基于数字图像处理的水泥基材料细密裂纹评估方法

摘要

本申请实施例提供了一种基于数字图像处理的水泥基材料细密裂纹评估方法，其技术要点是，对高韧性水泥基复合材料ECC的目标试件进行拉伸，通过相机每间隔固定时间采集一次裂缝图像，将所述裂缝图像通过信号平均化转换、中值滤波器过滤等操作得到背景修正的裂缝图像；通过边缘识别算法或双阈值算法依次获取准确包含细裂纹和宽裂纹信息的合格二值图像；按照拍摄的时间顺序轴，逆向顺次向前对各张所述合格二值图像进行去噪处理和增强处理，通过各张所述降噪图像获取每个裂缝区域的像素面积和边界坐标，裂缝宽度识别为裂缝在加载方向的投影长度，裂缝的平均宽度通过开裂区域像素面积除以裂缝长度获得，累计裂缝长度并除以试件整个宽度，获得裂缝数量。

说明书

技术领域

本申请涉及混凝土结构裂缝检测领域，具体而言，涉及一种基于数字图像处理的水泥基材料细密裂纹评估方法。

背景技术

水泥基材料是一种量大面广的工程材料，各种形式的结构物中水泥基材料在环境和荷载的长期耦合作用下的由于开裂导致的性能劣化严重，裂纹的准确检测和识别具有重要实际意义。目前，超高韧性纤维增强水泥基复合材料(ECC)能够在拉伸和剪切荷载下呈现细密多缝开裂，裂缝宽度可被控制在60μm以下，裂缝间距可以达毫米量级，0需要借助高精度易得的数字图像。

现有技术中，基于数字图像识别的ECC裂缝检测方法主要采用数字图像相关法(DIC)和数字图像处理方法(DIP)，其中DIC方法需要的工业相机和配套的计算软件价格较高，无法普及使用，同时由于ECC裂缝较细密，DIC处理时划分的裂缝子区域尺寸较小导致图像处理效率低下。传统DIP方法采用单域值算法识别ECC裂缝，裂缝识别效果较差，无法兼顾低噪点与高质量裂缝信息。

发明内容

本申请实施例提供了一种基于数字图像处理的水泥基材料细密裂纹评估方法，以至少解决相关技术中裂缝识别效果较差，无法兼顾低噪点与高质量裂缝信息的问题。

在本申请的一个实施例中，提出了一种基于数字图像处理的水泥基材料细密裂纹评估方法，其特征在于，所述方法包括：

对高韧性水泥基复合材料ECC的目标试件进行拉伸，通过相机每间隔固定时间采集一次裂缝图像，在临近目标试件主裂缝形成时，通过相机连续采集裂缝图像，其中，每张照片间隔一个像素的距离；

将所述裂缝图像通过信号平均化转换为灰度图像，采用中值滤波器过滤所述灰度图像上的裂缝结构获得平滑图像，采用所述灰度图像减去所述平滑图像得到背景修正的裂缝图像；

通过边缘识别算法或双阈值算法依次获取准确包含细裂纹和宽裂纹信息的合格二值图像；

按照拍摄的时间顺序轴，逆向顺次向前对各张所述合格二值图像进行去噪处理和增强处理，获得预处理图像，将所述预处理图像与所述合格二值图像进行像素矩阵乘法降噪处理，获得降噪图像；

通过各张所述降噪图像获取每个裂缝区域的像素面积和边界坐标，裂缝宽度识别为裂缝在加载方向的投影长度，裂缝的平均宽度通过开裂区域像素面积除以裂缝长度获得，累计裂缝长度并除以试件整个宽度，获得裂缝数量。

在一实施例中，所述按照拍摄的时间顺序轴，逆向顺次向前对各张所述合格二值图像进行去噪处理和增强处理，包括：采用图像处理软件手动去除时间顺序轴上最后一张的各格二值图像的裂缝周围噪点。

在一实施例中，所述裂缝图像包括拉伸最后状态的多张连拍图像，所述多张连拍图像采用图像合成软件或drizzle算法合成为一张像素密度更高的照片。

在一实施例中，采用低阈值将所述背景修正的裂缝图像转换为低二值图像；

采用高阈值将所述背景修正的裂缝图像转换为高二值图像；

将所述低二值图像和高二值图像相减，获得有效保留细裂缝信息和宽裂缝轮廓信息的高保留图像；

基于Hessian矩阵和Gaussian滤波器将所述高二值图像进行边缘加强，得到轮廓加宽的宽裂纹的高二值图像；

将所述高保留图像与所述轮廓加宽的宽裂纹的高二值图像进行像素矩阵乘法运算，去除所述高保留图像中包含的细裂缝信息，获得只保留宽裂缝轮廓信息的高二值图像；

将所述高二值图像减去所述只保留宽裂缝轮廓信息的高二值图像，以裁切所述高二值图像多余的宽裂纹轮廓，获得包含准确宽裂缝信息和细裂缝信息的合格二值图像。

在一实施例中，采用Gaussian-Laplace算子对所述背景修正的裂缝图像进行高斯滤波，去除较为显著的噪声影响；

采用Gaussian-Laplace算子对图像进行二次处理，提高对图像边缘的提取能力；

将所获得的边缘进行加强，通过像素数计算裂缝宽度，并将计算结果与显微镜观测结果进行对比，调整图像算法处理参数。

通过本申请实施例，相比单域值法将裂缝灰度图像进行二值化时的裂缝信息失真问题，双阈值法能够很好的保留细裂缝信息和宽裂纹信息；普通照相机拍摄的裂缝照片，由于像素密度的限制会导致细小裂缝因宽度太小而无法辨识，采用图像合成软件可将多张普通精度照片合成一张高精度照片，细小裂缝也能被良好辨识；可以获取ECC拉伸全过程的裂缝宽度和数量变化规律，能有效给出给定裂缝宽度限值对应的拉伸应变水平，对于评价材料的渗透性能和耐久性能具有重要意义；所采用的边缘识别算法或双阈值算法对计算机设备要求较低，相比于DIC算法在不降低精度的条件下能够有效提升计算效率。解决了现有DIC方法评估ECC材料细密开裂成本高效率低的问题，以及传统DIP评估方法裂缝信息失真的问题。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请一实施例的流程示意图；

图2是根据本申请一实施例的高像素密度裂缝图；

图3是根据本申请一实施例的灰度裂缝图；

图4是根据本申请一实施例的0.35阈值裂缝二值图像图；

图5是根据本申请一实施例的0.53阈值裂缝二值图像图；

图6是根据本申请一实施例的双阈值图像处理算法流程图；

图7是根据本申请一实施例的处理后的裂缝分布图；

图8是根据本申请一实施例的裂缝宽度的识别。

具体实施方式

下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

如图1所示，提出了一种基于数字图像处理的水泥基材料细密裂纹评估方法，所述方法包括：

S202，对高韧性水泥基复合材料ECC的目标试件进行拉伸，通过相机每间隔固定时间采集一次裂缝图像，在临近目标试件主裂缝形成时，通过相机连续采集裂缝图像，其中，每张照片间隔一个像素的距离；

S204，将所述裂缝图像通过信号平均化转换为灰度图像，采用中值滤波器过滤所述灰度图像上的裂缝结构获得平滑图像，采用所述灰度图像减去所述平滑图像得到背景修正的裂缝图像；

S206，通过边缘识别算法或双阈值算法依次获取准确包含细裂纹和宽裂纹信息的合格二值图像；

S208，按照拍摄的时间顺序轴，逆向顺次向前对各张所述合格二值图像进行去噪处理和增强处理，获得预处理图像，将所述预处理图像与所述合格二值图像进行像素矩阵乘法降噪处理，获得降噪图像；

S210，通过各张所述降噪图像获取每个裂缝区域的像素面积和边界坐标，裂缝宽度识别为裂缝在加载方向的投影长度，裂缝的平均宽度通过开裂区域像素面积除以裂缝长度获得，累计裂缝长度并除以试件整个宽度，获得裂缝数量。

需要说明的是，本申请针对裂缝识别效果较差，无法兼顾低噪点与高质量裂缝信息，可以采用普通相机分析任意应变下ECC裂缝的数量和宽度，采用边缘识别算法或双阈值算法提升裂缝识别效果，同时采用去噪算法和裂缝分离算法获取任意荷载水平下任一裂缝的发展过程，可用于评估ECC材料的开裂性能。针对ECC裂缝的成熟表征识别方法，重点在对比显微镜数值与算法结果上。

在一实施例中，上述按照拍摄的时间顺序轴，逆向顺次向前对各张所述合格二值图像进行去噪处理和增强处理，还包括：

S1，采用图像处理软件手动去除时间顺序轴上最后一张的各格二值图像的裂缝周围噪点。

需要说明的是，可通过商业软件Photoshop进行手动降噪。

在一实施例中，裂缝图像包括拉伸最后状态的多张连拍图像，所述多张连拍图像采用图像合成软件或drizzle算法合成为一张像素密度更高的照片。

在一实施例中，上述双阈值算法包括以下步骤：

S1，采用低阈值将所述背景修正的裂缝图像转换为低二值图像；此时经低阈值处理的图像能有效保留细裂缝信息，但是宽裂纹信息会因边缘轮廓放大而失真。

S2，采用高阈值将所述背景修正的裂缝图像转换为高二值图像；经高阈值处理的灰度图像能准确获得宽裂缝信息，却会忽略细裂纹信息；

S3，将所述低二值图像和高二值图像相减，获得有效保留细裂缝信息和宽裂缝轮廓信息的高保留图像；

S4，基于Hessian矩阵和Gaussian滤波器将所述高二值图像进行边缘加强，得到轮廓加宽的宽裂纹的高二值图像；

S5，将所述高保留图像与所述轮廓加宽的宽裂纹的高二值图像进行像素矩阵乘法运算，去除所述高保留图像中包含的细裂缝信息，获得只保留宽裂缝轮廓信息的高二值图像；

S6，将所述高二值图像减去所述只保留宽裂缝轮廓信息的高二值图像，以裁切所述高二值图像多余的宽裂纹轮廓，获得包含准确宽裂缝信息和细裂缝信息的合格二值图像。

在一实施例中，上述边缘识别双阈值算法包括以下步骤：

S1，采用Gaussian-Laplace算子对所述背景修正的裂缝图像进行高斯滤波，去除较为显著的噪声影响；

S2，采用Gaussian-Laplace算子对图像进行二次处理，提高对图像边缘的提取能力；

S3，将所获得的边缘进行加强，通过像素数计算裂缝宽度，并将计算结果与显微镜观测结果进行对比，调整图像算法处理参数。

如图2至图8所示，通过以下一具体示例作展开说明：

1.如图2所示，本发明中采用索尼90微距镜头，拍摄试件表面面积为30mm×45mm，将16张像素数为1616×1080像素的照片合成为一张像素数为12672×19008照片，所选区域像素数为12672×8424，将RGB图像转换为灰度图像，如图3所示。

2.将图像采用0.35的阈值进行处理，有效保留宽裂缝信息，如图4所示。

3.将灰度图像采用0.53的阈值进行处理，此时宽裂缝会得到加宽，细裂缝会出现，如图5所示。

4.将两者进行相减运算，可以获得细裂纹和粗裂纹轮廓共同存在的图像。

5.将粗裂纹图像采用高斯滤波器进行增强，高斯滤波器窗口高度和宽度选为3，高斯卷积的Sigma值为1。

6.将4和5获得的图像相乘，可以得到粗裂纹轮廓信息并忽略细裂纹信息。

7.将3中的图像减去6中的图像可以获得较为准确的粗裂纹和细裂纹共存的图像，双阈值法流程图如图5所示。

8.此时的图像含有一些噪点，通过商业软件Photoshop进行手动降噪，图像处理结果如图6。

9.裂缝宽度的识别可以根据像素数确定，如图7所示，裂缝占据28个像素，其宽度为66.3微米。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。