CN110268190B - 一种基于静态红外热像图处理的地下管廊渗漏检测方法 - Google Patents

Abstract

一种基于静态红外热图像处理的地下管廊渗漏检测方法，其属于图像深度处理和渗漏检测技术领域。通过引入红外热图像可以获取地下管廊内部环境的灰度信息和温度信息，灰度信息可以实现管廊内部管道线路状态识别的常规目标，而利用温度信息可以进行管道渗漏的检测以及后期检修维护提供参考。

Description

一种基于静态红外热像图处理的地下管廊渗漏检测方法

技术领域

本发明属于图像深度处理和渗漏检测技术领域，具体涉及一种基于红外热像图处理的地下管廊渗漏检测方法。通过引入红外热图像可以获取地下管廊内部环境的灰度信息和温度信息，灰度信息可以实现管廊内部管道线路状态识别的常规目标，而利用温度信息可以进行管道渗漏的检测以及为后期检修维护提供参考，主要通过实验和结合机器学习的技术建立起管道渗漏的判别模型。

背景技术

近年来，我国地下综合管廊空间建设迅速发展，其管理和养护问题也愈发凸显，其中渗漏检测就成为相关管养部门的工作重点之一。传统的现场式排查的检测效率取决于管道的尺寸，材料和深度，检测过程需要手动干预，检测条件依赖于天气、管道表面状态以及水压等条件。用于规模式检测渗漏的现有技术仍以闭路电视监控技术为主，效率低下且需要人工排查，时间和人力成本较高。得益于数字图像处理技术的飞速发展，地下管廊智能检测手段也越来越多样化。最新最有效的方法是光纤技术，无线网络传感器检测技术，超声导波技术，管道内微渗漏检测技术和热成像技术。

现有技术:CN206573258U；CN101070947A；CN102155628A。

术语解释:

发育程度：发明中所提及的发育程度表征管道渗漏裂缝对管道的已有损害程度以及近期发生损害的严重程度，它涵盖了传统的裂缝严重程度分级，与裂缝的长度、宽度和面积等等可能会使裂缝损害严重程度加剧的因素有关，囊括了这些因素，表征了裂缝从开始出现到现在的发展水平。

支持向量机：支持向量机(SVM)是90年代中期发展起来的基于统计学习理论的一种机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。在机器学习中，支持向量机(SVM，还支持矢量网络)是与相关的学习算法有关的监督学习模型，可以分析数据，识别模式，用于分类和回归分析。给定一组训练样本，每个标记为属于两类，一个SVM训练算法建立了一个模型，分配新的实例为一类或其他类，使其成为非概率二元线性分类。通俗来讲，它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，即支持向量机的学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。

分类函数：通过支持向量机将温差数据按照裂缝发育程度进行线性分类，发育程度分为1、2、3三个等级，3最严重，那么1、2之间和2、3之间就会有一直线作为分界线，此直线表达式即为分类函数。

裂缝区：管道某区域，该区域不仅包括裂缝区域本身，还包括其周围一定范围内的管道区域，包括管道区域范围满足图像处理和裂缝识别的要求。

参照温差数据：将实测环境温度带入裂缝发育程度检测模型两个分类函数后得到的温差数据。

实测温差数据：对采集到的裂缝区红外图像进行图像处理后得到的该裂缝区内裂缝区域和管道表面区域的温差数据。

失真度：本发明中数据失真度的含义是数据产生不合理值后，该不合理值距离合理的偏差。

发育程度等级：1、2或3中的一个数，其大小反映了裂缝的发育程度，数字越大，裂缝发育程度越严重。

发育程度指数：介于0-3之间，包括0和3的一个数，其大小反映了裂缝的发育程度，数字越大，裂缝发育程度越严重。说明中采用字母m表示。

渗漏严重程度指数：本发明中渗漏严重程度指数的含义是指管道裂缝在长度、宽度和面积三个维度上的严重程度的平均。取值范围在[0-9.9]之间，保留1位小数，其大小反映了渗漏的严重程度，数字越大，渗漏程度越严重。

发明内容

本发明的目的在于，提供一种基于红外热像图处理的地下管廊渗漏检测方法。通过测温型红外热像仪拍摄管廊内部空间，获取管道渗漏处附近的红外热像图，建立起渗漏裂缝与管道未渗漏处和渗漏处温差的关系模型，再通过结合机器学习的计算机视觉技术建立起管道渗漏的判别模型。实验原理参照PCT/IB2016/058109。附图1为利用红外热像图识别管廊内部空间渗漏的技术路线。

普通图像只能获得地下管廊环境空间，管道线路和渗漏裂缝的灰度信息，灰度信息可以实现管廊内部管道线路状态识别的常规目标，普通图像难以较好识别渗漏裂缝的原因是因为管道表面材质具有颗粒性，灰度的杂乱往往会影响裂缝区域的识别。我们通常通过识别裂缝的宽度来识别渗漏裂缝，而裂缝的宽度是通过识别裂缝区域短边的像素点个数，并结合摄像机机位拍摄裂缝时的高度来确定。然而，通过裂缝像素点宽度的识别来得到裂缝宽度进而确定裂缝严重程度的检测方法很不可靠，因为几毫米的的裂缝宽度在图像中可能就只有几个像素点，在经过降噪等图像处理后结果更不稳定，所以，只由普通图像获取的裂缝的灰度信息进行裂缝判别是很困难的。

红外温度测量技术是利用红外光学系统将待测目标的红外热图像成在红外焦平面探测器上，经过处理后得到待测目标的红外图像，然后根据图像的灰度值及定标数据、相关参数对物体的温度场分布进行分析。基于全场分析的温度测量技术可以对大面积的区域进行测温，可以同时得到一个物体多区域的温度和多个物体的温度，对分析物体的状态具有重要的意义，因此成为了近些年研究的热点。由红外热像仪获取的红外热图像，不仅可以获取管廊内部空间和裂缝的灰度信息还可以得到他们的温度信息，如附图2，为管廊内部空间和裂缝的灰度信息和温度信息。利用温度信息可以进行管道渗漏的检测以及为后期检修维护提供参考，主要通过实验和结合机器学习的计算机视觉技术建立起管道渗漏的判别模型。

使用红外热像仪检测渗漏时，本发明主要解决以下三个问题：

(1)地下管廊空间较为阴暗潮湿，利用传统方式检测内部管道的渗漏问题，会由于光线昏暗、温度较低等因素受到多种限制，导致误差较大，甚至无法被检测到。所以，本发明通过红外热图像清晰地发觉渗漏区域与管廊环境的明显区别，可以有效识别渗漏点，并且利用图像处理技术可以显示渗漏破坏的大小等参数。

(2)地下综合管廊内的渗漏主要分为小型裂缝破坏引起的渗漏、局部区域损坏引起的渗漏和管道接口松动引起的渗漏。以上三种情况，渗漏点的特征是有区别的，所以红外热像仪拍摄得到的图像就会呈现出不同特征。所以，本发明需要设定科学的红外数据信息筛选标准来区别不同种类的渗漏情况，从而保证检测结果的适用性，为日后根据具体分类进行定向的检修提供可能。

(3)成功识别地下综合管廊内的渗漏破坏后，需要及时地提取该渗漏点的位置信息，并将其反馈给检修维护相关部门，方便对管廊内危险渗漏点的即时修复。本发明给出一个准确高效的定位技术，通过对兴趣域图形和模板图形的筛选匹配，实现渗漏点的定位。

由前文所述，裂缝发育程度越严重，管道表面以下温度就会越多的体现出来，而管道表面以下的温度与其表面温度是有差距的，故裂缝发育程度越严重，其在相同条件下所表现出来与管道表面温度的差异性就会越大。因此，本发明目的就是通过在一定条件下管道表面与裂缝的温度差异来体现裂缝的发育程度，它们的对应关系就是检测模型。故为解决上述问题，本发明采用的技术方案包括：

基于红外热成像的渗漏分析模型的基础是温度场信息测量功能，该功能依赖红外图像温度场识别算法，可实现对采集设备采集到的红外图像或者保存在计算机上的红外图像数据进行分析，根据图像上各像素点的灰度值按照一定的数学模型计算出对应的温度值，并以设置的测温方式进行测温。测温方式有点测温、区域测温两种，点测温是对单个像素点进行测温，区域测温是对一块区域的平均值进行测温。因此可根据图像数据实现目标场景温度全局、局部区域和点的测量。

同时，由于水和水管材料的比热容不同，当管道发生漏水，会导致渗漏点附近区域产生温度差异，红外热像仪可以可视化地检测到渗漏点管道上方的表面的温度差异，并且根据上述温度测量方式实现温度差异的感知。

由管道表面温度滞后性和积累性的特点，管道表面和内部的温度会不同，因此管道内部的介质材料会通过裂缝或其他破损区域与管道表面和环境空气发生热交换，而管道表面和裂缝处也会有温度差。管道裂缝长度和宽度越大，管内介质和管道表面的材料空气热交换就会越剧烈，温差就会越大。裂缝的长度和宽度越大，将来的水损害也会更容易发生，渗漏也通过严重程度指数反映其程度。所以，裂缝越严重，管道表面与裂缝的温差就会越大，而我们可以利用热像仪来检测温差，进而检测渗漏的严重程度。

通过研究发现，照度会影响管道表面的温度，但是此因素会同时影响管道表面和裂缝温度，对于他们的温度差异影响不大，只会对管道表面和环境温度差异产生较大的影响，如附图3所示。其他条件相同的情况下，气温越高，裂缝与管道表面的温差越大。而我们需要通过温差来反映裂缝的发育严重程度，因此需要确定严重程度指数就需要有确定的温度差标准，因此，需要对不同气温下的裂缝与管道表面温度差进行修正。

渗漏的严重程度，可以有多种衡量方式，本发明分别从长度、宽度、面积三个角度加以描述，定义G为渗漏严重程度指数。

其中，G₁为裂缝长度维度上的严重程度指数；l为裂缝的长度,单位为像素点数；D为管道的外直径，单位为mm；r₁为相机的每个像素在长度上的分辨率，单位为mm/像素点。

其中，G₂为裂缝宽度维度上的严重程度指数；S为裂缝的面积,单位为像素点数；l为裂缝的长度,单位为像素点数；r₂为相机的每个像素在宽度上的分辨率，单位为mm/像素点。

其中，G₃为裂缝面积维度上的严重程度指数；S为裂缝的面积,单位为像素点数；l为裂缝的长度,单位为像素点数；r₁，r₂同上,D为管道的外直径，单位为mm。

G为裂缝的严重程度指数，结果保留1位小数。

在发布层次，将管道渗漏的严重程度指数分成了以下轻、中和重三个程度等级：

轻度：G＝[0-2.9]；

中等：G＝[3-6.9]；

严重：G＝[7-9.9]。

常规的严重程度指数在[0-9.9]之间，但是不排除特别严重的裂缝导致该指数达到10及以上的情况，此时取G＝9.9。环境升温与温差关系图如附图4所示。

渗漏的严重程度主要衡量依据是它对管道已经造成的危害即近期的潜在损害，其严重程度的根本不仅与裂缝的宽度、长度和面积有关，还应该与裂缝的深度有关，深度越大其对管道所造成的损害就越大，进一步引发水损害的可能性也越大，同时，裂缝周围材料的腐蚀情况也是影响裂缝严重程度的因素之一，因此，渗漏严重程度需要我们综合考虑。在现有技术中，图像分析已经可以探测裂缝的长度、宽度和面积，通过激光雷达可以检测裂缝的深度，肉眼观察可以估计裂缝周围材料的腐蚀情况，但是如何准确而简单的反映出裂缝的发育程度，是工程中所亟待解决的问题。

图像获取:

获取稳定的、足够质量的红外图像是进行后续处理的基础。

非制冷焦平面测温型红外热像仪是利用红外探测器和光学成像物镜接受被测目标的红外辐射能量分布图形反映到红外探测器的光敏元件上，从而获得红外热像图，这种热像图与物体表面的热分布场相对应。通俗地讲红外热像仪就是将物体发出的不可见红外能量转变为可见的热图像。热图像的上面的不同颜色代表被测物体的不同温度。发明现在主流红外成像装置——非制冷焦平面测温型红外热像仪。

利用红外热像仪采集裂缝区时，设备距离管道表面的高度为0.5-1m，具体地高度可采用0.5m、0.6m、0.7m、0.8m、0.9m、1.0m，要求拍摄到能够满足后续图像处理进行裂缝识别的要求即可。使用热像仪拍摄图像分辨率至少为384×288；在温度为30℃时，热灵敏度至少保证在0.06℃；拍摄帧频至少为50Hz，用于采集实验水管在环境温度下的红外图像。DM60-S型在线式红外热像仪的主要成像参数，其采集到的红外图像可以达到分辨率要求，可作为获取红外图像设备的参考。

同理，普通图像采集设备与红外热像仪构成双目摄像机，要求两者拍摄图片的视角保持一致，同一时刻所采集的普通图像与红外图像具有最高的可重复性，数据采集端设计为全区域图像采集。

红外热像仪可采用固定摄像机进行拍摄。由于固定设备检测，则因为渗漏发生的特点，其数据具有不可逆性、连续性以及趋势性。

其中不可逆性指针对红外热像仪采集到的可疑渗漏点的图片数据，若前一时刻有渗漏裂缝存在，则下一时刻应当也存在。

其中连续性指，因为渗漏裂缝扩散的速度较为缓慢，通常以1小时为检测周期，后一时刻的渗漏裂缝的参数应当只在前一时刻的渗漏裂缝的参数基础上发生微小改变。表现在红外图像上，红外图像的颜色和可能渗漏裂缝的尺寸参数变化曲线应当是平滑的，变化极小的。

其中趋势性指，由于渗漏裂缝发生具有不可逆性，故后一时刻的裂缝一定会大于等于前一时刻的严重程度。表现在红外图像上，红外图像的颜色会不变或加深，同时可能渗漏裂缝的尺寸参数会不变或变大。

管廊内敷设测温光纤传感器，通过测温光纤传感器将检测结果传输给分布式光纤温度传感主机，传感主机对采集信号实时分析处理，实现对供热管道的监测工作。同时，分布式或机器人巡检式的红外测温传感系统，实时对管廊环境内的温度场进行监测，辅助以管廊内各区域配置的摄像机、传感器等传感设备，通过传输链路将信息经分控中心处理后汇集到监控中心。其中，光纤传感器的温度异常检测数据，作为红外测温传感系统检测的对照，二者结果的取舍与修正如下：

(1)当二者结果相同时，认为检测正确；

(2)当二者结果不同时，若光纤传感器结果显示发生渗漏，而红外测温传感系统显示未发生渗漏，认为发生渗漏；若相反，则认为没发生渗漏。

(3)当某一仪器没有反馈数据时，取另一台数据的结果；

(4)当二者均没有反馈数据时，认为系统出现故障，及时检修。

其中，红外热成像图像采集系统由DM60-S型号的红外热像仪和JVS-C300Q型号的数据采集卡组成，红外热像仪用以拍摄监测区域的红外图像，采集卡辅助采集热成像图片存储于计算机硬盘内，方便随时的调用和处理。同时，辅助以巡检机器人，并且安装360摄像头设备，机上配备有WIFI设备，实现数据信息的实时传输，随时可以实现定期快速准确的渗漏巡检。

图像处理:

在实际应用中，由于各种环境干扰将严重影响裂缝图像质量，对后期的裂缝检测造成困难。所以图像的预处理是很有必要的，通过预处理可以把图像中的一些冗余信息去掉，突出我们感兴趣的目标，从而达到减少图像信息量和改善图像质量的目的。为此，需要对拍摄的图像进行预处理，主要包括图像灰度化、降噪、边缘检测或者阈值分割、开闭运算、区域分割、裂缝几何信息识别几大步骤。

采集到的渗漏裂缝红外图像是包含有亮度和色彩信息等的彩色图像。需要对裂缝图像灰度化，即将原来采集到的彩色图像转换为灰度图像，将图像中的色彩信息去掉。彩色图像中的每个像素的颜色有R、G、B三个分量决定，一个像素点可以有1600多万(255*255*255)的颜色的变化范围。而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像，其一个像素点的变化范围为255种，所以在数字图像处理中一般先将各种格式的图像转变成灰度图像以减少后续的图像计算量。灰度图像的描述与彩色图像一样仍然反映了整幅图像的整体和局部的色度和亮度等级的分布和特征。图像的灰度化处理可用两种方法来实现。

第一种方法使求出每个像素点的R、G、B三个分量的平均值，然后将这个平均值赋予给这个像素的三个分量。

第二种方法是根据YUV的颜色空间中，Y的分量的物理意义是点的亮度，由该值反映亮度等级，根据RGB和YUV颜色空间的变化关系可建立亮度Y与R、G、B三个颜色分量的对应：Y＝0.3R+0.59G+0.11B，以这个亮度值表达图像的灰度值。

传统基于普通图像的方法采集到得渗漏裂缝图像的亮度是不均匀的，图像中裂缝部分和背景部分的灰度值有较大的差异，这种比较大的差异会给后续处理带来一定的困难，比如图像分割中阈值的选取等。而本发明在利用普通图像进行裂缝识别的同时引入红外图像进行处理，其图像只会因为温度的不同造成差异，在前文所述实验环境下采集图像基本不会有温度差，因此，本发明不需要考虑灰度不均匀所造成的的影响。

图像降噪适用于普通图像和红外图像，现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响，称为含噪图像或噪声图像。减少数字图像中噪声的过程称为图像降噪,有时候又称为图像去噪。噪声是图像干扰的重要原因。一幅图像在实际应用中可能存在各种各样的噪声,这些噪声可能在传输中产生,也可能在量化等处理中产生。根据噪声和信号的关系可将其分为三种形式:(f(x,y)表示给定原始图像,g(x,y)表示图像信号,n(x,y)表示噪声。

(1)加性噪声,此类噪声与输入图像信号无关,含噪图像可表示为f(x,y)＝g(x,y)+n(x,y),信道噪声及光导摄像管的摄像机扫描图像时产生的噪声就属这类噪声；

(2)乘性噪声,此类噪声与图像信号有关,含噪图像可表示为f(x,y)＝g(x,y)+n(x,y)g(x,y),飞点扫描器扫描图像时的噪声,电视图像中的相干噪声,胶片中的颗粒噪声就属于此类噪声。

(3)量化噪声,此类噪声与输入图像信号无关,是量化过程存在量化误差,再反映到接收端而产生。

噪声一般在理论上可定义为不可预测的，只能用概率统计方法来认识的随机误差。因此可以将图像中的噪声看成多维随机过程是比较恰当的，可以借助随机过程来描述噪声，即用概率分布函数和概率密度分布函数去表示，使用现在已有较成熟的降噪算法即可，图像降噪的方法主要有以下几类：

(1)均值滤波器

采用邻域平均法的均值滤波器非常适用于去除通过扫描得到的图象中的颗粒噪声。领域平均法有力地抑制了噪声,同时也由于平均而引起了模糊现象,模糊程度与邻域半径成正比。几何均值滤波器所达到的平滑度可以与算术均值滤波器相比,但在滤波过程中会丢失更少的图象细节。谐波均值滤波器对“盐”噪声效果更好,但是不适用于“胡椒”噪声。它善于处理像高斯噪声那样的其他噪声。逆谐波均值滤波器更适合于处理脉冲噪声,但它有个缺点,就是必须要知道噪声是暗噪声还是亮噪声,以便于选择合适的滤波器阶数符号,如果阶数的符号选择错了可能会引起灾难性的后果。

(2)自适应维纳滤波器

它能根据图象的局部方差来调整滤波器的输出,局部方差越大,滤波器的平滑作用越强。它的最终目标是使恢复图像f^(x,y)与原始图像f(x,y)的均方误差e2＝E[(f(x,y)-f^(x,y)2]最小。该方法的滤波效果比均值滤波器效果要好,对保留图像的边缘和其他高频部分很有用,不过计算量较大。维纳滤波器对具有白噪声的图象滤波效果最佳。

(3)中值滤波器

它是一种常用的非线性平滑滤波器,其基本原理是把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代换其主要功能是让周围象素灰度值的差比较大的像素改取与周围的像素值接近的值,从而可以消除孤立的噪声点,所以中值滤波对于滤除图像的椒盐噪声非常有效。中值滤波器可以做到既去除噪声又能保护图像的边缘,从而获得较满意的复原效果,而且,在实际运算过程中不需要图象的统计特性,这也带来不少方便,但对一些细节多,特别是点、线、尖顶细节较多的图象不宜采用中值滤波的方法。

(4)形态学噪声滤除器

将开启和闭合结合起来可用来滤除噪声,首先对有噪声图象进行开启操作,可选择结构要素矩阵比噪声的尺寸大,因而开启的结果是将背景上的噪声去除。最后是对前一步得到的图象进行闭合操作,将图象上的噪声去掉。根据此方法的特点可以知道,此方法适用的图像类型是图象中的对象尺寸都比较大,且没有细小的细节,对这种类型的图像除噪的效果会比较好。

(5)小波去噪

这种方法保留了大部分包含信号的小波系数,因此可以较好地保持图象细节。小波分析进行图像去噪主要有3个步骤:对图象信号进行小波分解；对经过层次分解后的高频系数进行阈值量化；利用二维小波重构图象信号。

边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。这些包括(i)深度上的不连续、(ii)表面方向不连续、(iii)物质属性变化和(iv)场景照明变化。边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域。

有许多用于边缘检测的方法,他们大致可分为两类：基于搜索和基于零交叉。基于搜索的边缘检测方法首先计算边缘强度，通常用一阶导数表示，例如梯度模，然后，用计算估计边缘的局部方向，通常采用梯度的方向，并利用此方向找到局部梯度模的最大值。基于零交叉的方法找到由图像得到的二阶导数的零交叉点来定位边缘。通常用拉普拉斯算子或非线性微分方程的零交叉点。滤波作为边缘检测的预处理通常是必要的，通常采用高斯滤波。已发表的边缘检测方法应用计算边界强度的度量，这与平滑滤波有本质的不同。正如许多边缘检测方法依赖于图像梯度的计算，他们用不同种类的滤波器来估计x-方向和y-方向的梯度。常用的边缘检测模板有Laplacian算子、Roberts算子、Sobel算子、log(Laplacian-Gauss)算子、Kirsch算子和Prewitt算子等。

其次，利用红外热像图，结合阈值分割提取温度差异点。漏点和周围区域之间的温度差是灰度中反映的RGB值之间的差异。因此，当设置适当的阈值时，可以提取温度差异点。

渗漏裂缝图像中需要识别的裂缝目标和背景相比较，信息量比较少，而且在图片的采集和传输过程中，由于很多因素的干扰也会使得图像的清晰度和对比度有所降低。所以在对图像进行滤波去噪之后，还要对图形进一步增强，使得我们感兴趣的裂缝目标更加突出，为后面的分割识别算法提供基础。

图像阈值分割是一种广泛应用的分割技术，利用图像中要提取的目标区域与其背景在灰度特性上的差异，把图像看作具有不同灰度级的两类区域(目标区域和背景区域)的组合，选取一个比较合理的阈值，以确定图像中每个像素点应该属于目标区域还是背景区域，从而产生相应的二值图像。本发明此步骤目的就是要找出裂缝区域和非裂缝区域。阈值分割法的特点是：适用于目标与背景灰度有较强对比的情况，重要的是背景或物体的灰度比较单一，而且总可以得到封闭且连通区域的边界。无论是在灰度图像还是红外图像中，裂缝与管道的灰度或色彩都具有较明显的差异性，适合使用图像阈值分割算法。阈值分割的优点是计算简单、运算效率较高、速度快。在重视运算效率的应用场合(如用于硬件实现)。

图像阈值分割算法的过程可以用附图5来表示，先建立一个模型，用这个模型的特征去表征原有的信号，在图像阈值分割领域，这个模型可以是一维直方图、二维直方图等，模型的合理与否直接关系到后续处理的结果，考虑的信息越多，计算量也就越大，如基于二维直方图的图像分割方法的计算量就比基于一维直方图的分割方法要大很多。阈值分割的第二步是确定求取阈值的准则，在模型一定的情况下，求取阈值的准则决定了最终的分割阈值，求取阈值的准则有很多，如最大熵法，最大类间方差法等。阈值分割的第三步是求取分割阈值，在阈值分割第一步建立的模型不复杂的情况下，用穷举法可以取得好的效果；如果第一步建立的模型的较为复杂，用穷举法耗时大，不利于实际应用，这个时候可以考虑用群智能算法求取阈值，如粒子群算法求阈值。

根据图像需要分类的多少，图像阈值分割法可以分为单阈值分割法和多阈值分割法，如果一幅图像只有目标和背景两类，一个阈值就可以将目标和背景分开，这种方法叫做单阈值分割法，如果图像需要分为多个类，即图像中有多个不同的区域，则需要多个阈值才能将他们分开，这叫做多阈值分割方法。设原始图像为f(x，y)，分割后的结果为g(x，y)，T为求取的分割阈值，单阈值分割方法可以定义为

在多阈值分割方法中，设原始图像为f(x，y)，分割后的结果为g(x，y)，T₀,T₁....T_k为一系列分割阈值，多阈值分割方法可以定义为

g(x,y)＝k,当T_k＜f(x,y)≤T_k+1,k＝0,1,2n. (6)

上式中，k为分割后图像中各个不同区域的标号。提取温度差异点的准确率如表1。

表1图像阈值分割法提取温度差异点的准确率

边缘提取与图像分割:

之后，运用边缘提取的手段，将裂缝准确提取，并进行分类和定位。

传统基于图像分析的裂缝识别技术仅关注裂缝本身，需要检测出裂缝的有无、位置和几何形态等因素，裂缝与管道之间的过渡区域基本不作考虑。发明主要是要获取管道区域和裂缝区域的温度差，是需要关注裂缝和管道两个区域的，因此可以考虑过渡区域的影响，通过图像分割获取裂缝和管道区域后，需要对两个区域边界过渡区域进行删减，因为管道温度到裂缝温度是渐变的，裂缝和管道的过渡区温度介于裂缝中心温度和管道温度之间，过渡区对于管道温度的获取就是干扰区，如附图6所示，可以采取下列措施对干扰区进行排除。

对于管道区域，过渡干扰区相对管道区域面积而言很小，因此在进行排除的时候可以采取固定的宽度进行管道区域的删减，此处的宽度可以设定为w宽(0.5mm<w<2.5mm)，实际还可以采取基于裂缝区域最大宽度比值的方法，即检测出裂缝区域后，将裂缝区域上下各增加一倍宽度后，剩下的区域定为无干扰区的管道区域，假设图像分割出来的管道表面区域宽度为D₀，最终采取确定的宽度为D，则有以下公式(7)，此方法可以较好的排除过渡干扰区的影响。

D＝D₀-2d₀ (7)

对于裂缝区域，因为其宽度较小，因此过渡干扰区的排除需要更细致，可以采用基于裂缝区域宽度比例的方法来进行排除，对图像分割的裂缝区域需要进行瘦身，假设裂缝的宽度为d₁，图像分割出来的裂缝区域宽度为d₀，则满足以下条件如式(8)所示：

d₁＝d₀-2αd₀ (8)

α为为了排除过渡干扰区而对裂缝宽度上下部分分别删减的比例，0.1≤α≤0.2.

过渡干扰区范围确定后，如何具体对其进行删除可以参考以下：对于管道区域，相当于将图像分割边界沿着分割边界径向往管道区域方向移动d₀距离得到新的管道区域边界，对于裂缝区域，相当于将图像分割边界沿着分割边界径向往裂缝区域方向移动αd₀距离，得到新的裂缝区域边界。

在数字图像中，边缘是图像局部强度变化的主要部分，主要是在目标和背景之间。通过检测边缘，大大减少了要处理的图像信息，保留了图像中物体的形状信息。边缘检测是使用模板对图像进行矩阵卷积运算。卷积运算是使用的图像区域中的每个像素乘以模板的每个元素(权重矩阵)，并且所有乘积之和是该区域的新的中心像素值。

卷积矩阵

新的中心像素值可表示为，

R₅(centerpixel)＝R₁G₁+R₂G₂+R₃G₃+R₄G₄+R₅G₅+R₆G₆+R₇G₇+R₈G₈+R₉G₉,

之后，在数字图像检测方法中使用由梯度和差分原理组成的sobel算子。它是一个加权平均算子，通过加权到中心点突出显示边缘。同时，利用阈值可调的图像分割算法对裂缝和背景进行区分，将灰度值较低的裂缝区域和杂质转化为黑色，将灰度值较高的背景转换为白色。此外，引入面积阈值和面积-周长分形定律去除杂质等非裂纹区域，仅使裂纹面积达到最大。

开闭运算，首先需要了解腐蚀和膨胀，腐蚀：是一种消除边界点，使边界向内部收缩的过程。可以用来消除小且无意义的物体；膨胀：是将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程。可以用来填补物体中的空洞。开运算：先腐蚀后膨胀的过程开运算。用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积。开运算通常是在需要去除小颗粒噪声，以及断开目标物之间粘连时使用。其主要作用与腐蚀相似，与腐蚀操作相比，具有可以基本保持目标原有大小不变的优点。闭运算：先膨胀后腐蚀的过程称为闭运算。用来填充物体内细小空洞、连接邻近物体、平滑其边界的同时并不明显改变其面积。

虽然腐蚀处理可以将粘连的目标物进行分离，膨胀处理可以将断开的目标物进行接续，但同时都存在一个问题，就是经过腐蚀处理后，目标物的面积小于原有面积，而经过膨胀处理之后，目标物的面积大于原有面积。开、闭运算就是为了解决这个问题而被提出的。数学形态学中二值图像的形态变换是一种针对集合的处理过程。其形态算子的实质是表达物体或形状的集合与结构元素间的相互作用，结构元素的形状就决定了这种运算所提取的信号的形状信息。形态学图像处理是在图像中移动一个结构元素，然后将结构元素与下面的二值图像进行交、并等集合运算。

对于裂缝形态的准确提取和处理，采用分形维数的计算方法。不是所有不规则图形都具有分形特征，只有在一定标度范围内满足自相似性的图形才满足分形特征。研究管道裂缝的分形特征，关键在于计算结构表面裂缝对应的分形维数值是否满足非欧式空间的要求。分形维数能够定量和定性地反映管道表面损伤程度。现行求解分形维数的方法有很多：1)差分盒子维法；2)面积-周长法；3)毯子覆盖法；4)分形布朗运动自相似模型法；5)基于多尺度的分数维法，这里采用面积-周长法计算分形维数，研究管道裂缝的分形规律。

根据分形几何理论，不规则图形其周长与面积满足关系：P^1/D∝A^1/2，式中P表示周长，A表示面积，D表示分形维数，两边取对数得到式：

logP＝0.5DlogA+C (9)

式中：C为常数。为了衡量上式的拟合精度，采用下式计算线性拟合精度。当R2的值接近于0，意味着拟合精度很差；当R²的值接近于1时，则表示拟合精度很高。

首先，将拍摄的清晰、完整和没有干扰的管道裂缝图像通过自适应阈值分割转换成二值图像，裂缝被提取出来，为黑色区域；然后利用边界跟踪方法计算公式中裂缝面积和周长，即统计8联通区域内像素个数为该裂缝的面积，统计边界上像素点的个数为该裂缝的周长；最后将面积和周长数值代入到前式中，利用最小二乘法获得在双对数坐标下面积-周长关系的直线方程，可求出裂缝的分形维数D。通过选取10条清晰、完整的裂缝进行计算。

分析数据，可得裂缝的面积-周长关系公式为：

logP＝1.0289·logA-0.4211 (11)

其拟合度为：R²＝0.9957，表明管道表面裂缝直线符合分形规律，具有较高的拟合精度。为了进行比较，在图像中选取了不同尺寸、形状的10个杂质，进行了同样的拟合计算，得到其面积和周长的关系为：

logP＝1.024·logA-0.27 (12)

其拟合度为：R²＝0.9165。

定义以下函数：F(P,A)＝logP-1.0289·logA+0.4211

对于管道裂缝而言，在一定的误差范围内，应满足下列公式：F(P,A)≈0

而在实际的管道表面图像中，由于多种干扰、污染的存在，上式一般不会自动满足。为此，提出一种结合骨架提取和分形特征的裂缝检测方法，即对图像分割后获得的裂缝边缘位置进行优化，使其满足式的要求。本文提出的结合骨架和分形特征的裂缝提取算法流程如附图7所示。裂缝与杂质区域的分形维数规律如附图8。

获取到红外图像后，需要对图像进行处理得到管道裂缝和管道的各自温度数据，然后再进行进一步分析。

由红外热图像的灰度信息，利用现有的成熟算法可以得到裂缝区域和管道表面区域，然后求得各自区域内图像RGB均值，最后将平均的RGB值与colorbar进行匹配，从左向右依次进行，步进取两个像素宽度以保证温度值精度，根据匹配到的位置和颜色范围计算温度值。

图像区域特征分析是让计算机具有认识或者识别图像的能力，即图像识别。特征选择是图像识别的一个关键问题。特征选择和提取的基本任务是如何从众多特征中找出最有效的特征。

根据待识别的图像，通过计算产生一组原始特征，称之为特征形成。原始特征的数量很大，或者说原始样本处于一个高维空间中，通过映射或变换的方法可以将高维空间中的特征描述用低维空间的特征来描述，这个过程就叫做特征提取。从一组特征中挑选出一些最有效的特征以达到降低特征空间维数的目的，这个过程叫做特征选择。

除了颜色特征外，形状特征也是用于区分图像特征的一个重要方面。凹凸性是区域的基本特征之一，区域凹凸性可通过以方法进行判别：区域内任意两像素间的连线穿过区域外的像素，则此区域为凹形。相反，连接图像内任意两个像素的线段，如果不通过这个图形以外的像素，则这个图形称为凸的。任何一个图形，把包含它的最小的凸图形叫这个图形的凸闭包。从凸闭包除去原始图形的部分后，所产生的图形的位置和形状将成为形状特征分析的重要线索。

基于渗漏点的区域特征，如圆度，密集度等参数，判断某一已知渗漏点的渗漏类型。当渗漏区域某一个特征满足如下的条件，则可以认为该处渗漏区域为该类渗漏。本节主要是考虑了某渗漏区域周长/面积和渗漏区域外接矩形的面积S₁/该区域的面积S₂两个特征。

若某渗漏区域周长/面积>0.5，则认为该渗漏为裂缝类；

如附图9(a)为极端假设某渗漏区域为正圆形时，设圆形半径为r，裂缝宽度为r/5，则该渗漏区域外接矩形的面积S₁/该区域的面积S₂可表示如下式：

如附图9(b)，为极端假设某渗漏区域为绝对裂缝，裂缝宽度为r/5，长度为πr，则该渗漏区域外接矩形的面积S₁/该区域的面积S₂可表示如下式：

S₁/S₂＝πr/πr＝1 (14)

故若某渗漏区域外接矩形的面积S₁/该区域的面积S₂>3.18，则认为该渗漏为接口松动类渗漏；若1<外接矩形的面积S₁/该区域的面积S₂<3.18，则需要更细致的判断。

运用边缘提取和轮廓追踪技术，在红外图像中，准确提取红外图像中可能的渗漏发生处，并且可以根据边缘分形优化的方式，避免大面积杂质或表皮脱落等因素造成的误差。

模型建立:

首先，研究裂缝与渗漏处和环境温差的关系。

研究利用红外热像仪检测管道渗漏裂缝时，在提取出温度差异点后，确定渗漏裂缝与管道未渗漏处和渗漏处温差的关系模型，再通过结合机器学习技术建立起管道渗漏的判别模型。

由于管道和容积水的比热容量不同，当环境温度超过给定值时，水温和管道温度将有显着差异。表2显示了不同环境温度下泄漏点和未损坏点的确定温度。

表2不同环境温度下泄漏点和未损坏点的确定温度

根据三次泄漏的温度变化曲线，将各温度下的泄漏温度变化值进行平均，得出泄漏的平均温度变化曲线，即为无损区域。将两条曲线的角平分线作为泄漏处温度变化趋势的边界和未损伤部位的温度，如附图10中黑色粗虚线所示。

采用支持向量机对数据进行线性分类。以环境温度为横坐标、裂缝与管道表面温度差为纵坐标绘制点，共有1、2、3三个等级，数字越大发育程度越严重，如附图11所示为分类函数图，可以得到如下两个分类函数，如式(15)(16)。

3、2分类函数：ΔT₂₃＝a₂₃T+b₂₃ (15)

其中T(℃)为环境温度，ΔT(℃)为管道与裂缝的温度差；a₂₃为线性分类函数系数，取值范围为0.02-0.03，b₂₃线性分类函数常数项，取值范围为1.80-2.55.

2、1分类函数：ΔT₁₂＝a₁₂T+b₁₂ (16)

其中T(℃)为环境温度，ΔT(℃)为管道与裂缝的温度差；a₁₂为线性分类函数系数，取值范围为0.0075-0.0100，b₁₂线性分类函数常数项，取值范围为1.2-1.95.

检测结果根据以下判断：

首先根据环境温度计算出ΔT₁₂和ΔT₂₃，然后将测量出的ΔT与ΔT₁₂、ΔT₂₃进行对比，ΔT≤ΔT₁₂则发育程度为1；ΔT₁₂≤ΔT≤ΔT₂₃则发育程度为2，ΔT≥ΔT₂₃的发育程度为3.

现在在其它管道上进行数据采集，验证上述检测模型的精度。由上文分析，在一般情况下，管道表面与裂缝的温差主要与温度有关系，并且裂缝与管道表面的温度差和裂缝的发育程度是相关的，因此可以由红外热像仪检测裂缝与管道表面的温度差，再利用上文中分类函数l₁和l₂，进行裂缝发育程度的检测。

首先确定检测环境满足要求，即阴暗潮湿的地下管廊空间、管廊空间内环境温度均匀升高4摄氏度以上。然后利用红外热像仪进行数据采集，并记录下采集每张图片时的环境气温，处理后得到裂缝与管道表面的温差，根据温度计算发育程度分级阈值ΔT₁₂和ΔT₂₃。

在目前大多裂缝检测都只关注数量的背景下，可以根据检测模型结果赋予不同的权值给不同发育程度的裂缝，为管道养护提供更精准的参考，提高社会效益。

区域温度值计算:

管道结构是用于运输液体的带状结构物，环境因素和荷载的作用是造成管道结构破坏的主要原因，管道区域物理特性比较一致，因此在红外图像中，管道区域的温度值基本一样，因此处理起来比较方便，不需要进行分别考虑，即在图像分割中得到管道区域后就返回到红外图像中计算该区域整体的RGB平均值。

但是，裂缝区域通常为细长的形状，譬如一条两米长的裂缝，可能只有几个毫米宽，这种情况下，同一裂缝不同位置处的严重程度可能会有较大的差异，两米长的裂缝有半米长的区域发育程度比较严重，根据平均RGB值计算出来可能需要修补，但是对于另外一条三分米长的裂缝，其也有半米长的区域发育程度比较严重，由平均RGB值计算出来的温差得到的发育程度指数就会比之前一条要低，甚至显示为不修补，显然是不科学的，因此，对于裂缝区域需要分区域进行RGB值得计算，并对发育程度较严重的区域给予较高的权重，这样计算出来一条裂缝区域与管道的温差就会是一个数组，如附图12所示，不同区段裂缝可以得到不同温差值。

对于横向裂缝，利用图像沿y轴方向直线将有效裂缝区域分成所述p段，每一段长度任意；对于纵向裂缝，利用图像沿x轴方向直线将有效裂缝区域分成所述p段，每一段长度任意；对于其他种类裂缝，不分段或者根据裂缝几何中心按角度分成所述p段，每一段对应中心角度任意。

根据精度要求，可以将图像分割出来的裂缝区域分成p(p≥2)段来进行考虑，每一小段均可以按照前文所述的技术路线进行处理，即首先进行图像灰度化、降噪，然后进行图像增强后再进行图像分割，得到裂缝区域后再分成n段进行后续处理，包括对每一段进行平均RGB值得计算，再由平均RGB值与图例中的颜色值进行匹配，确定该段的温度值，最后可以得到p段裂缝区域的长度l和裂缝区域与管道温度的温度差ΔT，即得到如下数组，如式(17)所示：

l＝(l₁，l₂…l_p) (17)

其中l_i即为裂缝区域划分区段后第i段的长度，计算温度差数组如式(18)所示。

ΔT＝(ΔT₁，ΔT₂…ΔT_p) (18)

其中ΔT_i即为裂缝区域划分区段后第i段与管道的温度差。

然后可以根据下式(19)进行加权平均计算，得到所述有效管道区域和所述有效裂缝区域的最终实测温差ΔT.

ΔT＝(T₁l₁+…+T_pl_p)/(l₁+…+l_p) (19)

最后将此ΔT与参照温差数据进行对比，得到裂缝发育程度相关参数。

或者由ΔT数组得到各段裂缝区域的发育程度指数如下式(20)：

m＝(m₁，m₂…m_p) (20)

其中m_i即为裂缝区域划分区段后第i段的裂缝发育程度指数。

根据裂缝的发育程度赋予不同区段的裂缝权重，因此可以得到裂缝的最终发育程度指数如下式(21)：

m′＝(m₁l₁+m₂l₂+…+m_nl_p)/(l₁+…+l_p) (21)

计算结果四舍五入取1、2或3，即裂缝发育程度的三个等级。

发明中可以采取平均分配的方法，那么就有l₁＝l₂＝…＝l_p，公式就可以化成下列形式(22)：

m′＝(m₁+m₂+…+m_p)/n (22)

数据处理:

红外图像数据可能会有失真度，即泄漏点和未损坏点的确定温度超出合理范围。考虑到渗漏发生具有不可逆性、连续性以及趋势性，即当前一时段有可疑渗漏裂缝反馈时，后一时段的数据必须也有裂缝反馈，且渗漏处和未渗漏处温度差异只能不变或缓慢变大，经过边缘提取后也可以体现在渗漏裂缝尺寸参数不变或缓慢变大，故当数据违背该规律时，认为失真。此时处理方式有两种：

(1)直接抛弃失真数据，将前一时段的数据(渗漏裂缝的尺寸参数)迁移到该时段。例如，若以1小时为检测周期，当前一时段内(前1h)红外图像上存在温度差异，则将改组数据原样迁移到该失真数据时段(该1h)。

(2)等待后续数据再对该失真数据时段进行修正。若某一时段数据(时段B)相比于前一时段数据(时段A)失真，等待随后的一个时段的数据(时段C)，若时段C数据与时段A数据符合不可逆性、连续性以及趋势性，则将时段A数据迁移到时段B上，若时段C数据与时段A数据不符合上述三条特性，则认为时段A数据有误，予以剔除，同时时段A的结果迁移给时段B。此时，时段A之前的时段的数据不予考虑修正。

在模型建立过程中，发明通过机器学习将裂缝发育程度分为了1、2和3三个等级，SVM支持向量机，作为一种分类方法，通过核函数将低维空间上线性不可分的样本映射到高维空间上线性可分的样本空间，通过核函数计算内积，得到一个线性分类器。常用的核函数有多种，如线性核函数，多项式核函数，径向基核函数，Sigmoid核函数和复合核函数。

发明中就采用线性核函数首先对1、2等级进行分类，得到分类函数l₁₂，再根据数据对2、3等级进行分类，得到分类函数l₂₃，在进行机器学习分类中会存在一定误差，就分类采用数据中也会有一部分属于较轻发育程度的裂缝被分配到了较严重发育程度的类别，相反也会有较重发育程度的裂缝分配到了较轻的类别。但是，在赋予权值的平均发育程度指数的计算中会出现有小数的裂缝发育程度指数，因为本身的分级就存在一定误差，这些有小数的发育程度指数虽然不一定可以使裂缝发育程度指数更精确，但是却可以反映出相对大小，2.6的发育程度指数四舍五入被划分为发育程度指数为3的裂缝，2.4的就被划分为发育程度指数为2的裂缝，这是之前的分类方法，但是由赋予权重计算出来的2.6发育程度指数和2.4发育程度指数实际上是差别不大的，这对于管理者的决策有相当重要的影响。因此，在裂缝发育程度指数的计算中，发明可以取一位小数来表明计算出来的相对关系。但是，需要注意的是2.4的发育程度指数不一定比2.3的发育程度指数要更严重，因为前文说过，本身分类就存在误差，2这个整数部分可能就已经是不准确的了。因此，为了避免这种问题，发明在计算过程中根据加权平均计算方法的方差确定了一个误差项，即发育程度指数可以取一位小数并表示为：m±σ的形式。

采用支持向量机对数据进行线性分类。以环境温度为横坐标、裂缝与管道表面温度差为纵坐标绘制点，共有1、2、3三个等级，数字越大发育程度越严重，可以得到如下两个分类函数。

3、2分类函数：ΔT₂₃＝a₂₃T+b₂₃ (23)

其中T(℃)为环境温度，ΔT(℃)为管道表面与裂缝的温度差；a₂₃为线性分类函数系数，取值范围为0.02-0.03，b₂₃线性分类函数常数项，取值范围为1.80-2.55.

2、1分类函数：ΔT₁₂＝a₁₂T+b₁₂ (24)

其中T(℃)为环境温度，ΔT(℃)为管道表面与裂缝的温度差；a₁₂为线性分类函数系数，取值范围为0.0075-0.0100，b₁₂线性分类函数常数项，取值范围为1.2-1.95.

检测结果根据以下判断

首先根据环境温度计算出ΔT₁₂和ΔT₂₃，然后将测量出的ΔT与ΔT₁₂、ΔT₂₃进行对比，ΔT＝ΔT₁₂则发育程度为1；ΔT＝ΔT₂₃则发育程度为2，介于之间的采用线性插值法计算发育程度指数，指数大于3的取3.

若要对裂缝区域进行区段划分，并根据裂缝的发育程度赋予不同的权重，那么由公式计算出来的结果可以取一位小数。

误差项σ的取值可以由以下公式(25)得到：

m_i为对同一裂缝进行多次检测的结果，然后由以上公式得出标准差，据此可以将裂缝的发育程度指数写到小数点后一位，并通过一个固定的误差项来进行误差限定，固定的误差项由实验得到，新的发育程度指数写法如下式(26)：

m＝m±aσ (26)

其中a为误差项系数，取值范围为1-3.

采用基于红外热像图的管道裂缝发育程度检测方法进行检测系统的构建，实际的检测系统需要利用红外双目摄像机进行管道图像的采集。双目摄像机包括一个普通相机和一个红外热像仪，同步进行管道的图像采集，并进行处理进行裂缝的有无、位置、大小和发育程度的识别，两种图像数据融合，可以提高发明提出的检测方法的鲁棒性。

裂缝检测系统采用模块化设计，可以很好的与其它管道病害检测模块进行结合。裂缝检测模块包括摄像机固定装置、双目摄像机、数据传输线、车载终端、GPS接受装置、惯性导航。摄像机固定装置可以采用定制铁架，保证可以在工程车上可靠固定双目摄像机；可以采用巡检车云台，固定摄像机的同时可以进行双目摄像机视角的控制，云台至少拥有两个自由度，即可以分别在水平方向和竖直方向旋转，更多自由度将带来云台的更高操作性。红外摄像头的最低配置为：分辨率为320×240，带可更换的镜头，免维护的非制冷微测辐射热计，显微技术和特写镜头测量功能，数据传输速度高达60Hz。普通图像摄像头支持1080P高清图像实时输出。数据传输线包括至少两根，分别支持高清普通图像和红外图像的高频传输，支持至少100Hz的1080p视频传输。巡检车载终端包括两种方案：一种是前端处理，采用嵌入式PC进行实时视频流的处理，通过3g\4g网络进行处理后的数据传输，嵌入式PC可以兼容普通图像和红外图像的数据接口，处理器支持视频流的实时处理；另外一种是后端处理，巡检车载终端作为数据采集的前端，只负责数据采集和存储，配置和开发要求更低，需要有接口供采集后第三方设备接入进行数据处理。此种模块通过视频图像拼接技术，还原整个采集过程的管道纵向图像，然后再沿长度方向进行切割后分别识别，保证管道裂缝检测的准确性和稳定性。此系统思路图像处理算法要求高，设备相对要求更少。GPS接受装置和惯性导航，两者共同为采集设备进行定位，确保精度和实时性。定位的精度需要在10m内。

另外一种裂缝检测模块包括摄像机固定装置、双目摄像机、数据传输线、巡检车载终端、GPS接受装置、惯性导航、光电编码器和同步控制器(参照CN104749187)。光电编码器安装在巡检车载移动平台的车轮中心轴上，用以测量巡检车载移动平台的运行速度和距离；所述GPS接收机，安装在巡检车载移动平台上，用于所述巡检车载移动平台的高精度定位及授时；所述惯性导航，安装在巡检车载移动那平台上，用于在隧道内GPS接受机接受不到GPS信号的情况下，测量巡检车载移动平台的位置、姿态数据，实现在隧道内部高精度的位置推算；同步控制器，安装在巡检车载移动平台上，用于同步普通摄像机和红外摄像机的图像采集时间，保证两者具有统一的时间和空间基准。此种方法通过光电编码器精确测量车速，同步控制器根据车速和双目摄像机的视野大小，自动控制双目图像采集时间，确保相邻两张有效剪辑的管道图像具有很好的连续性，可以完整的覆盖所采集的管道，并且相互不重叠。图像传输到巡检车载终端后执行前端处理或者存储功能，此系统思路对于设备要求较高，图像处理算法要求较低。

附图说明

图1为红外热像图识别管廊内部空间渗漏的技术路线图。

图2为管廊内部空间和裂缝的灰度信息和温度信息。

图3为照度与温差关系图。

图4为环境温度升高与温差关系图。

图5为图像阈值分割模型。

图6为管道表面裂缝区域、管道区域和过渡干扰区。

图7为结合骨架和分形特征的裂缝提取算法流程图。

图8为裂缝与杂质区域的分形维数规律。

图9为接口处松动类渗漏判断临界值。

图10环境升温后渗漏处与未损坏处温度变化图。

图11为支持向量机线性分类图示。

图12为不同裂缝区段获得不同温差示意图。

具体实施方式

(1)环境确定

检测模型需要在一定环境条件下使用才能保证精确性，首先需要保证数据采集时环境条件满足：阴暗潮湿的地下管廊空间、管廊空间内环境温度均匀升高4摄氏度以上。需要保证数据采集时环境条件稳定，即管廊内部环境温度均匀，且升高一定温度后，不会发生剧烈变化。

(2)图像采集

采用测温型红外热像仪对管廊内部空间进行拍摄，分析得到裂缝区域红外热像图。热像仪拍摄距离管道水平距离为1m，机位离裂缝区域保持距离不变匀速连续拍摄。红外热像仪是利用红外探测器和光学成像物镜接受被测目标的红外辐射能量分布图形反映到红外探测器的光敏元件上，从而获得红外热像图，这种热像图与物体表面的热分布场相对应。通俗地讲红外热像仪就是将物体发出的不可见红外能量转变为可见的热图像。热图像的上面的不同颜色代表被测物体的不同温度。发明现在主流红外成像装置——非制冷焦平面微热型红外热像仪。同时，需要对采集裂缝图像时的气温和裂缝发育程度进行记录，环境温度直接使用温度计进行测量，裂缝的发育程度根据裂缝宽度进行人工衡量。

同时，还需要对裂缝的真实发育程度指数进行打分，主要参考传统分级方式，即将裂缝分为轻、中、重三个等级的分类方式，再考虑裂缝的湿度和深度等因素，请专家对裂缝发育程度指数进行打分，据此实际数据建立检测模型。

(3)图像分析

首先进行图像预处理，对红外图像进行灰度化处理；对图像使用小波降噪和不同矩形的中值滤波处理，在滤除噪声的同时，尽量不模糊边缘；采用图像灰度增强算法，增强裂缝与背景区域的对比度，便于裂缝的提取；采用可调阈值的图像分割算法分割图像，灰度值较低的裂缝区域和杂质转换为黑色，灰度值较高的背景转换为白色，对于杂质等非裂缝区域可采用面积阈值和面积-周长分形规律进行剔除，只保留裂缝区域。然后得到裂缝区域和管道表面非裂缝区域；再根据两种区域位置在最初的红外图像中进行区域定位；最后计算红外图像裂缝区域和管道表面区域的RGB平均值，将RGB平均值依次与colorbar图例的RGB值进行匹配，最相符的位置所代表的的温度即为该区域的温度，将裂缝区域和管道表面区域分别与图例匹配得到各自的温度，进而得到裂缝与管道表面的温度差异。

图像处理中的图像分割技术，可以识别出裂缝区域后直接对裂缝区域和管道表面区域进行温度识别处理，也可以根据前文所述来对裂缝与管道表面直接的过渡干扰区进行分析后做排除处理。

而最终温差数据的获得可以直接计算整条裂缝区域与管道表面区域的温差值，也可以将裂缝区域进行区段划分，可以采取平均分配的方法，然后对于发育程度指数较高的区段给予较高的权重，按照给予不同权重的方法来计算最终整条裂缝区域与管道表面区域的温差值。

(4)模型建立

考虑到不同管廊环境的条件差异较大，可以尝试建立本区域管廊环境的裂缝温差与环境温度条件关系模型。根据历史数据对当前数据进行修正和舍弃；利用图像分析得到的温度差异，以及采集图像同时利用其他仪器采集到的温度信息，以及光纤测温采集到的温差数据，矫正关系模型。经过前三个步骤后，我们具有了裂缝与路面温度差异数据、裂缝发育程度的数据和采集每个样本时的环境温度数据，利用图像分析得到的温度差异，以及采集图像同时利用其他仪器采集到的温度信息，建立与裂缝发育程度的关系模型，即主要确定线性分类函数l₁₂和l₂₃的相关系数的具体数值。

(5)检测验证

利用以上检测模型可以进行实际裂缝发育程度的检测，需要采集有裂缝路面的红外图像和当下的环境温度。

检测最后计算裂缝的发育程度指标时，可以直接粗略的将裂缝发育程度指标分为1、2、3三个等级，只取三个数中的某个即可，数值越大代表发育程度越严重；计算也可以采用前文提出的有一位小数的发育程度指数，取值范围为0-3，具体的发育程度指标可以表示为m±aσ的形式。

以上所述，仅为本发明典型的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权力要求的保护范围为准。

Claims (10)

1.一种基于静态红外热像图处理的地下管廊渗漏检测方法，包括如下步骤：

a)建立裂缝发育程度检测模型，具体包含：

a1)采集管道表面至少10个样本裂缝区的红外热像图，同时记录样本环境温度及所述样本裂缝区内的裂缝发育程度，对裂缝发育程度进行估计，将所采集裂缝的裂缝发育程度分为1、2、3三个等级；

a2)对步骤a1)中所述的裂缝区的红外热像图分别进行处理，得到对应的裂缝区内的裂缝和裂缝区内的管道表面的温差数据；

a3)利用步骤a2)中所得到的温差数据，以及步骤a1)中所记录的样本环境温度和裂缝区内的样本裂缝发育程度进行支持向量机分类，得到两个分类函数ΔT₁₂＝a₁₂T+b₁₂和ΔT₂₃＝a₂₃T+b₂₃，所述的分类函数自变量为所记录的样本环境温度，因变量为参照温差数据；以环境温度为横坐标、裂缝与管道表面温度差为纵坐标绘制点，采用线性核函数首先对1、2等级进行分类，得到分类函数ΔT₁₂，再根据数据对2、3等级进行分类，得到分类函数ΔT₂₃，其中T(℃)为环境温度，ΔT(℃)为裂缝与管道表面的温度差；a₂₃为线性分类函数系数，取值范围为0.02-0.03，b₂₃线性分类函数常数项，取值范围为1.80-2.55，a₁₂为线性分类函数系数，取值范围为0.0075-0.0100，b₁₂线性分类函数常数项，取值范围为1.2-1.95；

b)数据采集：采集管道裂缝区的红外热像图，同时记录环境温度；

c)数据预处理：将原始红外热像图进行降噪和灰度化操作；

d)图像数据处理：对经过降噪和灰度化操作的红外热像图进行数据处理，包括边缘检测及增强、边缘提取、杂质剔除和计算实测温差数据；

e)温差数据处理：包括数据合理性判定、实测温差数据一次修正和实测温差数据二次修正；

f)渗漏分析：包括计算参照温差数据、确定渗漏严重程度和确定渗漏类型。

2.如权利要求1所述的基于静态红外热像图处理的地下管廊渗漏检测方法，其特征在于，步骤b)包括：

b1)固定设备采集：用非制冷焦平面测温型红外热像仪设备在地下综合管廊内，设备距离管道表面的高度为0.5-1m，采集管廊内部环境及管道表面状况，得到红外热像图；

b2)记录环境温度：利用温度计在所述的管道裂缝区同时记录环境温度。

3.如权利要求1所述的基于静态红外热像图处理的地下管廊渗漏检测方法，其特征在于，步骤c)包括：

c1)降噪：将原始红外热像图，进行降噪处理，去除其在数字化和传输过程中受到成像设备与外部环境噪声干扰的影响，得到降噪后的红外热像图；

c2)灰度化：将降噪后的红外热像图中的色彩信息去掉，转换为灰度图像，得到灰度化红外热像图。

4.如权利要求3所述的基于静态红外热像图处理的地下管廊渗漏检测方法，其特征在于，步骤c1)所述的降噪方法至少包括以下五种之一：均值滤波器、自适应维纳滤波器、中值滤波器、形态学噪声滤除器和小波去噪。

5.如权利要求1所述的基于静态红外热像图处理的地下管廊渗漏检测方法，其特征在于，步骤d)包括：

d1)边缘检测及增强：用搜索或零交叉对图像属性的显著变化进行识别，得到温度差异点；

d2)边缘提取：对所述温度差异点，运用单值或多值阈值分割，得到裂缝区域和管道表面区域；

d3)杂质剔除：分别对所述裂缝区域和管道表面区域进行杂质干扰剔除，得到有效裂缝区域和有效管道表面区域；

d4)计算实测温差数据：处理步骤d3)中的有效裂缝区域和有效管道表面区域的红外热像图，得到对应的裂缝区内裂缝和裂缝区内的管道表面之间的实测温差数据ΔT。

6.如权利要求5所述的基于静态红外热像图处理的地下管廊渗漏检测方法，其特征在于，步骤d1)所述的边缘检测及增强，采用的边缘检测模板至少包括以下五种算子之一：Laplacian算子、Roberts算子、Sobel算子、1og(Laplacian-Gauss)算子、Kirsch算子和Prewitt算子。

7.如权利要求5所述的基于静态红外热像图处理的地下管廊渗漏检测方法，其特征在于，步骤d4)包括：

d41)对于所述有效管道表面区域进行图例匹配，得到实测温度T₀；

d42)将所述有效裂缝区域划分为p段，p≥2，每段长度为l₁…l_p，分别对每一段有效裂缝区域进行图例匹配，得到实测温度T₁…T_p；

d43)将所述有效裂缝区域各段实测温度减去所述有效管道表面实测温度，得到实测温差ΔT₁…ΔT_p；

d44)根据下式进行加权平均计算，得到所述有效管道表面区域和所述有效裂缝区域的最终实测温差数据ΔT，

ΔT＝(T₁l₁+…+T_pl_p)/(l₁+…+l_p)。

8.如权利要求1所述的基于静态红外热像图处理的地下管廊渗漏检测方法，其特征在于，步骤e)包括：

e1)数据合理性判定：根据渗漏发生的不可逆性、连续性以及趋势性三点特性，依据历史实测温差数据对实测温差数据进行合理性判定；

e2)实测温差数据一次修正：根据历史实测温差数据及渗漏发生的三点特性，对具有失真度的实测温差数据进行取舍和修正，得到一次修正后的实测温差数据；

e3)实测温差数据二次修正：根据光纤测温得到的温差数据，对一次修正后的实测温差数据进行取舍和修正，如有光纤测温数据，则用该光纤测温数据替换原实测温差数据，得到二次修正后的实测温差数据。

9.如权利要求2所述的基于静态红外热像图处理的地下管廊渗漏检测方法，其特征在于，步骤f)包括：

f1)计算参照温差数据：将步骤b2)所记录的环境温度数据带入步骤a)中所述的裂缝发育程度检测模型，得到参照温差数据；将所述参照温差数据及二次修正后的实测温差数据带入步骤a)所述检测模型，推算裂缝发育程度；

f2)确定渗漏严重程度：从长度、宽度和面积三个维度，对渗漏严重程度进行定义，得到G＝[0-9.9]，G为渗漏严重程度指数，结果保留1位小数；

f3)确定渗漏类型：采用区域特征分析的手段，考虑圆度，密集度参数，对裂缝区的特征进行判别，判断所述管道裂缝区渗漏点的渗漏类型。

10.如权利要求9所述的基于静态红外热像图处理的地下管廊渗漏检测方法，其特征在于，步骤f3)所述的渗漏类型判别方法包括：

f31)若某渗漏区域周长/面积＞0.5，则认为该渗漏为裂缝类；

f32)若某渗漏区域周长/面积≤0.5，且S₁/S₂＞3.18，则认为该渗漏为接口松动类渗漏；

f33)若某渗漏区域周长/面积≤0.5，且1＜S₁/S₂≤3.18，则认为该渗漏为其他类渗漏；

上述步骤f32)和f33)中，S₁为某渗漏区域外接矩形的面积，S₂为该区域的面积。

Images