CN103486971B - 一种地铁隧道裂缝宽度检测及校正算法 - Google Patents

Abstract

本发明涉及轨道交通中地铁隧道裂缝宽度的检测和估计。在地铁隧道表面裂缝检测过程中，由于地铁隧道内环境的复杂性，如灰尘掩盖、阴影影响等，对裂缝宽度的检测产生干扰，以及图像处理过程中对裂缝宽度测量的不准确的限制，简单通过一次图像处理得到的裂缝宽度数据并不能完全准确代表裂缝真实宽度，可能存在较大的误差，不能满足安全性要求。因此，本算法提出了一种有效的地铁隧道裂缝宽度检测及校正算法，本发明算法流程分为三个阶段：数据采集阶段、数据处理阶段、校正阶段。本发明对图像处理得到的结果和历史数据进行融合，提高了裂缝宽度预测的真实性。

Description

一种地铁隧道裂缝宽度检测及校正算法

技术领域

本发明涉及轨道交通中地铁隧道裂缝宽度的检测和估计，属于轨道交通领域。

背景技术

改革开放以来，随着我国城市化进程加快，城市交通面临前所未有的压力，作为城市交通的重要组成部分，城市轨道交通是缓解交通拥堵的重要措施之一。城市轨道交通的特点是运行速度快、行车密度高、客流量大、环境封闭，因而对运营安全要求极高，需要安全可靠的基础设施系统作为保障。在城市轨道交通中，由于运行车辆的动力冲击、地质变形、以及临近施工等因素的影响，隧道表面经常发生损伤、形变，产生大量裂缝，对地铁轨道安全造成重大影响。因此，能够随时掌握并正确估计地铁隧道表面裂缝的宽度是确保线路安全、行车安全的必要措施。

目前，我国对城市地铁隧道表面裂缝的检查大都采用以人工静态检查为主、少量动态检测车检查为辅的方式。交通全线由各个工区分段负责，检查主要在晚上线路无运营任务时进行。这种以人工为主的检测方式检测速度慢、工作效率低、占用线路时间长，不符合现代城市轨道交通发展的需求。

采用车载式动态检测设备检测地铁隧道裂缝是未来的发展趋势，例如，利用轨检车、钢轨探伤车、隧道限界检测车等来检查地铁隧道裂缝，这种自动检测方式能够快速地检测地铁隧道裂缝的存在，自动获取隧道中裂缝的宽度，并将历史数据发展规律与检测到的数据进行融合，得到隧道裂缝宽度的最佳估计，而且要对估计值作进一步的校正，指导预防性的养护维修。这些先进检测设备的采用，大大提高了工作效率和检测质量，降低了维护成本，提高了运营安全性，是我国城市轨道交通安全领域裂缝检测方法的必然发展方向。

目前，国内在裂缝自动监测方面的研究主要集中在公路路面裂缝检测的研究上，并取得了一定成果，提出了许多有效的裂缝图像处理算法。

而对于隧道等城市轨道交通基础设施的裂缝快速检测方面的研究尚处于开始阶段，公路隧道裂缝检测领先于轨道交通，对于城市轨道交通隧道的裂缝自动检测尚无报道。在国际上，日本和韩国在隧道表面裂缝自动检测研究处于领先，并且日本的隧道裂缝光学检测系统已经在工程中有了实际应用。

目前裂缝自动检测技术可以分为两类，一是利用光学成像和图像处理技术的移动式检测方法，另一类是基于形变数据的固定式检测方法。固定式检测方法通过在地铁隧道内安装传感器检测隧道形变数据，并利用各种检测算法评估隧道的破损情况，这种方法存在明显的劣势，主要体现在传感器安装复杂、工程量大，无法覆盖所有地铁隧道表面，因而，此方法并不是地铁隧道裂缝自动检测技术的发展趋势。而基于光学成像及图像处理的移动式方法具有检测灵活，移动性好可以覆盖所有区间，并且随着机器视觉和图像处理技术的不断发展，检测的准确性和效率不断提高，已经成为主要的发展方向。

车载式检测设备以图像的方式对地铁隧道进行记录，通过图像处理技术识别隧道图像中的裂缝，进而采取适度措施来保障交通安全。由于地铁隧道内环境复杂，通过图像处理方式得到的裂缝宽度存在误差，并不能很好的代表裂缝实际宽度，本专利提出了一种有效的地铁隧道裂缝宽度检测及校正算法来最大程度的降低由于隧道内环境和测量误差对裂缝真实宽度的影响，从而得到最优的估计值。

发明内容

为了克服现有技术对裂缝宽度估计准确性的不足，本发明通过挖掘历史数据变化规律来估计裂缝最佳值，并且进一步通过一种校验机制来对估计结果进行修正，以确保对裂缝宽度估计的精确性。

在典型的地铁隧道裂缝检测系统中，将裂缝宽度的估计定义为：基于裂缝历史宽度数据库和最新的裂缝宽度数据，通过图像处理技术和数据融合技术得到裂缝宽度最佳估计的一种方法。最后再利用实地的测量值对估计值进行进一步的校正。

本发明算法流程分为三个阶段：数据采集阶段、数据处理阶段、校正阶段。

数据采集阶段，即通过车载检测设备搭载图像采集设备，如CCD相机，逐行扫描整个隧道，得到整个隧道的扫描图像，基于这些图像，通过图像处理技术，对裂缝进行识别、定位，得到所有裂缝的宽度数据，并建立裂缝数据库，作为数据处理阶段的数据源。

数据处理阶段，考虑到环境复杂等各种噪声的影响，利用裂缝宽度估计算法，根据裂缝数据库中的历史数据和第一步得到的裂缝宽度估计值，再次估计裂缝的最新宽度。该算法部分对裂缝宽度的估计分为两步，即预测步和更新步。并且，在预测步和更新步后进行迭代处理。

校正阶段，是从裂缝数据库中根据一定的原则选出一部分样本数据，引入人工实地测量的裂缝数据，，利用这些数据对所述的裂缝宽度估计值进行修正，同时参考历史数据的变化，得到对整个裂缝数据库校正的方法，从而得到更准确的裂缝宽度。

本发明能够随时掌握并正确估计地铁隧道表面裂缝的宽度，检测速度快，工作效率高，降低了维护成本，占用线路时间少，检测质量高，最大程度的降低了由于隧道内环境和测量误差对裂缝真实宽度的影响。有效地确保了线路安全和行车安全，已经成为地铁隧道裂缝宽度检测的主要的发展方向。

具体实施方式

前面我们简单阐述了裂缝宽度检测及校正算法，但是仍停留在理论阶段，在实际应用过程中，该算法要建立在图像处理、数据融合技术及人工活动之上，主要包括数据采集阶段、数据处理阶段和数据校正三个阶段：

1、数据采集阶段：

数据采集阶段主要完成数据采集任务，即通过车载检测设备搭载图像采集设备，如CCD相机，按照一定速度扫描整个隧道，得到整个隧道的扫描图像，基于该图像，通过图像处理技术得到所有裂缝的宽度数据，在此过程中，同步建立裂缝宽度数据库，该数据库要对每条裂缝的宽度有一条记录，为下一阶段提供数据源。具体为：

（1）通过车载式检测设备（如CCD相机）以图像的方式对交通基础设施进行全程扫描，将所有图像数据存入数据库，以供下一步图像处理使用，对基础设施的扫描时间间隔通常为一周或数周；

（2）基于步骤(1)建立的交通基础设施图像数据库，通过图像处理技术，利用已有的裂缝识别算法，识别所有裂缝，并对其进行定位，记录裂缝宽度，作为裂缝宽度估计值，制作出裂缝数据库，数据库中对每一条裂缝都要单独记录；

（3）取出图像处理得到的裂缝宽度估计值，作为数据处理阶段的数据源。

2、数据处理阶段

在数据处理阶段，通过历史数据发展规律可以发现，裂缝在增长过程中，变化较为缓慢，满足线性条件，且由于环境复杂产生的噪声以及测量产生的噪声是由多因素引起的，因此，假设所有噪声均为高斯白噪声。在此情况下，为了解决裂缝检测不精确的问题，可通过协方差来估算裂缝的宽度，再通过不断的迭代得到最优的输出。此时得到所有裂缝宽度的最佳估计。但此估计值是在不知道真实值的情况下得到的。虽然估计的准确度比较高，但是地铁的运营安全十分重要，需要更准确的估计值。

本发明利用裂缝宽度估计算法，根据裂缝数据库中的历史数据和上述第一步得到的裂缝宽度估计值，再次估计裂缝的最新宽度。该算法部分对裂缝宽度的估计分为两步，即预测步和其后的更新步。并且，在预测步和更新步后再通过迭代步骤。

（1）预测步

预测步包括裂缝宽度预测以及裂缝宽度协方差预测。

裂缝宽度预测步：该算法主要应用的是系统的历史变化特性，通过挖掘历史知识，得到裂缝宽度转移参数，在此，宽度转移参数为1，这意味着，我们更愿意相信裂缝宽度没有发生改变，所以，c(k|k-1)=c(k-1|k-1)。

裂缝宽度协方差预测步：对于裂缝宽度协方差的预测步，利用同样的方式，我们得到裂缝协方差转移参数为1，加上由于复杂的环境影响Q(k)，我们得到裂缝协方差的预测结果：P(k|k-1)=P(k-1|k-1)+Q(k)。

综上，可以得到：

（Ⅰ）裂缝宽度预测：通过k-1时刻裂缝最佳估计宽度c(k-1|k-1)预测k时刻宽度，得到c(k|k-1)，由于裂缝宽度变化缓慢，在此我们应用公式：

c(k|k-1)=c(k-1|k-1)；

其中，c(k-1|k-1)为k-1时刻裂缝宽度，c(k|k-1)为通过k-1时刻的裂缝宽度、历史知识得到的对k时刻裂缝宽度的预测结果。

（Ⅱ）裂缝宽度协方差预测：通过k-1时刻裂缝宽度估计的协方差P(k-1|k-1)预测k时刻宽度估计的协方差P(k|k-1)，应用公式：

P(k|k-1)=P(k-1|k-1)+Q(k);

其中，P(k-1|k-1)为k-1时刻裂缝宽度协方差，P(k|k-1)为通过k-1时刻裂缝宽度协方差、历史知识及Q(k)得到的对裂缝协方差在k时刻的预测值。其中，基础设施周围环境对裂缝产生的失真影响，通常为均值为零，方差为Q(k)的随机变量，Q(k)为一正数。

（2）更新步

对于更新步，同样包括对裂缝宽度及裂缝宽度协方差的更新。

其中，裂缝宽度更新步骤主要用到新息及增益，其中，新息的计算公式为v(k)=c(k)-c(k|k-1)，增益的计算公式为K(k)=P(x|x-1)/S(k)，S(k)的计算公式为S(k)=P(k|k-1)+R(k)，其中R(k)为图像处理过程中对裂缝宽度产生的影响，通常为一均值为0，方差为R(k)的随机变量。

裂缝宽度协方差更新过程中要用到P(k|k-1)和S(k)，其得到过程在此不再赘述。

综上，我们可以得到：

（Ⅰ）裂缝宽度更新：通过宽度预测结果及协方差信息更新宽度预测结果：

c(k|k)=c(k|k-1)+K(k)v(k)；

其中，

K(k)=P(x|x-1)/S(k)；

S(k)=P(k|k-1)+R(k)；

由于图像处理的不精确性，产生的误差为一随机变量，其均值为零，方差为R(k)，R(k)为一正数。

（Ⅱ）裂缝协方差更新：通过预测得到的协方差及新息，更新协方差：

P(k|k)=P(k|k-1)+S(k);

其中，c(k|k)为裂缝现在宽度的最佳估计，是我们想要的融合结果。通过对以上过程的不断迭代，不断对裂缝宽度进行最佳估计，得到更接近实际的估计结果。

（3）迭代

经过预测和更新，该算法完成了一轮的迭代过程，我们通过k-1时刻的数据及k时刻测量值，成功得到了k时刻裂缝的最佳估计值c(k|k)，并通过更新得到了P(k|k)，我们可以以此为基础，再加上在k+1时刻裂缝宽度的测量值，进行下一轮迭代来估计k+1时刻的裂缝宽度。往复循环这个过程，我们就可以不断地得到最新时刻的裂缝宽度最佳估计。

3、校正阶段

经过第二步的数据处理，保证实时得到所有裂缝宽度的最佳估计，以评估地铁隧道危险程度，确保地铁轨道交通的运行安全。但此估计值是在不知道真实值的情况下得到的。虽然估计的准确度比较高，但是地铁的运营安全十分重要，需要更准确的估计值。

因此，在这里引入人工实地测量的裂缝数据，虽然这些数据存在一些误差或者错误，但是与机器识别出的数据相比，更接近于真实值。所以，利用这些数据对所述的裂缝宽度估计值进行修正，同时参考历史数据的变化，从而得到更准确的数据。

（1）建立样本库

地铁隧道裂缝过多，不可能逐一进行测量，所以需要从中选取一部分裂缝作为样本，实现对整体的估计。

样本的选取有三点原则：

a、建立多个样本库

地铁不同的线路和不同的区间的隧道结构可能有所不同，机器识别和人工测量的数据偏差也会不同。所以根据实际的情况，结构相同的线路或者区间建立属于自己的样本库（比如北京地铁1号线复兴门—西单样本库），分别对各自的估计值进行修正。

b、选取不同宽度的裂缝

机器识别主要是根据灰度值的来判断裂缝宽度，不同宽度的裂缝灰度值不同，识别结果的偏差也会不同，所以每个样本库要有不同宽度的裂缝，这里选取不同宽度的裂缝，每种裂缝选取若干个。

c、多次测量

按照裂缝检测的时间频率，对裂缝宽度进行测量，再次建立新的样本库。根据不同时间的样本值再次对估计值进行修正。

（2）估计值修正

以一个区间的样本库为例，该样本库中各个裂缝宽度的人工实际测量值分别为{c_m1,c_m2,c_m3,c_m4,c_m5……}

（Ⅰ）对选取的每一个裂缝利用上述的估算方法进行裂缝宽度的估计，得到对应的估计值{c_e1,c_e2,c_e3,c_e4,c_e5……}

（Ⅱ）计算每条裂缝的估计值与测量值的偏差，得到偏差集{c_d1,c_d2,c_d3,c_d4,c_d5……}，其中

c_di＝c_ei-c_mi

（Ⅲ）不同宽度的裂缝，机器识别的效果不同，对应的偏差也会有所不同，所以需要根据裂缝宽度的不同进行分类处理。

宽度为w_i的裂缝的估计的偏差值为若说明样本波动小，同一宽度的裂缝估计值偏差小。若说明此裂缝的估计值波动较大，有些裂缝在机器识别时出现了错误，需要剔除。查找出现错误的估计值，依次剔除k_ii，计算剩余样本的方差若出现则将剩余样本作为最终的样本，如果始终大于则选取最小对应的样本值，再次进行剔除，重复之前的计算，直至方差小于

（Ⅳ）经过上述计算后，得到宽度为w_i的裂缝估计的偏差值的最终样本集 计算该样本的平均值 ${\stackrel{\‾}{c}}_d^i=\frac{c_{d1}^{i2}+c_{d2}^{i2}+...+c_{\mathrm{dm}}^{i2}}{n}.$ 由此得到判断值 ${\stackrel{\‾}{w}}_{i=}$ $w_i+{\stackrel{\‾}{c}}_d^i,$ 与相对应。

（Ⅴ）随着时间的变化，隧道中裂缝的宽度也会有所改变，所以在对估计值进行修正时需要考虑到宽度的变化。

定时对选取的裂缝再次进行测量，得到一组新的样本集，按照之前的处理方式，得到新的和由于人工实地测量同样存在着误差，所以需要利用多次的测量结果得到一个准确的数据，作为最终的判定值和修订值：

${\stackrel{\‾}{w}}_f^i=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\stackrel{\‾}{w}}_{\mathrm{ij}}*{\log }_2\frac{j}{n+1}}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\log }_2\frac{j}{n+1}}$

其中为最终的判定值，表示宽度为w_i的裂缝的第j次测量的判定值，n表示宽度为w_i的裂缝的样本集中样本总数。

由于时间的不同，裂缝会出现变化，所以对每次的判定值都添加了相应的权重，时间越久的数据所占的权重就越小，最近的数据所占的权重越大。第j次的数据权重用来表示，随着j的增大，权重也相应的增大。

同理可以得到最终的修订值：

${\stackrel{\‾}{c}}_{\mathrm{df}}^i=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\stackrel{\‾}{c}}_{\mathrm{dj}}^i*{\log }_2\frac{j}{n+1}}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\log }_2\frac{j}{n+1}}$

如果发生地震等不可抗因素对隧道造成的特大影响，之前的数据也就没有参考的意义，需要将之前的数据删除，重新进行测量。

（Ⅵ）根据所得到的和来对估计值进行修订，设估计值为c，找到与c最相近的判定值由于机器识别算法的特点，估计值要小于测量值，所以得到裂缝最终的宽度为：

${\stackrel{\‾}{w}}_f^i=c-{\stackrel{\‾}{c}}_{\mathrm{df}}^i$

通过此校正方法，我们就能保证估计值不会严重偏离实际值，进而保证了测量的精度。

参考文献：

[1]

刘晓瑞，谢雄耀.基于图像处理的隧道表面裂缝快速检测技术研究[J].地下空间与工程学报，2009,5(2)：1624-1628.

[2]孙波成，邱延峻．路面裂缝图像处理算法研究[J]．公路交通科技，2008，25(2)：64-68．

[3]

尹兰．基于数字图像处理技术的混凝土表面裂缝特征测量和分析[D]．南京：东南大学，2006．

[4]HaiyingBai,NorikoYata,TomoharuNagaoetal.AutomaticFindingofOptimalImageProcessingforExtractingConcreteImageCracksUsingFeaturesACTIT[J].IEEJTransactionsonElectricalandElectronicEngineering,2012,7(3):308-315.

[5]Giakoumis,I.,Nikolaidis,N.,Pitas,I.etal.Digitalimageprocessingtechniquesforthedetectionandremovalofcracksindigitizedpaintings[J].IEEETransactionsonImageProcessing,2006,15(1):178-188.

[6]Rossip．Newmethodfordetectingcracksinconcreteusingfiberoptics[J]．Materialandstructures,1989,22(13)：437-442

[7]斯蒂格（Steger,C.）尤里奇（Ulrich,M.）威德曼(Wiedemann,C.）.

机器视觉算法与应用.[M].2008年11月第1版.北京:清华大学出版社,2008.

[8]（美）桑卡.图像处理、分析与机器视觉.[M].2011年11月第3版.北京：清华大学出版社,2011。

Claims (3)

1.一种地铁隧道裂缝宽度检测及校正算法，其特征在于，包括依次进行的三个阶段：数据采集阶段、数据处理阶段、数据校正阶段；通过挖掘历史数据变化规律来估计裂缝最佳值，并且进一步通过一种校验机制来对估计结果进行修正，以确保对裂缝宽度估计的精确性；

在所述数据采集阶段中的图像获取技术为采用图像采集设备，在车辆移动时逐行扫描地铁隧道表面，得到隧道表面图像；通过图像处理技术计算裂缝宽度，对裂缝进行识别、定位并且要对每条裂缝的宽度信息进行记录，建立裂缝数据库；

在所述数据处理阶段中，根据裂缝数据库中的历史数据和上述步骤获得的最新裂纹数据，挖掘裂缝变化规律，考虑到环境复杂各种噪声的影响，利用裂缝宽度估计算法，通过裂缝宽度的预测步以及随后的更新步，再通过迭代步骤，来实时获得裂缝宽度的最佳估计值；其中，所述的裂缝宽度预测步包括裂缝宽度预测以及裂缝宽度协方差预测；所述的更新步同样包括对裂缝宽度及裂缝宽度协方差的更新；

所述的数据校正阶段中，样本库中各个裂缝宽度的人工实际测量值分别为{C_m1，C_m2，C_m3，C_m4，C_m5......}，所述的估计值修正具体步骤为：

(Ⅰ)对选取的每一个裂缝进行裂缝宽度的估计，得到对应的估计值{C_e1，C_e2，C_e3，C_e4，C_e5......}；

(Ⅱ)计算每条裂缝的估计值与测量值的偏差，得到偏差集{C_d1，C_d2，C_d3，C_d4，C_d5......}，其中C_di＝C_ei-C_mi；

(Ⅲ)根据裂缝宽度的不同进行分类处理：宽度为W_i的裂缝的估计的偏差值为若说明样本波动小，同一宽度的裂缝估计值偏差小；若说明此裂缝的估计值波动较大，有些裂缝在机器识别时出现了错误，需要剔除；查找出现错误的估计值，依次剔除k_ii，计算剩余样本的方差若出现则将剩余样本作为最终的样本，如果始终大于则选取最小对应的样本值，再次进行剔除；重复之前的计算，直至方差小于

(Ⅳ)经过上述计算后，得到宽度为W_i的裂缝估计的偏差值的最终样本集计算该样本的平均值由此得到判断值 与相对应；

(Ⅴ)随着时间的变化，隧道中裂缝的宽度也会有所改变，定时对选取的裂缝再次进行测量，得到一组新的样本集，按照之前的处理方式，得到新的和需要再利用多次的测量结果得到一个准确的数据，作为最终的判定值和修订值

$\stackrel{\‾}{w_f^i}=\frac{{\mathrm{\Σ}}_{j=1}^n\stackrel{\‾}{w_{ij}}*{\log }_2\frac{j}{n+1}}{{\mathrm{\Σ}}_{j=1}^n{\log }_2\frac{j}{n+1}};$

其中为最终的判定值，表示宽度为W_i的裂缝的第j次测量的判定值，n表示宽度为W_i的裂缝的样本集中样本总数；

由于时间的不同，裂缝会出现变化，所以对每次的判定值都添加了相应的权重，时间越久的数据所占的权重就越小，最近的数据所占的权重越大，第j次的数据权重用来表示，随着j的增大，权重也相应的增大；

同理可以得到最终的修订值：

$\stackrel{\‾}{c_{df}^i}=\frac{{\mathrm{\Σ}}_{j=1}^n\stackrel{\‾}{c_{d_J}^i}*{\log }_2\frac{j}{n+1}}{{\mathrm{\Σ}}_{j=1}^n{\log }_2\frac{j}{n+1}};$

(Ⅵ)根据所得到的和来对估计值进行修订，设估计值为C，找到与C最相近的判定值得到裂缝最终的宽度为：

2.根据权利要求1所述的地铁隧道裂缝宽度检测及校正算法，其特征在于，数据校正阶段中，建立样本的裂缝数据库，从裂缝数据库中选取不同宽度的裂缝，引入人工实地测量的裂缝数据，通过测量值与估计值的比较，同时参考历史数据的变化，得到对整个裂缝数据库校正的方法，进行估计值修正，从而得到更准确的裂缝宽度。

3.根据权利要求1所述的地铁隧道裂缝宽度检测及校正算法，其特征在于，

所述的裂缝宽度预测步中的裂缝宽度预测是：通过k-1时刻裂缝最佳估计宽度c(k-1|k-1)预测k时刻宽度，得到c(k|k-1)＝c(k-1|k-1)；其中，c(k-1|k-1)为k-1时刻裂缝宽度，c(k|k-1)为通过k-1时刻的裂缝宽度、历史知识得到的对k时刻裂缝宽度的预测结果；

所述的裂缝宽度预测步中的裂缝宽度协方差预测是：通过k-1时刻裂缝宽度估计的协方差P(k-1|k-1)预测k时刻宽度估计的协方差P(k|k-1)，P(k|k-1)＝P(k-1|k-1)+Q(k)；其中P(k-1|k-1)为k-1时刻裂缝宽度协方差，P(k|k-1)为通过k-1时刻裂缝宽度协方差、历史知识及Q(k)得到的对裂缝协方差在k时刻的预测值；其中，基础设施周围环境对裂缝产生的失真影响，通常为均值为零，方差为Q(k)的随机变量，Q(k)为一正数；

所述的更新步中对裂缝宽度的更新是：通过宽度预测结果及协方差信息更新宽度预测结果c(k|k)＝c(k|k-1)+K(k)v(k)；其中，K(k)＝P(x|x-1)/S(k)，S(k)＝P(k|k-1)+R(k)；由于图像处理的不精确性，产生的误差为一随机变量，其均值为零，方差为R(k)，R(k)为一正数，v(k)为新息；

所述的对裂缝宽度协方差的更新是：裂缝协方差更新，通过预测得到的协方差及新息，更新协方差P(k|k)＝P(k|k-1)+S(k)；其中，c(k|k)为裂缝现在宽度的最佳估计；

所述的迭代是：经过预测和更新，该算法完成了一轮的迭代过程，通过k-1时刻的数据及k时刻测量值，得到了k时刻裂缝的最佳估计值c(k|k)，并通过更新得到了P(k|k)，以此为基础，再加上在k+1时刻裂缝宽度的测量值，进行下一轮迭代来估计k+1时刻的裂缝宽度；往复循环这个过程，不断地得到最新时刻的裂缝宽度最佳估计。