摘 要：针对传统隧道衬砌裂缝检测方法存在效率低等特点，研制基于机器视觉的隧道衬砌裂缝自动检测系统，该系统主要由图像采集系统、照明系统、运动控制系统、定位系统和图像处理系统组成。介绍了该系统的组成结构、功能特点和使用方法，并对系统设备集成和裂缝图像识别进行了优化分析。该系统能以0～40 km/h的检测速度对隧道衬砌表面进行连续扫描，图像清晰且无明显的几何变形，能实时快速识别复杂衬砌图像的裂缝，自动计算裂缝的长度、宽度、位置、走向和分布密度等特征参数，裂缝检测精度达0.3 mm。通过工程应用实例验证，该系统具有自动化、高精度、高准确度、高效率、操作方便等特点。该检测系统解决了传统隧道衬砌裂缝检测方法存在的缺点，可提高隧道衬砌裂缝自动检测技术水平，为隧道衬砌结构安全评估和病害治理提供新的手段。
关键词：隧道工程;衬砌裂缝;机器视觉;自动检测;图像采集;裂缝识别;
基金：河南省科技攻关计划(社发领域)项目，项目编号192102310489,202102310243;
随着隧道工程建设的快速发展，隧道病害问题日益突出，其中裂缝是隧道衬砌最常见也是最严重的病害之一，严重危害隧道衬砌结构和洞内设施安全[1]。为了对病害进行整治，必须对裂缝进行全方位检测，传统的隧道衬砌裂缝检测方法主要采用机械式或数显式裂缝观测仪进行人工测量，人工测量方法效率低、主观性强，难以对隧道衬砌结构的稳定性进行客观评价[2]。国际隧道协会对隧道衬砌病害无损检测方法进行了分类，分析了隧道衬砌病害检测中的经验和教训，认为自动检测技术将是今后的发展方向[3,4]。
机器视觉是近年来发展起来的一种新技术，它利用光机电一体化手段使机器或计算机具有视觉功能，利用机器或计算机代替人类视觉自动进行各种测量和判断[5,6,7]。机器视觉检测技术可以快速获得检测数据，目前在印刷产品包装[8]、产品质量缺陷检测[9]、机械零部件缺陷检测[10]、农产品分选[11]、医学影像处理[12]、航空设备故障识别[13]、智能交通监控[14]、煤尘颗粒检测[15]、医用灯检机检测[16]、道路路面裂缝检测[17,18]、桥梁结构病害检测[19,20]、地下管线检测[21,22]等领域已得到了成功应用。
在隧道衬砌裂缝自动检测技术研究方面，众多学者做了大量研究工作，有的研究机构已研制出商业化的隧道衬砌病害自动检测系统。T Asakura等[23]研制了隧道衬砌裂缝车载自动检测系统，该系统由车载的数台CCD工业相机、高亮度光源、发电设备、设备箱等组成；H Sasama等[24]研制了基于线阵CCD工业相机的隧道病害自动检测系统，该系统采用车载线扫描工业相机、高能金属卤化物光源和可编程自动调焦系统对隧道进行扫描检测，检测车行驶速度为13～25 km/h, 裂缝检测精度为0.5～1.0 mm; S N Yu等[25]研制了隧道衬砌裂缝移动机器人自动检测系统，该系统携带线阵CCD工业相机、减振器、编码器和特定光源等设备以5 km/h的检测速度对隧道衬砌表面进行扫描，该系统的裂缝识别准确率和裂缝检测精度较低；吴晓军等[26]研制了基于CMOS线阵相机的地铁隧道裂缝快速检测系统，该检测系统由9 套线阵工业相机及图像采集卡和存储服务器、4 台激光光源、相机控制及图像分析校正软件组成，能够检测出0.3 mm宽的裂缝。
在商业化的隧道衬砌裂缝自动检测系统研制方面，TS检测系统[27]可安装在任何检测车上，能对隧道进行全方位扫描，可检测出衬砌渗水面积、裂缝宽度及其位置；GRP 5000检测系统[28],采用激光扫描仪对隧道进行全方位检测，可得到高清影像图，可标注隧道病害并计算裂缝长度和渗水面积等参数；ATLAS 70检测系统[29]属于多传感器检测系统，分别配置了激光传感器、红外传感器、测距仪和计程仪等设备，可进行隧道裂缝和渗水的全方位检测；ZOYON-TFS隧道快速测量系统[30]由主控子系统、裂缝子系统、红外子系统和形变子系统组成，能以0～80 km/h的速度对隧道进行连续检测，裂缝检测精度达0.2 mm。商业化检测系统主要采用激光扫描器或工业相机作为传感器，目的是为病害管理提供一个数字化平台。
现有的多数隧道衬砌裂缝检测系统在检测过程中只进行图像的采集，不能同时进行裂缝的实时识别，裂缝的识别是在图像全部采集完成后进行的，后期的裂缝识别工作量较大，而且病害分析主要采用自动识别与人工修正相结合的方法，人工修正工作量很大。此外，针对隧道存在渗水或污渍等复杂衬砌图像和细微裂缝，由于图像识别方法未考虑裂缝的局部几何特征，导致裂缝识别准确率较低，且难以有效识别并提取出细微裂缝，也就无法准确计算裂缝的长度、宽度等特征参数，不能为隧道安全评估提供准确的检测数据。本文在对系统设备集成和裂缝图像识别方法进行优化分析的基础上，研制出一套隧道衬砌裂缝机器视觉检测系统，能对隧道衬砌表面进行连续扫描，在检测过程中实时快速进行裂缝的识别，针对复杂衬砌图像和细微裂缝，能够取得较好的裂缝识别效果，能自动计算裂缝的长度、宽度等特征参数。该系统的研制可为隧道结构安全评估和病害治理提供新的手段。
1 系统研制1.1图像采集系统图像采集系统是机器视觉检测系统的基础，其主要由线阵CCD工业相机、光学镜头、计算机系统等组成。图1是系统采用的线阵CCD工业相机。
图1 系统采用的线阵CCD相机 下载原图
基于Visual C 6.0平台编写了检测系统的图像采集软件，软件界面如图2所示。在系统检测过程中，图像采集软件可实现图像的实时采集和裂缝的实时快速识别，可实时滚动显示当前采集的衬砌图像和识别后的裂缝图像，可显示当前扫描的图像数目、已经保存的图像数目及图像排队数目。在图像采集过程中可以对每幅图像是否包含裂缝进行实时快速识别，并实时保存，同时剔除非裂缝图像，以减少后期的裂缝特征提取工作量，提高隧道衬砌病害的检测效率。
图2 图像采集软件界面 下载原图
1.2照明系统要保证采集的图像清晰，必须保证隧道衬砌表面有足够的亮度和光强均匀性。由于检测车行驶时会有一定的偏离，因此还要保证光源有一定的光束宽度。根据光谱分析和光源照射模型[31]以及作者前期进行的室内模型试验研究成果[32],设计了配置双排高亮度LED条形光源的照明系统，光束宽度超过20 cm, 亮度高、均匀性好，而且能适应检测车行驶过程中的偏离。
结合隧道实际检测环境，该系统采用正向高角度照明，图3是系统采用的正向高角度照明方案示意图，线阵CCD相机两侧分别布置两排LED光源，并与衬砌表面呈一定角度，这样可保证足够的光照强度和较好的光强均匀性，以获得高质量的隧道衬砌图像。
图3 系统采用的照明方案示意 下载原图
1.3运动控制系统运动控制系统是隧道衬砌裂缝机器视觉检测系统的主要组成部分之一，直接影响图像采集系统的性能。运动控制系统由线阵CCD相机控制柜和泵站控制柜组成，二者之间通过电源线和通信线连接，由控制室发出命令。
线阵相机控制柜主要负责线阵CCD相机的运行，包括3个伺服电机、一个步进电机、若干限位/接近开关、超声波传感器、激光测距仪等，其组成如图4所示。
图4 线阵CCD控制柜组成示意 下载原图
泵站控制柜主要负责液压驱动，包括1个伸缩油缸、1个变幅油缸、1个拉绳传感器和若干限位/接近开关，其组成如图5所示。
图5 泵站控制柜组成示意 下载原图
运动控制系统与图像采集系统之间设计了同步接口，使检测车的行车位置和行车状况与图像相对应。通过传感器测量线阵CCD相机防碰撞，保护线阵CCD相机免受破坏。
1.4定位系统系统在检测过程中需配备编码器触发信号来实现检测车速和线阵CCD扫描速度同步，该系统采用磁性旋转编码器，可用于电机测速，为绝对编码器，可进行汽车测速并同时输出脉冲信号，实现精确测量并同步线阵CCD扫描频率[33],图6是定位系统所采用的旋转编码器。编码器安装在检测车的电机上用来测试，实时传输脉冲信号，从而同步线阵CCD进行扫描，并保证采集到的图像像素为方形像素。
图6 系统采用的旋转编码器 下载原图
对带裂缝隧道衬砌结构的稳定性进行分析时，必须获得裂缝的准确位置，通过定位系统控制软件可以实现裂缝的定位，软件界面如图7所示。
图7 定位系统控制软件界面 下载原图
该软件记录检测车每一时刻的行驶距离，以便记录每幅图像沿隧道纵向的位置，安装的角度传感器可以记录每幅图像沿隧道环向的位置，这样每幅图像沿隧道纵向和环向的位置即可确定下来。每条裂缝在图像中的局部坐标可以通过图像处理软件进行计算，因此每条裂缝的具体空间位置通过坐标换算就可以确定下来。
1.5图像处理系统进行裂缝检测的最终目的是获得裂缝的特征参数，为带裂缝隧道衬砌结构的稳定性分析及安全评估提供基本病害数据，主要包括裂缝的宽度、长度、位置、走向和分布密度等5个参数。
对采集的衬砌图像进行裂缝识别和特征参数计算是图像处理系统的主要功能，由于隧道衬砌裂缝在很多情况下是与渗水或污渍同时存在的，裂缝图像与渗水或污渍图像的像素灰度很接近，基于此，作者提出了一种基于图像局部网格特征的隧道衬砌裂缝识别方法[34]。该方法充分考虑了裂缝的局部几何特征，特别适用于同时存在渗水或污渍时的衬砌裂缝和细微裂缝的自动识别。在对识别方法进行参数优化[35]的基础上，采用Visual C 6.0平台编写了图像处理软件，软件界面如图8所示。图像处理软件界面中的左侧窗口显示采集的原始衬砌图像，右侧窗口显示识别后的裂缝二值化图像，每条裂缝的宽度、长度、位置、走向、分布密度等特征参数在底部窗口显示，同时可作为文本文件输出。
图8 图像处理软件界面示例 下载原图
(1)裂缝长度。裂缝长度可根据裂缝种子像素坐标计算得到，假设裂缝种子像素为pi(i=1,…,n),n为一条裂缝的种子像素数目，每个裂缝种子像素在图像中的坐标为(xi,yi),则裂缝长度L可根据式(1)计算：
L=∑i=1n−1(xi 1−xi)2 (yi 1−yi)2−−−−−−−−−−−−−−−−−−−−−√ (1)L=∑i=1n-1(xi 1-xi)2 (yi 1-yi)2 (1)
将式(1)计算的L值乘以图像的光学分辨率即得到裂缝的实际长度。实际操作时，采用亚像素方式可获得更高的计算精度。
(2)裂缝宽度。裂缝宽度可根据裂缝种子连接进行计算，据此可得到每个种子像素点处的裂缝宽度Wi,裂缝的平均宽度W可根据式(2)计算：
W=1n∑i=1nWi (2)W=1n∑i=1nWi (2)
与裂缝长度计算类似，将Wi乘以图像的光学分辨率即得到裂缝的实际宽度，同样采用亚像素方式可获得更高的计算精度。
(3)裂缝位置。裂缝位置的计算主要确定裂缝是分布在隧道拱腰、拱顶或边墙部位，通过定位系统控制软件可以确定每幅图像的具体空间位置，每条裂缝在图像中的局部坐标可以通过图像处理软件进行计算，因此每条裂缝的具体空间位置就可以确定下来。
(4)裂缝走向。裂缝走向主要包括纵向、环向、斜向，为方便计算，裂缝走向R可根据裂缝种子像素的起点坐标p1(x1,y1)和终点坐标pn(xn,yn)进行计算，见式(3)。
R=180π×arctan(yn−y1xn−x1) (3)R=180π×arctan(yn-y1xn-x1) (3)
根据式(3)计算得到的R值，可将裂缝的走向划分为纵向、环向或斜向。
(5)裂缝分布密度。由于每条裂缝的坐标、长度和宽度已经计算得到，因此裂缝的分布密度可根据衬砌单位平方米内所有裂缝的长度之和进行计算。
2 系统应用2.1系统现场调试为了验证研制的隧道衬砌裂缝机器视觉检测系统的有效性，对某隧道进行了现场实验检测工作，测试隧道全长297 m。在进行试 验检测前，需要对系统进行调试。
系统现场调试包括硬件调试和软件参数设置。硬件调试主要调整线阵CCD相机的工作距离，保证CCD相机和光源与隧道墙壁尽可能平行，并进行距离传感器设置、角度传感器设置、编码器的连接等；软件调试主要包括图像采集软件和定位系统控制软件的参数设置等。
2.2现场测试过程开始测试时，在图像采集软件的“参数设置”对话框进行参数设置，主要设置启动编码器的ADR功能、图像水平和竖直方向的分辨率、图像扫描的行数、相机工作的台数等。本次试验设置的图像扫描行数为4 096行，即采集的单幅图像大小为4 096 Pixel×4 096 Pixel, 为8位灰度图像，有256个可能的灰度级，相机的工作台数设置为2台，同时启动编码器触发功能，“相机控制面板”采用默认参数设置即可，具体参数设置如图9所示。
检测车开始行驶时，点击图像采集软件的“开始采集”按钮，即开始对隧道衬砌墙壁进行连续扫描，可实现图像的实时采集、实时显示、实时存储和实时识别。采集过程中可实时观察当前图像，可以对每幅图像是否包含裂缝进行实时快速识别，并实时保存，同时剔除非裂缝图像，以减少后期的裂缝特征提取工作量。图像采集界面如图10所示，图中左侧和右侧窗口分别显示线阵相机1和线阵相机2所采集的图像。
图9 图像采集参数设置示例 下载原图
图10 图像实时采集和显示示例 下载原图
本次现场试验检测过程中检测车的行驶速度为15 km/h, 检测过程中可在图像采集系统启用编码器触发功能，可以保证检测车的行驶速度与线阵CCD相机的扫描行频一致。通过定位系统控制软件可以确定每幅图像的具体空间位置，每条裂缝在图像中的局部坐标可以通过图像处理软件进行计算，因此每条裂缝的具体空间位置就可以确定下来，从而确定裂缝是分布在隧道拱腰、拱顶还是边墙部位。
2.3现场测试结果图11和图12分别是检测系统采集的隧道衬砌拱顶和拱腰部位的部分图像，每幅图像的大小为4 096 Pixel×4 096 Pixel, 对应于实际隧道衬砌墙壁区域大小为1.2 m×1.2 m。由图可以看出，采集的图像清晰且无明显的几何变形，只有隧道的纵向施工缝在图像中出现了轻微变形，环向施工缝无变形。原因在于检测车行驶过程中路面不平整会引起线阵CCD相机的竖向振动，导致图像中的纵向线状物体出现波浪状。这种振动会对纵向裂缝的形状产生一定影响，对环向裂缝无影响，对斜向裂缝的影响较小，但不会影响裂缝特征参数的计算，特别是裂缝的宽度、长度、走向、位置，因此不会对衬砌裂缝的稳定性评价产生影响。
图11 系统采集的隧道拱顶衬砌图像 下载原图
图12 系统采集的隧道拱腰衬砌图像 下载原图
2.4检测结果分析本次现场试验所采集的每幅图像的大小为4 096 Pixel×4 096 Pixel, 根据检测需要在图像处理软件里将相邻的几幅小图像拼接为一幅大图像，如图13所示。图中所拼接的图像大小为4 096 Pixel×12 288 Pixel, 对应于实际隧道衬砌墙壁区域大小为1.2 m×3.6 m。可以通过图像处理软件拼接为更大幅面的图像，如图14所示。
图13 图像处理软件图像拼接 下载原图
图14 图像拼接结果 下载原图
图14中所拼接的图像大小为4 096 Pixel×16 384 Pixel, 对应于实际隧道衬砌墙壁区域大小为1.2 m× 4.8 m。可以对任意范围内的相邻图像进行拼接，从而处理成更大幅面的图像，这样可以了解裂缝病害在隧道衬砌某一区域内的整体分布，但拼接后的图像在进行裂缝识别时会占据较大的内存空间。在进行裂缝识别和特征参数计算时，宜对单幅图像进行处理，这样可节省图像的裂缝识别和特征参数计算时间，处理完后再将相邻的单幅图像拼接成大幅图像。
本次测试的隧道衬砌存在大量的纵向和环向施工缝，这些施工缝在图像中的像素灰度分布特征与裂缝的像素灰度分布特征极为相似，可以采用本文提出的基于图像局部网格特征的裂缝识别方法，同时自动计算裂缝的宽度、长度、位置、走向等特征参数。图像处理软件界面中的左侧窗口显示输入的原始图像，右侧窗口显示输出的裂缝识别二值化图像，每条裂缝的宽度、长度、位置、走向、分布密度等特征参数在底部窗口显示，同时可作为文本文件输出，如图15所示。
图15 裂缝检测结果 下载原图
图16和图17分别是通过图像处理软件中的裂缝识别和特征提取方法计算得到的裂缝1号和裂缝2号沿各自长度方向上每一点的宽度变化曲线，其中裂缝1号的宽度在0.8～1.9 mm之间，裂缝2号的宽度在0.3～0.7 mm之间。
图16 裂缝1号宽度变化曲线 下载原图
图17 裂缝2号宽度变化曲线 下载原图
通过图像处理系统中的图像处理软件计算可得到裂缝1号和裂缝2号的特征参数，包括裂缝的最大宽度、最小宽度、平均宽度、长度、位置和走向等特征参数，如表1和表2所示。由表中可以看出，该系统检测的裂缝参数与人工测量的参数极为接近，能满足检测精度要求。
3 讨论(1)当检测车的行驶速度不超过40 km/h时，图像清晰且无明显的几何变形，只会对纵向裂缝和纵向施工缝的形状产生轻微的几何变形，但对裂缝的实时快速识别和特征参数计算不会产生影响，因此不会影响隧道衬砌裂缝的稳定性评价。
(2)当检测车的行驶速度超过40 km/h时，一方面路面不平整会导致图像出现一定的几何变形，特别是纵向裂缝和纵向施工缝会出现波浪状；另一方面裂缝的实时识别会滞后于图像的采集，导致在图像采集过程中进行裂缝实时识别的图像队列过长，影响裂缝的实时快速识别。
表1 裂缝1号特征参数计算 导出到EXCEL
|
检测方法 |
裂缝特征参数 | |||||
|
最大宽度/mm |
最小宽度/mm |
平均宽度/mm |
长度/m |
位置 |
走向 | |
|
系统检测 |
1.9 |
0.8 |
1.3 |
1.2 |
拱腰 |
环向 |
|
人工测量 |
1.8 |
0.7 |
1.2 |
1.1 |
拱腰 |
环向 |
表2 裂缝2号特征参数计算 导出到EXCEL
|
检测方法 |
裂缝特征参数 | |||||
|
最大宽度/mm |
最小宽度/mm |
平均宽度/mm |
长度/m |
位置 |
走向 | |
|
系统检测 |
0.7 |
0.3 |
0.6 |
2.7 |
拱腰 |
斜向 |
|
人工测量 |
0.5 |
0.2 |
0.5 |
2.5 |
拱腰 |
斜向 |
(3)裂缝检测精度主要与图像传感器的分辨率和裂缝识别算法有关，图像传感器的分辨率越高，检测精度也越高，但图像数据也越大，裂缝的实时识别算法时间就会增多，这时裂缝的实时识别同样会滞后于图像的采集，就难以在图像采集过程中同时实时完成裂缝的识别。
(4)裂缝的自动识别和特征参数提取准确度主要与裂缝识别算法和图像的清晰度有关，而图像的清晰度除了与CCD传感器、镜头和照明光源等设备本身有关外，还与隧道内的干扰物、扬尘、汽车尾气等周围环境有很大关系。
(5)系统的检测速度和精度与裂缝实时快速识别算法密切相关，在保证裂缝实时快速识别的情况下同时提高检测的速度和精度，对提高隧道衬砌病害检测效率具有重要意义，需要对此做进一步的深入研究和相关改进。
4 结语针对传统隧道衬砌裂缝检测方法存在效率低等特点，研制了隧道衬砌裂缝机器视觉检测系统，并进行了实际工程应用，得出如下结论。
(1)系统能以0～40 km/h的检测速度对隧道衬砌表面进行连续扫描，采集的图像清晰且无明显的几何变形，裂缝检测精度达0.3 mm, 可满足隧道病害检测要求。
(2)系统在检测过程中，通过图像采集系统可实现图像的实时采集、实时显示、实时存储和实时识别，通过运动控制系统和定位系统可实现检测裂缝的精确定位。
(3)系统在图像采集过程中可以对每幅图像是否包含裂缝进行实时快速识别，并实时保存，同时剔除非裂缝图像，以减少后期的裂缝特征提取工作量，提高隧道病害的检测效率。
(4)照明系统采用正向高角度照明方案，线阵CCD相机两侧分别布置两排高亮度LED条形光源，与衬砌表面呈一定角度，可保证足够的光照强度和光强均匀性。
(5)针对隧道存在渗水或污渍等复杂衬砌图像和细微裂缝的自动识别，图像处理系统能够取得较好的裂缝识别效果，能自动计算裂缝的长度、宽度、位置、走向和分布密度等特征参数。
(6)隧道衬砌裂缝机器视觉检测系统解决了传统隧道衬砌裂缝检测方法存在的效率低、主观性强等缺点，具有自动化程度高、高精度、高准确度、高效率、使用方便等特点，可为隧道衬砌结构安全评估和病害治理提供新的技术手段。
参考文献[1] 何川，佘健.高速公路隧道维修与加固[M].北京：人民交通出版社，2006.
[2] JTG H12-2015 公路隧道养护技术规范[S].
[3] Haack A,Schreyer J,Jackel G.State-of-the-art of non-destructive testing methods for determining the state of a tunnel lining[J].Tunnelling and Undeground Space Technology,1995,10(4):413-431.
[4] Richards J A.Inspection,maintenance and repair of tunnels:international lessons and practice[J].Tunnelling and Undeground Space Technology,1998,13(4):369-375.
[5] Chin R T.Automated visual inspection:a survey[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1982,4(6):557-573.
[6] Malamas E N,Petrakis E G M,Zervakis M,et al.A survey on industrial vision systems,applications and tools[J].Image and Vision Computing,2003,21(2):171-188.
[7] Golnabi H,Asadpour A.Design and application of industrial machine vision systems[J].Robotics and Computer-Integrated Manufacturing,2007,23(6):630-637.
[8] 曹麟，王耀南，肖方良，等.基于机器视觉的全自动智能包装系统[J].仪表技术与传感器，2010,(3):22-27.
[9] Blasco J,Aleixos N,Molto E.Machine vision system for automatic quality grading of fruit[J].Biosystems Engineering,2003,85(4):415-423.
[10] Sun T C,Tseng C C,Chen M S.Electric contacts inspection using machine vision[J].Image and Vision Computing,2010,28(6):890-901.
[11] 饶秀勤.基于机器视觉的水果品质实时检测与分级生产线的关键技术研究[D].浙江大学，2007.
[12] 刘长红，徐杜，蒋永平，等.基于机器视觉的心脏医学图像处理研究[J].计算机与应用化学，2010,27(7):997-1000.
[13] 丁萌.空间探测器着陆过程中的机器视觉关键技术研究[D].南京航空航天大学，2010.
[14] Lee J W.A machine vision system for lane-departure detection[J].Computer Vision and Image Understanding,2002,86(1):52-78.
[15] 刘伟华.基于机器视觉的煤尘在线检测系统关键技术研究[D].山东大学，2011.
[16] 杨福刚，孙同景，宋松林.幕于机器视觉的全自动灯检机关键技术研究[J].仪器仪表学报，2008,29(3):562-566.
[17] 公路养护技术国家工程研究中心.多功能路况检测车(标准版)[EB/OL].https://www.roadmaint.com/product/81.html.
[18] Huang Y X,Xu B G.Automatic inspection of pavement cracking distress[J].Journal of Electronic Imaging,2006,15(1).
[19] Oh J K,Jang G,Oh S,et al.Bridge inspection robot system with machine vision[J].Automation in Construction,2009,18(7):929-941.
[20] Tung P C,Hwang Y R,Wu M C.The development of a mobile manipulator imaging system for bridge crack inspection[J].Automation in Construction,2002,11(6):717-729.
[21] Guo W,Soibelman L,Garrett J H.Automated defect detection for sewer pipeline inspection and condition assessment[J].Automation in Construction,2009,18(5):587-596.
[22] Yang M D,Su T C.Segmenting ideal morphologies of sewer pipe defects on CCTV images for automated diagnosis[J].Expert Systems with Applications,2009,36(2):3562-3573.
[23] Asakura T,Kojima Y.Tunnel maintenance in Japan[J].Tunnelling and Underground Space Technology,2003,18(2):161-169.
[24] Sasama H,Ukai M,Ohta M,et al.Inspection system for railway facilities using a continuously scanned image[J].Electrical Engineering in Japan,1998,125(2):52-64.
[25] Yu S N,Jang J H,Han C S,et al.Auto inspection system using a mobile robot for detecting concrete cracks in a tunnel[J].Automation in Construction,2007,16(3):255-261.
[26] 吴晓军，白韶红，啜丙强，等.基于CMOS线阵相机地铁隧道裂缝快速检测系统[J].路基工程，2015,(3):185-190.
[27] Spacetec Datengewinnung Gmb H.TS3 Three channels scanner[EB/OL].https://www.spacetec.de/en/products/ts3.
[28] 北京力铁轨道交通设备有限公司.GRP5000 隧道扫描系统[EB/OL].http://www.brailtec.com/index/products.html?id=8.
[29] Idoux M.Multisensor system for tunnel inspection[J].Proceedings of SPIE-The International Society for Optical Engineering,2005,5640:303-312.
[30] 武汉光谷卓越越科技股份有公司.隧道快速测量系统TFS[EB/OL].http://www.zoyon.com.cn/view/22.html.
[31] 李俊.机器视觉照明光源关键技术研究[D].天津理工大学，2006.
[32] 王平让，黄宏伟，薛亚东.隧道衬砌裂缝自动检测性能影响因素模型试验研究[J].岩石力学与工程学报，2012,31(8):1705-1714.
[33] 王显军.光电轴角编码器细分信号误差及精度分析[J].光学精密工程，2012,20(2):379-386.
[34] 王平让，黄宏伟，薛亚东.基于图像局部网格特征的隧道衬砌裂缝自动识别[J].岩石力学与工程学报，2012,31(5):991-999.
[35] Zhu Z H,Brilakis I.Parameter optimization for automated concrete detection in image data[J].Automation in Construction,2010,19(7):944-953.
声明：我们尊重原创，也注重分享。有部分内容来自互联网，版权归原作者所有，仅供学习参考之用，禁止用于商业用途，如无意中侵犯了哪个媒体、公司、企业或个人等的知识产权，请联系删除，另本头条号推送内容仅代表作者观点，与头条号运营方无关，内容真伪请读者自行鉴别，本头条号不承担任何责任。
,
