方亚文 王 琦

（安徽电力工程监理有限公司，安徽 合肥 230071）

裂缝作为一种常见的建筑病害类型，对建筑结构的安全性、稳定性等会产生不良影响。变电站建筑内含有大量的机电设备，如果建筑结构混凝土裂缝没有得到及时修复，将会演变成面积较大的坑槽病害，对机电设备安全运行非常不利。因此需要委派专人定期对变电站建筑结构混凝土裂缝进行检查，人工方式费时费力，并且对于建筑结构高处的混凝土裂缝检测具有一定难度。有学者将人工智能理念融合到变电站建筑结构混凝土检测中，提高了混凝土裂缝检测的智能化和信息化程度，虽然相较于最初的人工混凝土裂缝检测方法，其检测效率有所提高，但是在实际应用中还存在许多的局限性。如在实际检测中存在检测盲区，一些边角处的裂缝检测不到，导致召回率比较低，已经无法满足变电站建筑结构混凝土裂缝检测实际需求。

为了解决上述问题，提高混凝土裂缝检测召回率，本文基于机器视觉技术设计了变电站建筑结构混凝土裂缝检测方法（下文简称“机器视觉法”），并将其与传统方法进行对比研究。

机器视觉法的检测原理比较简单，主要包含三个步骤：应用图像传感器获取变电站建筑结构混凝土图像数据，将其作为混凝土裂缝识别分析数据样本；
利用机器视觉技术提取图像连通区域占框比、图像中点和线的离散状态特征；
在对图像特征归一化处理的基础上，根据图像裂缝特征计算出分析样本与常规混凝土图像样本的相似度，以此判定分析样本是否存在裂缝。

1.1 混凝土图像获取

考虑到变电站建筑体积比较大，高处部位混凝土图像数据获取难度较高，此次采用无人机搭载图像传感器的方式，对混凝土图像数据进行获取。根据变电站建筑结构特点，此次选择型号为IHGG大疆无人机作为搭载器，以CCD图像传感器作为图像采集装置，通过Full Camera Link 接口将图像传感器与无人机连接，搭配12V 电源，根据天气、光照等自然条件，对图像传感器的拍摄频率、像素、分辨率、焦距、帧频等参数进行设定[1]。将图像传感器获取的混凝土图像数据上传到计算机上，并根据数据源的不同对混凝土图像数据进行分类存储，待后续处理和分析。

1.2 基于机器视觉的混凝土裂缝特征提取

将获取到的混凝土图像建立图像样本集L，利用机器视觉技术对样本集L中图像样本数据进行处理和分析，提取到样本中的裂缝特征，其过程如下。

对图像样本进行灰度化处理，灰度化处理的目的是突出图像的重要结构特征，使图像中裂缝等重要信息更加清晰，其处理过程用公式表示为：

式中：Gray(x)——灰度化后的混凝土图像；

R——原始混凝土图像饱和参数中红色分量；

G——原始混凝土图像饱和参数中绿色分量；

P——原始混凝土图像饱和参数中蓝色分量[2]。

图像传感器在采集图像过程中很容易受到外界因素影响，导致采集的混凝土图像中含有一定的噪声，图像的像素点分布不够均匀。为了准确提取到混凝土图像中裂缝特征，需要对其进行滤波处理，根据变电站建筑结构混凝土图像降噪需求，采用平滑滤波的方法对其进行滤波处理，其滤波公式为：

式中：H(x,y)——滤波后某一点像素值；

x、y——混凝土图像任意一点像素坐标；

exp——变电站建筑结构混凝土图像平滑参数，通常情况下该参数值为1.5；

M——该像素点邻域内像素的总数量；

f——像素点邻域像素的灰度中值；

σ——混凝土图像中心像素点像素值；

ϖ——灰度域滤波核[3]。

裂缝属于一种细长的形态，如果图像中存在裂缝，图像会出现中断现象，因此选取图像连通区域占框比作为混凝土裂缝图像特征1，其计算公式为：

式中：R——图像连通区域占框比；

i——滤波后混凝土图像数量；

A——图像中连通区域数量；

h——图像中连通区域平均长度；

w——图像中连通区域平均宽度[4]。

R值越小，表示图像中裂缝存在的可能性越大，R作为变电站建筑结构混凝土裂缝检测特征的可信度越高。仅根据图像连通区域占框比识别混凝土裂缝，检测结果可靠性较低，因此选取混凝土图像中点和线的离散状态作为特征，该特征提取公式为：

式中：E——混凝土图像中点和线的离散状态；

D——混凝土图像中连通区域最小面积外接矩形的高；

Z——混凝土图像中连通区域最小面积外接矩形的宽。E值越小，表示变电站建筑结构混凝土裂缝特征越明显。

1.3 混凝土裂缝识别

根据提取的混凝土裂缝特征，对变电站建筑结构混凝土裂缝进行识别计算，首先对提取的混凝土图像特征进行归一化处理，其处理公式为：

式中：X——归一化后的混凝土图像特征；

qmin——所有样本中特征最小值；

v——混凝土图像特征个数；

qmax——所有样本中特征最大值[5]。

根据归一化处理后的图像特征，计算出检测样本与无裂缝混凝土图像的相似度：

式中：ϑ——检测样本与无裂缝混凝土图像的相似度；

——无裂缝混凝土图像连通区域占框比；

——无裂缝混凝土图像点和线的离散状态。

ϑ值越大表示混凝土裂缝的可能性越大，根据变电站建筑结构混凝土裂缝检测需求，设定判定阈值Z，如果ϑ＞Z，则表示变电站建筑结构混凝土存在裂缝，根据混凝土图像中连通区域面积可以计算出混凝土裂缝面积，其计算公式为：

式中：γ——变电站建筑结构混凝土裂缝面积；

k——量化系数；

μ——混凝土面积。

利用上述公式可以确定混凝土裂缝面积，以此完成裂缝检测。

为了验证机器视觉法的实际应用性能，选择传统监测方法作为对比方法，与机器视觉法进行对比试验。试验以某变电站建筑为试验对象，该变电站建筑共7座，建筑使用年限比较长，建筑结构混凝土已经出现老化现象，裂缝数量比较多，且修复量比较大，利用机器视觉法与传统方法对该变电站建筑结构混凝土裂缝进行检测。

试验准备了7个无人机和7个图像传感器，将无人机飞行高度设定为500m，飞行角度范围设定为45°～185°，飞行速度设定为12.5km/h，图像传感器拍摄频率设定为5.16Hz，分辨率设定为12288×1，像素尺寸设定为5μm，动态范围设定为54dB。试验共采集到20000份混凝土图像数据样本，通过识别分析后检测到混凝土裂缝数量共15641 个。试验以召回率作为评价两种方法有效性的指标，召回率为识别到的变电站建筑结构混凝土裂缝数量，与混凝土裂缝真实数量的比值，其计算公式为：

式中：F——召回率；

K——识别到的变电站建筑结构混凝土裂缝数量；

B——未识别到的变电站建筑结构混凝土裂缝数量。

召回率越高表示检测方法精度越高，利用电子表格记录2种方法召回率，如表1所示。

表1 2种方法召回率对比（单位：%）

从表1数据分析可以得出以下结论：试验中机器视觉法召回率平均值为97.48%，最大召回率可以达到99.75%，说明检测到的变电站建筑结构混凝土裂缝数量基本与实际情况一致；
而传统方法平均召回率为58.46%，最大召回率仅为66.48%，远远低于机器视觉法，说明机器视觉法的召回率较高，在变电站建筑结构混凝土裂缝检测方面具有较高的精度。

这是因为机器视觉法采用了机器视觉技术，以图像连通区域占框比、图像中点和线的离散状态作为混凝土裂缝识别特征，从多方面分析混凝土裂缝情况，保证了检测结果的可信度。因此试验结果证明了机器视觉法检测精度更高一些，能够准确地检测到变电站建筑结构混凝土裂缝，相比较传统方法更适用于实际工作。

此次针对传统方法在实际应用中的局限性，将机器视觉技术应用到变电站建筑结构混凝土裂缝检测中，形成了一种新的检测方法——机器视觉法，提高了混凝土裂缝检测精度，对混凝土裂缝检测具有良好的实用价值。但是由于此次研究时间有限，该方法尚未在实际工作中得到大量应用和操作实践，在某些方面可能存在一些不足，后续会进行优化研究，为变电站建筑结构混凝土裂缝检测提供更多的理论支撑。

猜你喜欢 机器变电站裂缝 机器狗环球时报(2022-07-13)2022-07-13机器狗环球时报(2022-03-14)2022-03-14混凝土裂缝修补材料与应用建材发展导向(2021年15期)2021-11-05变电站五防系统临时接地桩的设置科学与财富(2021年33期)2021-05-10智能箱式变电站的应用探讨科学家(2021年24期)2021-04-25变电站巡检机器人控制系统设计电子制作(2019年10期)2019-06-17未来机器城电影(2018年8期)2018-09-21地球的裂缝意林·全彩Color(2018年7期)2018-08-13生命必须有裂缝，阳光才能照进来海峡姐妹(2016年6期)2016-02-27电解铝降压整流变电站综合自动化的运行有色金属设计(2014年4期)2014-03-11