)

　　同理，使用式(2)获得可见光对比度图像。

　　[Pcij=0， Cij>McijMcij-Cij， Cij≥Mcij] (2)

　　式中：[Cij]表示可见光图像中像素点[i，j]的灰度值;[Mcij]为以[i，j]点为中心的周围k×k个像素的灰度中值;点[i，j]的对比度值为[Pcij]。

　　接着利用最大类间方差法分别对红外和可见光对比度图像进行二值分割，将分割后得到的前景像素标记为初始裂缝区域像素点。根据其连通性将其分为若干个初始裂缝，定义[Cr=crjj=1，2，…，n]为红外图像中提取的初始裂缝集合，[Cv=cvii=1，2，…，m]为可见光图像中提取的初始裂缝集合。接下来通过融合红外和可见光图像信息，实现初始裂缝的融合验证。

　　1.2 基于多属性决策级数据融合模型的初始裂缝验证

　　考虑到实际机场道面存在油污、飞机轮痕等干扰，首先通过分析初始裂缝外包区域内像素值分布来确定初始裂缝的温度或灰度属性类型。然后构建多属性决策级数据融合模型，实现初始裂缝的融合验证。

　　1.2.1 初始裂缝外包区域的生成

　　定义[G]为初始裂缝集合，即[G=Cv?Cr]。沿[G]中每个初始裂缝边缘法线方向以[d]个像素大小的距离向四周均匀扩充，如图2所示。深色区域为初始裂缝，最外围线条所围成的区域即为初始裂缝外包区域。图3a)为存在干扰的可见光图像，图3b)为图3a)的像素值分布直方图，图3c)为裂缝外包区域的像素值分布直方图。初始裂缝外包区域的大小选择会影响到后续裂缝属性类型判定，若[d]的取值过大，会导致该区域可能包含大面积轮痕或油污，干扰后续计算;而如果[d]的取值过小，该区域像素值分布的统计易受到噪声影响。因此，[d]值的选取需要综合考虑检测裂缝的实际宽度以及图像的大小。本文取[d=min(l，w)10]，其中，[l]和[w]分别表示图像中像素的行数和列数。下面将分析初始裂缝外包区域内的像素值分布特征，来确定[G]中每一条初始裂缝的单项属性类型。

　　1.2.2 初始裂缝单项属性类型判定

　　对于初始裂缝外包区域的像素点而言，其在可见光图像和红外图像中对应位置的像素值近似服从正态分布特性，因此使用该区域的像素值作为统计量，采用[3σ]准则作为判别界限，从而判断初始裂缝的单项属性类型。

　　根据以上分析，定义[mvi]和[mri]分别为[G]中第[i]条初始裂缝在可见光图像中的灰度均值和在红外图像中的温度均值，其对应外包区域像素的灰度分布[Nμv，σ2v]和温度分布[Nμr，σ2r]。通过式(3)和式(4)对[G]中的第[i]条初始裂缝分别进行灰度和温度两个类型判断。

　　推荐阅读：《传感器世界》(月刊)创刊于1995年，由科学技术部高技术研究发展中心主办。是国家新闻出版署核准的公开发行的国家正式期刊，是国内传感器行业的知名权威性期刊，在业内具有较高的知名度。

转载请注明来自：http://www.qikan2017.com/lunwen/dzi/18026.html