摘要：科技在快速的发展，社会在不断的进步，针对钢结构表面缺陷检测问题，提出了一种以无人机为相机载体，基于颜色特征和单目视觉的钢锈蚀区域检测方法。根据锈蚀区域的颜色特征，在HSV颜色空间内进行颜色筛选，得出初步的特征识别结果。对于背景颜色和锈蚀区域颜色相近的图像，仅根据颜色特征识别会产生误判。在改进方法中，根据单目视差原理，对连续帧进行特征匹配从而确定物体前后关系，排除背景误差造成的误判，最终实现钢结构的锈蚀检测。实验结果验证了该方法的可行性，降低了误检测概率。
关键词：锈蚀检测，HSV颜色空间，SURF算法，运动视差法
引言
起重机金属结构在长期的使用过程中，受频繁交变荷载作用、摩擦磨损、焊接缺陷、疲劳与腐蚀效应、材料老化等因素作用，以及现场高温、大风、粉尘、辐射等恶劣环境影响，不可避免地会产生损伤累积、抗力衰退，进而出现裂纹、腐蚀、磨损、变形、连接部位损坏以及其它形式的结构缺陷，金属结构微细裂纹和疲劳损伤容易扩展导致结构脆性断裂或者疲劳断裂，进而引发灾难性安全事故。因此，对起重机金属结构缺陷进行定位检测，可以有效预防并控制起重机事故的发生，减少人员和设备财产的损失，对促进企业安全生产具有重要意义。目前，起重机械金属结构检查主要依靠传统人工检验方式进行，通过人工携带相关检测仪器攀登作业到主要受力结构位置，然后通过检测仪器或者目视检查有无明显缺件和损坏等缺陷，受现场高空、高温、粉尘、大风等恶劣环境影响，现场攀爬安全风险大，劳动强度高。而且对于大型起重机械而言，有些重要部位如门式起重机的主梁下盖板和支腿上部，门座式起重机的象鼻梁和人字架顶部，塔式起重机的塔帽顶端和臂架端部等，检查人员往往不易到达，或到达后受空间位置限制，难以从容地使用仪器进行检查工作，但这些部位又是重要的受力部位，是结构检查的重点。因此，迫切需要找到一种高效可靠，易操作，安全性高的方式将检测仪器运送到被测部位进行相应的结构检测，研究和开发新一代融智能化和可视化为一体的金属结构检测理论和技术已经刻不容缓。
1相关研究
目标检测的常规方法是将每帧图像分割成区域，并根据特征判断每个区域中是否包含该对象。英国杜伦大学采用卷积神经网络和迁移学习来实现目标检测，实验表明YOLO（YouOnlyLookOnce）、基于区域的快速卷积神经网络（Faster-RCNN）和基于区域的完全卷积网络（R-FCN）经过迁移训练后，可以实现对行李箱中非法物体的检测。YOLO是一种新的对象检测算法，它可以“一眼”就能预测出物体是什么以及物体所在的位置。目标跟踪旨在估计视频中预定义目标的位置或运动状态，其在视频监控、机器人技术和自动驾驶等方面有着广泛的应用。核相关滤波（KernelizedCorrelationFilter,KCF）算法是目标跟踪中常用的算法[11]。中国科学院大学的研究人员提出了自适应学习率和遮挡检测机制，改进了KCF算法的跟踪效果和速度。Henriques和Caseiro提出了一种基于线性内核的快速多通道扩展的KCF算法，相比于Struck和TLD等跟踪器，具有更快的速度，并且所需代码数更少。基于机载计算机进行实时数据处理，并结合目标检测算法和目标跟踪算法，可以实现快速稳定的动态目标跟踪。
2基于单目视觉的锈蚀识别改进
2.1单目相机深度测量常用方法
图片深度信息的测量方法分为两类：主动测量和被动测量。单目视觉测量不需要额外设备，只需要一个普通摄像机获取图像，考虑无人机挂载能力限制，采用单目视觉方法符合本研究要求。在单目视觉中可以利用图片中的阴影、线性透视、散焦等线索来求解深度信息。在利用线性透视线索求解深度中，通过霍夫变换等可以检测出消失线，利用消失点和消失线的方向可以求解出深度信息。适用于有平行直线消失相交点的图，不适用锈蚀检测。而利用遮挡线索求解深度，则通过遮挡关系确定场景中物体深度的层次关系，被遮挡的物体一定比遮挡物体距离相机更远。但本次拍摄距离较近，遮挡效果不明显。综合考虑运动视差法来求解相对深度。
2.2高精度裂纹特征提取与识别
系统检测的精度与裂纹边缘特征检测的精度有着直接的关系，提高系统检测精度最有效的方法是提高系统硬件的分辨率，但是提高硬件分辨率所需的成本较高，所以本文研究利用亚像素边缘检测算法来提高“系统硬件”的分辨率，这样不仅提高了检测精度，同时也降低了系统的成本。常用的亚像素边缘检测方法包括空间矩法、灰度矩法、Zernike矩法和数字相关法等。本文采用分形阈值法来对去噪后的图像进行阈值分割，识别出裂纹区域，实现图像的二值化，建立裂纹骨架数据结构模型，采用数学形态学进行膨胀、腐蚀、细化，改善裂纹区域的连通性，为高精度裂纹骨架特征提取奠定了基础。在对裂纹特征提取和识别的研究中，主要使用裂纹缺陷的几何特征和形状特征来对起重机金属结构表面裂纹进行详细的描述，将其与其它缺陷区分开来。几何特征是指图像中缺陷的位置，方向，周长和面积等方面的特征。形状特征主要包括矩形度，长宽比，圆形度，偏心率等。以裂纹骨干的长度、宽度、位置、方向等几何特征和形状特征描述目标区域，作为区分不同目标区域的依据之一。进一步研究可计算疲劳裂纹长、宽两向维度扩展速率的图像识别方法，获得起重机表面疲劳裂纹扩展方式的合理表征。
2.3基于移动距离的筛选改进
SURF算法在匹配过程中，由于匹配图像局部点邻域内信息类似或者视角不同，两幅图像有相似区域，会产生较多误匹配点。如图1所示，此时x方向最大移动距离为1532，y方向最大移动距离为976（单位像素，下同），而平均移动距离x为496，y为279。由于无人机运动连续，两帧之间各物体实际移动距离应较为集中，因为有误匹配点的存在导致最大移动距离远大于平均距离。针对匹配过程中的误匹配点，本文根据实际拍摄情况进行二次匹配，改进匹配效果。由于物体运动连续，不会存在突变情况，所以可以根据特征点移动距离与平均移动距离比值大小来判定特征点移动是否突变，从而排除误匹配点。根据测算，在本例中，当匹配点移动距离大于平均移动距离的3．5倍时可以认定为匹配错误。同时，考虑匹配图片相隔帧数对移动距离判定的影响，若对比图片中物体移动距离较小，可能导致筛选因时误判，实际移动距离如表1所示，Dx表示x方向平均移动距离。Dy表示y方向平均移动距离，随着两匹配图像之间相隔帧数增加，移动距离总体增大，但增幅相对于平均移动距离并不明显且前后两帧时移动距离已经较大，满足后续筛选要求，因此可以选择相邻两帧进行匹配。在本研究中，被拍摄物体处于静止状态而无人机搭载的相机处于运动状态，根据运动视差法，无人机飞行一段范围，距离无人机镜头远的物体在像上移动距离较小，近处物体成像移动距离较大，所以可根据物体检测移动距离所处范围筛选出钢结构与背景。判别出钢结构后再根据颜色阈值筛选，确定锈蚀点所处位置。
结语
由于应用场景环境较为复杂，无人机拍摄传回的图片往往存在较多的背景干扰，不同拍摄场景中深度距离发生改变，需针对性调整，且同一场景中也存在误识别锈蚀区域去除不完全现象。在今后的工作中，希望能获取更多钢结构锈蚀数据，针对锈蚀情况进行方法改进，减少误判，增加识别准确度。
参考文献
［1］汤勃，孔建益，伍世虔．机器视觉表面缺陷检测综述［J］．中国图象图形学报，2017，22（12）：1640－63.
［2］陈石涛．基于单目视觉图像焊缝检测与机器人自动跟踪方法研究［D］．常州：江苏理工学院，2018.
论文作者:曾礼亮
论文发表刊物:《建筑实践》2019年38卷10期
论文发表时间:2019/9/20
标签：距离论文; 裂纹论文; 锈蚀论文; 特征论文; 物体论文; 无人机论文; 区域论文; 《建筑实践》2019年38卷10期论文;