0 引言

　　结构裂缝影响了结构构件保护层对钢筋的保护作用，使钢筋腐蚀速度加快，快速降低构件刚度与耐久性。传统裂缝检测方法通常将人工目测与仪器量测相结合，主要使用读数显微镜、裂缝卡等，有时通过车载检测设备、望远镜等进行远程裂缝观测。现有检测方法虽原理简单，但在实际应用过程中存在以下问题:(1)工作量较大，且效率低;(2)检测结果依赖于技术人员专业经验，易产生主观误差;(3)对大跨桥梁底面、高层建筑外立面进行检测时，通常需检测人员进行登高作业，存在一定安全隐患。

　　近年来，无人机(unmanned aerial vehicle,UAV)由于灵活、成本低、环境适用性强^[1]，常被用于协助完成各类危险性较高的工作^[2,3]。本研究通过无人机两点激光测距自动提取裂缝几何参数，结合无人机拍摄结构表面时的空间位置约束条件，建立相机成像模型与坐标转换关系，提出获得像素解析度的方法;对无人机拍摄得到的裂缝图像进行预处理，基于改进的自适应算法从背景中分割裂缝主体，自动提取裂缝长度、宽度和走向等几何特征;对建筑物外立面进行现场裂缝检测试验，并将试验结果与人工方法检测数据进行对比，验证本研究方法的可行性与准确性。

　　1 图像畸变矫正理论

　　1.1 像素解析度计算方法

　　像素解析度是物体实际物理尺寸与相机成像图像中对应像素数的比例关系，由于裂缝图像通常使用高倍光学变焦镜头拍摄，图像视野较小，且拍摄时光轴与被测平面法线的夹角较小，因此假定图像上所有像素点在实际空间中对应的物点距相机投影中心的距离相同，即每张裂缝图像中各像素位置具有相同的像素解析度。基于此假定，提出像素解析度计算方法。

　　图像上任意位置处像素点(u₁,v₁)对应物点在世界坐标系下的坐标值可表示为:

　　式中:h_ij为像素坐标转换至世界坐标时转换矩阵第i行、第j列元素。

　　像素解析度可用相邻像素对应的物点间距表示，像素点(u₁,v₁)处横、纵向像素解析度为:

　　为快速计算裂缝几何参数，引入以下简化条件。

　　1)在无人机拍摄的裂缝图像中，被测平面虽不与相机光轴正交，但由于使用的高倍变焦镜头视野面积较小，无人机与被测平面的距离远大于实际图像长度，且相机光轴与被测平面法线的夹角小，实际图像中各像素点距相机的距离相差小，即各像素点对应物点在相机坐标系中距投影中心的距离相差较小。因此取平均距离处物点(图像上主点(u₀,v₀))对应的像素解析度作为全图像素解析度。

　　2)取横、纵向像素解析度平均值作为像素平均解析度:

　　1.2 两点激光测距装置设计理论

　　采用两点激光测距，通过与光轴夹角相同的2束激光束，间接测量得到相机与被测平面的相对位置^[4]。假设被拍摄平面为竖直平面，相机光轴保持水平。A'B'所在直线表示被测平面竖直方向投影(见图1);O'点表示光轴与被测平面交点，即世界坐标系原点;激光光源点A,B位于相机坐标系下xOy平面，激光光束AA'与BB'保持水平，与光轴的夹角∠ACO=∠BCO;由于对称性，假设BB'>AA',A″B'与AB平行，且与AA'延长线交于A″，可得相机光轴与被测平面法线夹角φ=∠A'B'A″，成像中心距被测平面的距离d=|OO'|。

　　可得:

　　图1 两点激光测距原理示意  

　　2 图像预处理

　　为提高利用计算机进行图像分析的效率与准确性，应用MATLAB软件对拍摄图像进行畸变矫正、灰度化、图像增强与图像平滑处理。无人机拍摄初始图像为RGB色彩图像，为便于计算机处理，首先将图像转换为仅包含亮度信息的灰度图^[5]，如图2所示;然后进行帽变换，通过顶帽变换对图像背景中亮目标进行分离，通过底帽变换得到主要裂缝主体组合帽变换后的裂缝图像(见图3a);最后通过中值滤波法对帽变换后的裂缝图像进行平滑处理，减少背景噪点信息(见图3b)。

　　图2 裂缝灰度图像  

　　图3 裂缝灰度图像帽变换图像及中值滤波法处理图像 

　　3 图像后处理

　　裂缝图像经预处理后，真实信息得到还原，且突出了裂缝信息，提高了图像后处理效率与准确性。后处理将裂缝主体与裂缝骨架从图像中分割出来，实现裂缝长度、宽度和走向等几何特征的自动识别。

　　3.1 裂缝二值图像获取

　　由Canny算法计算过程可知，高阈值T_h需小于边缘像素最小灰度级，但如果选取过小，将包含噪点边缘;当T_h小于最值灰度级(V_max)1倍最值灰度级标准差(σ_max)时，可包含大部分真实边缘像素，同时避免包含噪点伪边缘;低阈值T_l=0.4T_h。综上所述，提出改进自适应阈值的计算方法为:

　　通过改进自适应阈值算法得到的裂缝边缘如图4a所示，通过形态学方法对裂缝边缘图像进行处理，得到裂缝分割二值图像，如图4b所示。

　　图4 裂缝边缘图像及分割二值图像  

　　对裂缝分割二值图像进行细化处理，获得裂缝骨架曲线(见图5)，处理时须满足以下条件:(1)骨架曲线应为1条仅有1个像素宽的细线;(2)细化结果为原目标的中心线;(3)同一目标的细化结果应具有连通性;(4)细化结果应唯一。

　　图5 裂缝骨架曲线及局部放大  

　　3.2 裂缝几何特征获取

　　裂缝走向通常反映裂缝成因，对建筑结构病害分析具有重要作用。对裂缝分割二值图像进行Radon变换，极值点对应的角度即为裂缝走向。在像素尺度上对裂缝骨架曲线长度进行统计计算，可得裂缝长度信息。需注意，单张裂缝图像中可能仅包含完整裂缝长度的一部分，需对裂缝各部分图像进行配准操作，得到完整裂缝图像后计算完整裂缝长度。裂缝宽度是结构健康状态的重要体现，也是裂缝检测中最关心的内容之一，本研究将各骨架像素点各方向距裂缝边界的欧氏距离最小值定义为裂缝宽度。需注意，分析图像边缘附近骨架点单点裂缝宽度时，程序将图像边缘作为裂缝主体边缘，即靠近图像边缘的骨架点单点裂缝宽度小于实际值，导致裂缝平均宽度变小，使结果趋于不保守。为此，将图像边缘3个像素内的骨架点判定为假点，不参与裂缝平均宽度的计算。

　　4 实际检测验证

　　为验证本研究提出的无人机摄影测量检测结构裂缝方法的有效性，利用M210-RTK型无人机挂载Z30型相机与本研究研发的两点激光测距仪，对华东理工大学徐汇校区老图书馆进行裂缝实际检测。

　　老图书馆位于上海市徐汇区梅陇路130号，于1955年落成，为3层混凝土砖木混合结构。外形呈中华古典复兴风格，具有传统建筑要素构件，如翘角飞檐、青砖堂瓦等，具有保护价值。2011年，老图书馆被列为徐汇区第6批登记不可移动文物，为三类保护建筑。

　　选取南外立面窗下水平裂缝作为检测对象(见图6)，检测时天气晴朗，风力3～4级。专业技术人员操作无人机安全稳定飞行，具备拍摄建筑物外立面的条件。通过改变相机方向使其对准裂缝，打开两点激光测距仪，确保激光光斑在建筑物立面上。将实拍裂缝图像按前文方法进行处理，如图7所示。

　　图6 被测裂缝位置  

　　图7 裂缝图像处理结果  

　　对裂缝几何特征进行提取，可知裂缝走向为167°，长55.7mm，平均宽度0.28mm，最大宽度0.39mm。房屋质量检测报告中描述此裂缝为窗下墙西倾斜裂缝，水平裂缝较普遍，宽度为0.10～0.35mm。实际检测结果与房屋质量检测报告接近，可知检测方法可靠。

　　5 结语

　　1)通过无人机拍摄结构竖直外立面特征，结合两点激光测距方法得到相机与被测平面的相对位置，计算平面像素点与对应物点的坐标关系及像素解析度。

　　2)对无人机拍摄图像预处理方法进行研究，对图像进行畸变矫正，提高图像处理精度。对矫正后的图像进行灰度化处理，降低冗余数据量。对灰度化处理后的图像进行增强处理，突出裂缝几何特征。对增强处理后的图像进行中值滤波平滑处理，去除背景噪点，以提高后期图像分割效率。

　　3)对无人机拍摄图像后处理方法进行研究，提出自适应Canny算法双阈值计算方法，对预处理后的图像进行分割。通过对裂缝主体图像进行细化处理得到裂缝骨架曲线，利用Radon变换得到裂缝走向，并计算裂缝长度和宽度。

　　4)采用本研究提出的方法进行实际结构裂缝检测，并将检测结果与房屋质量检测报告结果进行对比，可知结果较接近，本研究检测方法可靠。