CN115082377A - 一种基于无人机的建筑物表面裂缝几何参数测量方法及系统 - Google Patents

Abstract

本发明公开了一种基于无人机的建筑物表面裂缝几何参数测量方法及系统，利用无人机获取待检测建筑物表面图片以及无人机与待检测建筑物的距离信息；利用基于多特征区域注意力的裂缝检测模型对待检测建筑物表面图片进行检测，输出裂缝检测结果图；构建裂缝几何参数测量算法，使用裂缝几何参数测量算法对裂缝检测结果图进行裂缝尺寸计算获得裂缝像素长度信息和裂缝像素最大宽度信息；根据裂缝像素长度信息、裂缝像素最大宽度信息以及无人机与待检测建筑物的距离信息得到建筑表面裂缝的实际长度和实际最大宽度，本发明实现无接触式裂缝测量，为后续是否采取修复措施提供依据。

Description

一种基于无人机的建筑物表面裂缝几何参数测量方法及系统

技术领域

本发明属于建筑物健康检测技术领域，具体属于一种基于无人机的建筑物表面裂缝几何参 数测量方法及系统。

背景技术

桥梁、道路、房屋等民用基础设施在施工和使用过程中不可避免地会出现裂缝问题，裂缝 不断扩大将对结构造成损伤，从而影响建筑的安全性和耐久性。面对已建成的庞大建筑群，传 统的依靠肉眼和借助放大镜等裂缝检测方法效率低且检测精度不佳；而采用预埋式、接触式的 传感器检测法成本较高且对建筑物有一定的损伤；另一方面，超声波检测法主要适用于结构内 部的裂缝，对于表面裂缝的适用性有限。上述检测技术已不能满足当前检测需求，因此，建筑 物表面无损检测成为当下的迫切研究，其中基于计算机视觉的建筑物表面裂缝检测技术可以有 效解决该问题，成为目前研究的一大热点。

随着无接触式裂缝测量技术的发展，越来越多的技术人员开展基于数学形态学进行裂缝几 何参数测量的研究，取得了一定的成果。现有技术使用基于裂缝边缘使用水平距离边缘点法和 切线垂线法测量裂缝像素宽度，通过对裂缝二值图使用欧几里得距离变换，计算裂缝中心线和 裂缝边缘获得裂缝像素宽度。现有技术对于形态简单的裂缝具有良好的测量效果，但裂缝往往 形态复杂、边缘弯曲严重，使用现有技术难以确定裂缝走向，无法准确地匹配裂缝边缘像素点， 进而导致测量结果存在较大误差。

发明内容

为了解决现有技术中存在的问题，本发明提供一种基于无人机的建筑物表面裂缝几何参数 测量方法及系统，利用无人机获取待检测建筑物图片，使用裂缝检测模型获得裂缝检测结果， 最后根据裂缝检测结果进行裂缝尺寸计算，实现无接触式裂缝测量，为后续是否采取修复措施 提供依据。

为实现上述目的，本发明提供如下技术方案：一种基于无人机的建筑表面裂缝几何参数测 量方法，具体步骤如下：

S1利用无人机获取待检测建筑物表面图片以及无人机与待检测建筑物的距离信息；

S2利用基于多特征区域注意力的裂缝检测模型对待检测建筑物表面图片进行检测，输出 裂缝检测结果图；

S3构建裂缝几何参数测量算法，使用裂缝几何参数测量算法对裂缝检测结果图进行裂缝 尺寸计算获得裂缝像素长度信息和裂缝像素最大宽度信息；

S4根据裂缝像素长度信息、裂缝像素最大宽度信息以及无人机与待检测建筑物的距离信 息得到建筑表面裂缝的实际长度和实际最大宽度。

进一步的，步骤S3中，所述裂缝几何参数测量算法，具体包括以下步骤：

步骤S3.1对裂缝检测结果图进行图像几何畸变校正后，提取畸变校正后的裂缝检测结果 图的中的最大连通区域作为一条裂缝进行评估，得到主裂缝关键信息图像F₁；

步骤S3.2对主裂缝关键信息图像F₁进行裂缝骨架提取，得到裂缝骨架图，对裂缝骨架 图中每个像素点进行遍历，然后沿骨架图把相邻像素点的间距相加，得到裂缝的像素长度信 息；

步骤S3.3对主裂缝关键信息图像F₁进行边缘检测，得到裂缝边缘图F₄，根据裂缝边缘图 判断裂缝走向，测量裂缝边缘像素点之间的间距，得到裂缝的像素最大宽度信息。

进一步的，步骤S3.2中，裂缝的像素长度信息的计算过程具体如下：

1)对裂缝骨架图遍历，得到了开始点到终止点间n组目标点的坐标，(x_i,y_i),i＝1,…,n；

2)计算两个连续像素点(x_i,y_i)与(x_i+1,y_i+1)之间的距离d_i，当两个连续像素点在横向和纵向 方向上，d_i取1；如果前一个像素点在后一个像素点的对角线方向时，d_i取

3)将两个连续像素点之间的距离d_i累加求和，获得裂缝的像素长度信息l。

进一步的，步骤S3.3中，所述边缘检测的具体步骤为：

1)对主裂缝关键信息图像F₁做卷积计算，获得主裂缝关键信息图像F₁的梯度和梯度方 向，计算梯度模的最大值作为主裂缝关键信息图像F₁的边缘；

2)设置高阈值和低阈值，当主裂缝关键信息图像F₁边缘点的梯度值大于高阈值，将其视 为强边缘点；当边缘点的梯度值小于高阈值，大于低阈值，则将其视为弱边缘点；当弱边缘点 邻域不存在强边缘点则不视为边缘点；当边缘点的梯度值小于低阈值，则不视为边缘点，得到 裂缝边缘图F₄。

进一步的，步骤S3.3中，获取裂缝的像素最大宽度信息的具体步骤如下：

1)根据裂缝边缘图确定裂缝走向，基于裂缝走向获取裂缝边缘图中裂缝的两侧边线；

2)以裂缝两侧边线中的长边线为基准，按照长短边映射关系匹配裂缝边缘像素点；

3)获取长边线和短边线上对应的两个匹配裂缝边缘像素点的坐标，计算裂缝的像素最大 宽度信息，具体公式为：

其中：x_l,y_l为长边线上的匹配裂缝边缘像素点的坐标，x_s,y_s为短边线上的匹配裂缝边缘像 素点的坐标。

进一步的，步骤1)中，裂缝走向的判断方法如下:

1.1)获取裂缝边缘图中像素点的坐标，并得到裂缝区域的宽度W和高度H；

1.2)建立裂缝边缘图坐标轴，以左上角为裂缝边缘图坐标轴原点，横轴为x，取向右方向 为正方向，纵轴为y，取向下方向为正方向；

1.3)若|W-H|＜min(W,H)/2则裂缝为倾斜走向，若裂缝边缘图第一个像素点的纵坐标大于 裂缝边缘图右边最后一个像素点的纵坐标，则裂缝为从左到右斜向上走向；反之，则裂缝为从 左到右斜向下走向；

1.4)若满足|W-H|≥min(W，H)/2且W＞H时裂缝为水平走向；

1.5)若满足|W-H|≥min(W，H)/2且W＜H时裂缝为竖直走向。

进一步的，步骤1)中，裂缝边缘图中裂缝的两侧边线的获取方法如下：

1.6)若裂缝为水平走向，则分别从裂缝边缘图的上方和下方为起点向中心遍历搜索边线；

1.7)若裂缝为垂直走向，则分别从裂缝边缘图的左侧和右侧为起点向中心遍历搜索边线；

1.8)若裂缝为从左到右斜向上走向，则分别从左上方对角线和右下方对角线为起点向中心 遍历搜索边线；

1.9)若裂缝为从左到右斜向下走向，则分别从右上方对角线和左下方对角线为起点向中心 遍历搜索边线；

得到裂缝两条边线像素坐标点集合：裂缝长边线点集合为L₁＝{l_1，1，l_1，2，...l_1，n}，裂缝短边 线点集合为L₂＝{l_2，1，l_2，2，...l_2，m}，其中n为裂缝长边线像素点个数，m为裂缝短边线像素点个 数，n＞m。

进一步的，步骤2)中，裂缝长边线集合中的像素点l_1，p和裂缝短边线中的像素点l_2，q之间 的映射关系f，具体如下：

f(L₂(l_2，q))→L₁(l_1，p) (6)

式中，f为裂缝长边线像素点和裂缝短边线像素点之间的映射关系，l₁为长边线，l₂表示短 边线，p∈[1，n]，q∈[1，m]，

p＝[q×rate+0.5]，[p×rate+0.5]为对q×rate+0.5的结果向下取整。

进一步的，步骤S4中，根据无人机与待检测建筑物的距离信息计算尺度因子，将裂缝像 素长度信息、裂缝像素最大宽度信息与尺度因子相乘，得到建筑表面裂缝的实际长度和实际最 大宽度，尺度因子的计算公式为：

式中，p₁＝0.0003434，p₂＝0.003446，D为无人机与待检测建筑物的距离，D∈{200，2000}。

本发明还提供一种基于无人机的建筑表面裂缝几何参数测量系统，包括：

信息采集模块，用于利用无人机获取待检测建筑物表面图片以及无人机与待检测建筑物 的距离信息；

图像检测模块，用于利用基于多特征区域注意力的裂缝检测模型对待检测建筑物表面图片 进行检测，输出裂缝检测结果图；

裂缝几何参数计算模块，用于构建裂缝几何参数测量算法，使用裂缝几何参数测量算法对 裂缝检测结果图进行裂缝尺寸计算获得裂缝像素长度信息和裂缝像素最大宽度信息；

裂缝实际参数计算模块，用于根据裂缝像素长度信息、裂缝像素最大宽度信息以及无人 机与待检测建筑物的距离信息得到建筑表面裂缝的实际长度和实际最大宽度。

与现有技术相比，本发明至少具有以下有益效果：

本发明针对裂缝检测任务特征，提供了一种基于无人机的建筑物表面裂缝几何参数测量方 法，首先针对传统人工检测方法效率低、存在一定安全隐患的问题，本发明以无人机为载体， 突破空间和位置的限制，通过无人机获取待检测建筑物表面图片以及无人机与待检测建筑物的 距离信息；然后针对裂缝区域级语义信息关注较难，进而导致检测结果连续性不佳的问题，构 建并训练得到了基于多特征区域注意力的裂缝检测模型，并将拍摄的建筑物表面图片输入该模 型中获得裂缝检测结果；接着针对裂缝测量方向难以确定，边缘像素点匹配难的问题，构建了 一种几何参数测量算法，将裂缝检测结果输入该算法可获得裂缝像素长度信息及像素最大宽度 信息；最后根据拍摄时与裂缝表面的距离获得尺度因子信息并与裂缝像素参数信息相乘，输出 裂缝的长度信息及最大宽度信息。该方法可实现对不同走向裂缝的宽度自动化测量，具有良好 的测量精度、较高的裂缝检测效率，能够有效缓解建筑物数量不断增加、基础设施维护难的问 题，为建筑工程的可持续发展提供了一种有参考价值的解决方案。

进一步的，本发明的裂缝几何参数测量算法，利用图像几何畸变校正消除图像畸变引起的 测量误差；使用信息提取模块对裂缝关键特征进行提取，为后续计算几何测量提供依据；以裂 缝骨架替代裂缝本身测量裂缝像素长度；基于确定裂缝走向和边缘像素点匹配的策略，可实现 对形态复杂、边缘弯曲严重裂缝的最大宽度测量，测量结果误差小。

附图说明

图1为本发明中一种基于无人机的建筑物表面几何参数测量方法的流程图；

图2为本发明中基于多特征区域注意力的裂缝检测网络；

图3为本发明中区域级通道注意力模块的结构图；

图4为本发明中裂缝几何参数测量算法的结构图；

图5为本发明在CRACK500数据集部分实验结果图；

图6为本发明在实际验证中裂缝测量实验结果图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步的说明。

一种基于无人机的建筑物表面裂缝几何参数测量方法，具体流程如图1所示。

S1构建裂缝图像训练数据集和验证数据集，利用无人机拍摄待检测建筑物的裂缝图像， 获取无人机与待检测建筑物的距离信息；

S2构建并训练基于多特征区域注意力的裂缝检测网络，如图2所示，得到基于多特征区 域注意力的裂缝检测模型，然后对待检测建筑物表面图片进行裂缝检测，输出裂缝检测结果图。 其中基于多特征区域注意力的裂缝检测网络包括具有编解码结构的U-Net骨干网络和区域级 通道注意力模块，其中区域级通道注意力模块嵌入于解码器中。

S3构建裂缝几何参数测量算法，使用裂缝几何参数测量算法对裂缝检测结果图进行裂缝 尺寸计算获得裂缝的像素长度信息及最大宽度信息，最后根据拍摄时与裂缝表面的距离获得尺 度因子并与裂缝像素信息相乘，输出裂缝的实际长度及实际最大宽度。

进一步地，步骤S2中，U-Net骨干网络的编码器部分遵循卷积网络的典型架构，采用了 VGG-16作为特征提取网络。

具体的，去除VGG-16的全连接层和部分卷积层数，因此其编码器包含5阶段卷积层，其 中每阶段卷积层数分别为2、2、2、2、3。假定输入的图片大小为M×M，则每个阶段的卷积层 参数及池化后输出的特征图尺寸如表1所示。

表1编码器结构参数

进一步地，步骤S2中，解码器部分与编码器部分对称，通过步长为2的上采样操作将特 征映射至原图分辨率大小，并采用特征映射级联操作与编码器部分进行相连。

具体的，解码器整体分为四个卷积阶段和一个输出阶段，每个卷积阶段包含两个上采样层， 其中一个上采样输出的特征图连接区域级通道注意力模块，另一个上采样层连接两个3×3卷 积，输出阶段由一个1×1卷积连接sofxmax激活函数组成。

进一步地，上采样层使用2×2的双线性插值作为上采样扩大特征图尺寸。为降低由于上采 样造成的特征图信息丢失问题，还将同一深度的编码层的特征图与解码层的特征图进行拼接， 提升分割精度。假设输入特征图尺寸为M/16×M/16，则每个阶段输出特征图尺寸如表2所示。

表2解码器结构参数

进一步地，步骤S2中，所述区域级通道注意力模块如图3所示，为了使网络更关注图像 的区域信息，首先将输入特征图划分为部分区域，使网络聚焦裂缝特征图区域通道维度上的特 征映射来生成特征描述符，从而实现为每个特征图区域分配注意力权重。

具体的，设输入的特征图为

经过式(1)得到特征描述符

U＝mean-pooling(V) (1)

式中，mean-pooling表示步长为4、卷积核为4的平均池化操作。

进一步地，将得到的特征描述符U经过式(2)得到区域级通道特征图

然后将 将区域级通道特征图经过式(3)得到加强区域级信息的裂缝特征图

T＝F_U{σ[W₂δ(W₁U)]} (2)

式中，W₁和W₂分别表示降维1×1卷积和升维1×1卷积。对特征图降维后升维的操作有 助于增强通道间交互性，提取有效特征，进而增强裂缝特征对区域信息的敏感度。其中，

中，C为输入通道数，

为输出通道数，γ为降维率；

中，

为输 入通道数，C为输出通道数。σ为sigmoid非线性激活，δ为ReLu非线性激活，F_U为上采样，

为特征图对应像素相乘，

为特征图对应像素相加。

进一步地，步骤S2中，训练数据集对基于多特征区域注意力的裂缝检测网络进行训练， 设置epoch为60，使用带重启的随机梯度下降方法训练，初始学习率为0.001258，最小学习率 设置为10-7。

进一步地，步骤S2中，对构建好的基于多特征区域注意力的裂缝检测网络进行训练，得 到基于多特征区域注意力的裂缝检测模型。

具体的，首先下载CRACK500数据集，对图像进行预处理，得到数据集，将数据集按照 9：1的比例，分为裂缝图像训练数据集和验证数据集。然后利用训练数据集对基于多特征区域 注意力的裂缝检测网络进行训练，设置epoch为60，使用带重启的随机梯度下降方法训练，初 始学习率为0.001258，最小学习率设置为10-7，通过反复调参，获得基于多特征区域注意力的 裂缝检测模型。

进一步地，将无人机获取的裂缝图像输入至基于多特征区域注意力的裂缝检测模型中检测， 输出裂缝检测结果图。

进一步地，步骤S3中，裂缝几何参数测量算法对裂缝检测结果图的处理过程如下：

步骤S3.1对裂缝检测结果图进行图像几何畸变校正，消除图像畸变引起的测量误差，获 得畸变校正后的裂缝检测结果图。

具体的，图像几何畸变校正的具体步骤为：首先制作标定板，并对棋盘格从不同角度拍摄 若干张照片；然后在图片中检测特征点(Harris特征)；最后求解内参矩阵与外参矩阵、畸变参 数，最后对裂缝检测结果图用内参矩阵和畸变参数进行坐标系变换，得到畸变校正后的裂缝检 测结果图。

优选的，使用张正友标定法对裂缝检测结果图进行图像几何畸变校正；

步骤S3.2对畸变校正后的裂缝检测结果图进行信息提取，得到裂缝的像素长度信息和像 素最大宽度信息，具体如下：

1)对畸变校正后的裂缝检测结果图进行连通域提取降低多条裂缝对裂缝几何测量结果的 影响，将裂缝检测结果图中的最大连通区域作为一条裂缝进行评估，得到主裂缝关键信息图像F₁；

具体的，首先通过对各连通域进行遍历，将每个连通域面积进行计算并放入列表中；然后 根据面积从小到大依次排序，将最大连通域面积之外的各区域的像素值填充为0；最后将畸变 校正后的裂缝检测结果图输入到最大连通域提取进行计算，输出主裂缝关键信息图像F₁。

2)对主裂缝关键信息图像F₁进行骨架提取，得到裂缝骨架图，具体的：

骨架提取是将裂缝细化为一个具有单个像素宽度的细曲线，裂缝骨架反映了裂缝的方向、 结构以及长度等形态特征，因此裂缝骨架可代替裂缝本身作为测量对象；

优选的，骨架提取使用K3M细化算法，K3M细化算法具体分为两步：

第一步，将主裂缝关键信息图像F₁不断细化，提取裂缝伪骨架，此时伪骨架的形态已经 接近于裂缝真实骨架，但仍存在部分骨架区域存在多个像素宽度。

第二步，将裂缝伪骨架细化成一个单像素宽的真实骨架，输出裂缝骨架图。

3)对主裂缝关键信息图像F₁进行边缘检测，得到裂缝边缘图，具体的：

边缘检测是将裂缝轮廓进行提取，裂缝的轮廓体现了裂缝的形状。根据裂缝的分布特征， 通过对裂缝边缘两侧的像素点间距的计算，可以测量裂缝的宽度。

优选的，边缘检测使用Canny算子。Canny算子检测流程为：

第一步，使用高斯平滑率滤波器对主裂缝关键信息图像F₁进行滤波，过滤干扰信息，减 少检测错误率，输出降噪后的主裂缝关键信息图像F₁；

第二步，使用Sobel算子与降噪后的主裂缝关键信息图像F₁做卷积计算，获得降噪后的主 裂缝关键信息图像F₁的梯度和梯度方向，计算梯度模的最大值并进行叠加，遍历完整张图像 后，输出裂缝边缘图F₂。

第三步，由于得到全局梯度还无法确定边缘，所以需保留局部梯度最大的点，以抑制非极 大值。首先根据裂缝边缘图F₂的梯度方向，将当前点在正、负梯度方向上的梯度强度进行对 比，如果在当前点处梯度强度为最大时灰度值保持不变，相反地，则将设置灰度值为0。遍历 完整张图像后，输出裂缝边缘图F₃。

第四步，在使用非极大值抑制后，图像中仍存在由于噪声或颜色变化引起的一些边缘像素， 所以需要过滤边缘像素。首先设置高阈值和低阈值对裂缝边缘图F₃进行图像分割，具体为： 当边缘点的梯度值大于高阈值，将其视为强边缘点；当边缘点的梯度值小于高阈值，大于低阈 值，则将其视为弱边缘点。如果弱边缘点邻域不存在强边缘点，则该点被抑制，设置灰度值为 0；当边缘点的梯度值小于低阈值，则该点被抑制，设置灰度值为0。遍历完整张图像后，输出 裂缝边缘图F₄。

4)对裂缝骨架图中每个像素点进行遍历，然后沿骨架图把相邻像素点的间距相加，得到 裂缝的像素长度信息，具体的：

由于骨架图中相邻像素点的位置关系包括水平、垂直连接、对角线连接。基于此，裂缝骨 架长度的计算规则定义如下：在横向和纵向方向上，相邻像素点的长度记为1；如果前一个像 素点在后一个像素点的对角线方向时，相邻像素点的长度记为

裂缝长度测量算法的具体流程如下：

1)通过对裂缝骨架图遍历，得到了开始点到终止点间n组像素点的坐标，(x_i，y_i)，i＝ 1，...，n；

2)根据公式(4)计算两个连续像素点(xi，yi)与(xi+1，yi+1)之间的距离d_i；

3)根据公式(5)，将两个连续像素点之间的距离d_i累加求和，获得裂缝的像素长度信息l。

l＝∑d_i (5)

5)以判断裂缝走向为基础，测量裂缝边缘图中边缘像素点之间的间距，记录其最大值， 流程为：首先根据裂缝边缘图来确定裂缝走向；其次通过裂缝走向搜索裂缝边线；接着基于裂 缝边线匹配裂缝边缘点，按照边线比例关系匹配策略进行边缘像素点匹配；最后计算对应点之 间的间距，并记录其最大距离。具体的：

1)基于裂缝边缘图确定裂缝走向

确定裂缝的走向是测量裂缝宽度的前提，判断裂缝走向的流程如下：

1.1)获取裂缝边缘图中像素点的坐标，并得到裂缝区域的宽度W，高度H。

1.2)建立裂缝边缘图坐标轴，以左上角为裂缝边缘图坐标轴原点，横轴为x，取向右方向 为正方向，纵轴为y，取向下方向为正方向。

1.3)若|W-H|＜min(W，H)/2则裂缝为倾斜走向，若裂缝边缘图第一个像素点的纵坐标大于 裂缝边缘图右边最后一个像素点的纵坐标，则裂缝为从左到右斜向上走向；反之，则裂缝为从 左到右斜向下走向；

1.4)若满足|W-H|≥min(W，H)/2且W＞H时裂缝为水平走向；

1.5)若满足|W-H|≥min(W，H)/2且W＜H时裂缝为竖直走向。

2)基于裂缝走向搜索裂缝边线

在确定裂缝走向之后，对裂缝边线点进行搜索以获取边线上的像素点位置坐标，具体流程 如下：

2.1)若裂缝为水平走向，则分别从裂缝边缘图的上方和下方为起点向中心遍历搜索边线； 若裂缝为垂直走向，则分别从裂缝边缘图的左侧和右侧为起点向中心遍历搜索边线；

2.2)若裂缝为从左到右斜向上走向，则分别从左上方对角线和右下方对角线为起点向中心 遍历搜索边线；若裂缝为从左到右斜向下走向，则分别从右上方对角线和左下方对角线为起点 向中心遍历搜索边线；

2.3)将获得的裂缝两条边缘线的坐标组分别存入两个集合，即裂缝长边线点集合为L₁＝ {l_1，1，l_1，2，...l_1，n}，裂缝短边线点集合为L₂＝{l_2，1，l_2，2...l_2，m}，其中n为裂缝长边线像素点个数，m为裂缝短边线像素点个数，n＞m，供后续操作使用。

3)基于裂缝边线匹配裂缝边缘像素点

裂缝两侧边线在不同的部位会有一定的倾斜或弯曲，使边线点间不能一一对应，为了建立 边线点的对应关系，采用以裂缝长边线一侧为基准，按照长短边比例关系匹配裂缝边缘像素点 的策略，具体的：

裂缝长边线集合中的像素点l_1，p通过公式(6)和裂缝短边线中的像素点l_2，q建立映射关系f。 f(L₂(l_2，q))→L₁(l_1，p) (6)

式中，f为长边列表像素点和短边列表像素点之间的映射关系，p为裂缝长边的像素点个 数，q为裂缝短边的像素点个数，l₁为长边，l₂表示短边，p∈[1，n]，q∈[1，m]，

p＝[q×rate+0.5]，[p×rate+0.5]为对q×rate+0.5的结果向下取整。

4)计算匹配边缘像素点之间的距离

由映射关系f可知，裂缝长边列表一个像素点(x_l，y_l)存在一个对应的短边列表中像素点为 (x_s，y_s)，基于上述关系，通过如式(7)计算像素点之间的欧氏距离，记录最大值即为裂缝的像素 最大宽度信息。

进一步地，步骤S3中，根据拍摄时与裂缝表面的距离获得尺度因子并与裂缝像素信息相 乘，输出裂缝的实际长度及实际最大宽度，尺度因子为物体在图片中的像素尺寸对应的物理尺 寸，通过设置无人机与被测目标的距离实验，获得像素点对应的实际长度和无人机与待检测建 筑物的距离的拟合关系。

具体的，首先制作以白底为背景的黑色矩形块作为参照物，然后使用无人机对参照物进行 拍摄并保证参照物始终处于无人机拍摄画面的中心，然后移动无人机从起始位置(200mm)开始 以每次60mm的步长移动到最大位置2000mm，同时在移动途中使用激光测距仪测量无人机与 参照物的距离并记录，重复实验三次取平均值。最后获得每个像素点对应的实际长度(mm)与被 测目标的距离(mm)之间的拟合关系如式(8)。

式中，R为尺度因子(mm)，表示图片中单个像素点对应的实际物理尺寸， p₁＝0.0003434，p₂＝0.003446，D为无人机与待检测建筑物的距离(mm)，D∈{200，2000}。

具体的，将裂缝的像素长度信息通过式(9)得到裂缝的实际长度L，将裂缝的像素最大宽度 信息通过式(10)得到裂缝的实际最大宽度W。

L＝R×l (9)

W＝R×w_max (10)

本发明还提供一种基于无人机的建筑表面裂缝几何参数测量系统，包括：

信息采集模块，用于利用无人机获取待检测建筑物表面图片以及无人机与待检测建筑物 的距离信息；

图像检测模块，用于利用基于多特征区域注意力的裂缝检测模型对待检测建筑物表面图片 进行检测，输出裂缝检测结果图；

裂缝几何参数计算模块，用于构建裂缝几何参数测量算法，使用裂缝几何参数测量算法对 裂缝检测结果图进行裂缝尺寸计算获得裂缝像素长度信息和裂缝像素最大宽度信息；

裂缝实际参数计算模块，用于根据裂缝像素长度信息、裂缝像素最大宽度信息以及无人 机与待检测建筑物的距离信息得到建筑表面裂缝的实际长度和实际最大宽度。

进一步的，如图4所示，裂缝几何参数测量算法包括图像几何畸变校正模块、信息提取模 块、长度测量模块和最大宽度测量模块，其中：

图像几何畸变校正模块用于使用张正友标定法消除图像畸变引起的测量误差，将裂缝检测 结果图使用图像几何畸变校正模块进行校正，获得畸变校正后的裂缝检测结果图。

信息提取模块用于对畸变校正后的裂缝检测结果图进行最大连通域提取降低多条裂缝对 裂缝几何测量结果的影响，选择裂缝检测结果图中的最大连通区域作为一条裂缝进行评估，得 到主裂缝关键信息图像F₁，并对主裂缝关键信息图像F₁进行骨架提取和边缘检测，得到裂缝 骨架图和裂缝边缘图F₄。

长度测量模块用于对裂缝骨架图中每个像素点进行遍历，然后沿骨架图把相邻像素点的间 距相加，得到裂缝的像素长度信息。

最大宽度测量模块用于以判断裂缝走向为基础，测量裂缝边缘像素点之间的间距，得到裂 缝的像素最大宽度信息。

图5展示了本发明在CRACK500数据集部分测试结果，第一列为原图，第二列为真值图， 第三列到第八列分别为FCN、DeepLabV3、SegNet、PSPNet、U-Net和本发明方法的裂缝检测 结果。图5(a)第一行裂缝右侧路面坑洞和裂缝背景区域对比度不明显，6种模型中只有本文方 法识别了坑洞的大体轮廓。图5(a)第二行裂缝呈块状以网型分布，这给检测带来了较大难度， 而本文方法聚焦于裂缝区域级特征，有效强化了模型对裂缝局部强相关特征的学习，使其检测 结果最接近于真值图。图5(a)第三行、第四行为狭长、细小裂缝，主流的语义分割模型均不能 提取到连续的裂缝，而本文方法完整地识别了裂缝的拓扑结构，检测结果未出现断裂现象，再 一次证明了本文所提出的关注裂缝区域级特征策略是可行、有效的。图5(a)第五行为含碎石子 干扰的裂缝，实验中所有模型都将碎石与裂缝之间中断区域识别为裂缝，但即使如此本文方法 还是较好的提取了碎石的形态。

图6展示了本发明在实际生活中拍摄典型裂缝的测试结果，其中第一行为裂缝原图，第二 行为裂缝检测结果，第三行是最大连通域提取结果，第四行是长度测量结果，第五行是最大宽 度测量结果。表3是图6裂缝的测量结果。

表3裂缝测量结果

由表3中裂缝长度测量结果可知，本发明提出的算法对裂缝长度测量结果与实际长度相 近，总体相对误差控制在±5％范围以内，平均相对误差为3.5％。造成误差的一方面原因是由 于骨架算法提取的裂缝骨架图是一条细曲线，相对于人工测量时表现为更弯曲导致了测量结果 要大于实际长度，另一方面由于标定像素比例关系中的尺度因子和实际中的裂缝长度也存在着 一定偏差。

此外，对于表3中裂缝最大宽度的测量结果，图6(a)、6(b)、6(d)的测量效果相对较好，相 对误差控制在±3％范围以内，而图6(c)由于裂缝周围的水渍区域干扰，裂缝检测结果比实际要 更宽一些，这也导致在测量最大宽度比真实值高了7.6％，而在图6(e)细裂缝的检测结果中的 测量值比真实值高了6.3％，这是由于检测结果误差导致的，但整体相对误差都控制在±8％范 围以内，平均相对误差为4.4％。

Claims (10)

1.一种基于无人机的建筑表面裂缝几何参数测量方法，其特征在于，具体步骤如下：

S1利用无人机获取待检测建筑物表面图片以及无人机与待检测建筑物的距离信息；

S2利用基于多特征区域注意力的裂缝检测模型对待检测建筑物表面图片进行检测，输出裂缝检测结果图；

S3构建裂缝几何参数测量算法，使用裂缝几何参数测量算法对裂缝检测结果图进行裂缝尺寸计算获得裂缝像素长度信息和裂缝像素最大宽度信息；

S4根据裂缝像素长度信息、裂缝像素最大宽度信息以及无人机与待检测建筑物的距离信息得到建筑表面裂缝的实际长度和实际最大宽度。

2.根据权利要求1所述的一种基于无人机的建筑表面裂缝几何参数测量方法，其特征在于，步骤S3中，所述裂缝几何参数测量算法，具体包括以下步骤：

步骤S3.1对裂缝检测结果图进行图像几何畸变校正后，提取畸变校正后的裂缝检测结果图的中的最大连通区域作为一条裂缝进行评估，得到主裂缝关键信息图像F₁；

步骤S3.2对主裂缝关键信息图像F₁进行裂缝骨架提取，得到裂缝骨架图，对裂缝骨架图中每个像素点进行遍历，然后沿骨架图把相邻像素点的间距相加，得到裂缝的像素长度信息；

步骤S3.3对主裂缝关键信息图像F₁进行边缘检测，得到裂缝边缘图F₄，根据裂缝边缘图判断裂缝走向，测量裂缝边缘像素点之间的间距，得到裂缝的像素最大宽度信息。

3.根据权利要求2所述的一种基于无人机的建筑表面裂缝几何参数测量方法，其特征在于，步骤S3.2中，裂缝的像素长度信息的计算过程具体如下：

1)对裂缝骨架图遍历，得到了开始点到终止点间n组目标点的坐标，(x_i，y_i)，i＝1，…，n；

2)计算两个连续像素点(x_i，y_i)与(x_i+1，y_i+1)之间的距离d_i，当两个连续像素点在横向和纵向方向上，d_i取1；如果前一个像素点在后一个像素点的对角线方向时，d_i取

3)将两个连续像素点之间的距离d_i累加求和，获得裂缝的像素长度信息l。

4.根据权利要求2所述的一种基于无人机的建筑表面裂缝几何参数测量方法，其特征在于，步骤S3.3中，所述边缘检测的具体步骤为：

1)对主裂缝关键信息图像F₁做卷积计算，获得主裂缝关键信息图像F₁的梯度和梯度方向，计算梯度模的最大值作为主裂缝关键信息图像F₁的边缘；

2)设置高阈值和低阈值，当主裂缝关键信息图像F₁边缘点的梯度值大于高阈值，将其视为强边缘点；当边缘点的梯度值小于高阈值，大于低阈值，则将其视为弱边缘点；当弱边缘点邻域不存在强边缘点则不视为边缘点；当边缘点的梯度值小于低阈值，则不视为边缘点，得到裂缝边缘图F₄。

5.根据权利要求2所述的一种基于无人机的建筑表面裂缝几何参数测量方法，其特征在于，步骤S3.3中，获取裂缝的像素最大宽度信息的具体步骤如下：

1)根据裂缝边缘图确定裂缝走向，基于裂缝走向获取裂缝边缘图中裂缝的两侧边线；

2)以裂缝两侧边线中的长边线为基准，按照长短边映射关系匹配裂缝边缘像素点；

3)获取长边线和短边线上对应的两个匹配裂缝边缘像素点的坐标，计算裂缝的像素最大宽度信息，具体公式为：

其中：x_l，y_l为长边线上的匹配裂缝边缘像素点的坐标，x_s，y_s为短边线上的匹配裂缝边缘像素点的坐标。

6.根据权利要求5所述的一种基于无人机的建筑表面裂缝几何参数测量方法，其特征在于，步骤1)中，裂缝走向的判断方法如下:

1.1)获取裂缝边缘图中像素点的坐标，并得到裂缝区域的宽度W和高度H；

1.2)建立裂缝边缘图坐标轴，以左上角为裂缝边缘图坐标轴原点，横轴为x，取向右方向为正方向，纵轴为y，取向下方向为正方向；

1.3)若|W-H|＜min(W，H)/2则裂缝为倾斜走向，若裂缝边缘图第一个像素点的纵坐标大于裂缝边缘图右边最后一个像素点的纵坐标，则裂缝为从左到右斜向上走向；反之，则裂缝为从左到右斜向下走向；

1.4)若满足|W-H|≥min(W，H)/2且W＞H时裂缝为水平走向；

1.5)若满足|W-H|≥min(W，H)/2且W＜H时裂缝为竖直走向。

7.根据权利要求6所述的一种基于无人机的建筑表面裂缝几何参数测量方法，其特征在于，步骤1)中，裂缝边缘图中裂缝的两侧边线的获取方法如下：

1.6)若裂缝为水平走向，则分别从裂缝边缘图的上方和下方为起点向中心遍历搜索边线；

1.7)若裂缝为垂直走向，则分别从裂缝边缘图的左侧和右侧为起点向中心遍历搜索边线；

1.8)若裂缝为从左到右斜向上走向，则分别从左上方对角线和右下方对角线为起点向中心遍历搜索边线；

1.9)若裂缝为从左到右斜向下走向，则分别从右上方对角线和左下方对角线为起点向中心遍历搜索边线；

得到裂缝两条边线像素坐标点集合：裂缝长边线点集合为L₁＝{l_1，1，l_1，2，...l_1，n}，裂缝短边线点集合为L₂＝{l_2，1，l_2，2...l_2，m}，其中n为裂缝长边线像素点个数，m为裂缝短边线像素点个数，n＞m。

8.根据权利要求7所述的一种基于无人机的建筑表面裂缝几何参数测量方法，其特征在于，步骤2)中，裂缝长边线集合中的像素点l_1，p和裂缝短边线中的像素点l_2，q之间的映射关系f，具体如下：

f(L₂(l_2，q))→L₁(l_1，p) (6)

式中，f为裂缝长边线像素点和裂缝短边线像素点之间的映射关系，l₁为长边线，l₂表示短边线，p∈[1，n]，q∈[1，m]，

p＝[q×rate+0.5]，[p×rate+0.5]为对q×rate+0.5的结果向下取整。

9.根据权利要求1所述的一种基于无人机的建筑表面裂缝几何参数测量方法，其特征在于，步骤S4中，根据无人机与待检测建筑物的距离信息计算尺度因子，将裂缝像素长度信息、裂缝像素最大宽度信息与尺度因子相乘，得到建筑表面裂缝的实际长度和实际最大宽度，尺度因子的计算公式为：

式中，p₁＝0.0003434，p₂＝0.003446，D为无人机与待检测建筑物的距离，D∈{200，2000}。

10.一种基于无人机的建筑表面裂缝几何参数测量系统，其特征在于，包括：

信息采集模块，用于利用无人机获取待检测建筑物表面图片以及无人机与待检测建筑物的距离信息；

图像检测模块，用于利用基于多特征区域注意力的裂缝检测模型对待检测建筑物表面图片进行检测，输出裂缝检测结果图；

裂缝几何参数计算模块，用于构建裂缝几何参数测量算法，使用裂缝几何参数测量算法对裂缝检测结果图进行裂缝尺寸计算获得裂缝像素长度信息和裂缝像素最大宽度信息；

裂缝实际参数计算模块，用于根据裂缝像素长度信息、裂缝像素最大宽度信息以及无人机与待检测建筑物的距离信息得到建筑表面裂缝的实际长度和实际最大宽度。

Images