基于视觉测量的公路边坡位移监测技术工程应用研究

严鑫 胡智 詹伟 余以强 肖旦强 吴剑军

摘  要：公路边坡的稳定性监测是运营期的重要工作之一。目前的公路边坡监测仍以人工监测和自动化监测为主，人工监测工作量大且人工成本高，而传统的自动化监测设备价格昂贵且安装较为繁琐。因此，降低自动化监测成本并提高工作效率是当前公路边坡安全监测的重点发展方向。得益于图像处理技术的发展，研究提出基于视觉测量的公路边坡位移监测技术，在隐患边坡上布设视觉监测标靶，利用高清摄像头拍摄的视觉标靶图像，通过图像灰度化、图像滤波、角点检测和位移量计算等一系列图像处理技术，将图像中像素的变化还原为视觉标靶的实际位移，从而判断公路边坡状态。研究通过室内试验和现场验证，证明视觉测量技术在公路边坡位移监测上的可行性，对公路边坡安全监测具有重要意义。

关键词：数字图像处理；公路边坡；视觉测量；位移监测；传感器

中图分类号：TP391.41      文献标志码：A          文章编号：2095-2945（2024）08-0182-05

Abstract： The stability monitoring of highway slope is one of the important tasks in the operation period. At present， the highway slope monitoring is still dominated by manual monitoring and automatic monitoring， with a large workload and high labor cost， while the traditional automatic monitoring equipment is expensive and cumbersome to install. Therefore， reducing the cost of automatic monitoring and improving work efficiency is the key development direction of highway slope safety monitoring. Thanks to the development of image processing technology， the displacement monitoring technology of highway slope based on visual measurement is proposed. The visual monitoring target is arranged on the hidden slope， and the visual target image captured by high-definition camera is used. Through a series of image processing techniques， such as image graying， image filtering， corner detection， displacement calculation and so on， the change of pixels in the image is restored to the actual displacement of the visual target， so as to judge the state of highway slope. Through indoor test and field verification， it is proved that the visual measurement technology is feasible in highway slope displacement monitoring， which is of great significance to highway slope safety monitoring.

Keywords： digital image processing; highway slope; visual measurement; displacement monitoring; sensor

公路邊坡变形直接影响到运营公路的安全与管理。采用行之有效的监测技术，不仅可以对异常变形区域及时做出响应，采取补救措施，从而避免交通管制和减小经济损失，也可以对潜在地质灾害进行预先风险识别，发出预警，从而避免重大伤亡事故发生。

一般而言，边坡安全监测被归结为岩土体的稳定性问题，即研究岩土体中的应力和强度[1]。当岩土体中的抗剪强度不足以抵抗岩土体下滑时，将导致边坡失稳或破坏。当前在边坡安全监测方面，主要的监测方法可以分为两大类，即接触式和非接触式监测[2-3]。实际上，2种监测方法最终都可以划归到基于变形的监测，然而鉴于公路边坡工程的特殊性，目前的监测方法和监测仪器在不同程度上存在着不足。

对于接触式的边坡安全监测，主要方法是预先做好监测点放样，并在设计监测点位置埋设各类应力或位移传感器，如GNSS、倾斜计等，根据边坡内部的应力状况或变形情况判断其结构稳定与否，进行边坡的安全评估。此类方法精度较高，也成功应用在不少工程案例中[4-5]。然而，由于大量传感器安装成本较高，且埋设后不可维修；埋设难度大，工程量也较大；数据处理和分析专业要求高，其应用范围仍然存在不小的局限性。

上述的接触式监测对人工的依赖较强，外业工作强度大，工作效率低，而非接触式监测可以大幅降低外业工作强度，提高工作效率。目前较为常见的非接触式监测有合成孔径雷达测量技术（InSAR）、无人机近景摄影测量和三维地面激光扫描（TLS）等，但也存在一定的缺陷，如InSAR监测技术存在失相干现象和大气效应对测量结果的精度影像问题，为精确提取真实的地表形变信息，一般需要冗余观测数据，以便补偿上述误差的影响；TLS法需要使用激光逐行扫描目标，一般所需处理时间较长，数据处理相当复杂且对测量人员的专业水平要求过高，而且对于规模较大的边坡，往往需要沿边坡在不同位置、不同角度多站测量[6-7]。

近年来，非接触式测量方法在岩土体监测中受到越来越多的关注。基于数字图像处理的视觉测量技术是一种新型的非接触式光学测量方法，因具有远距离、非接触、高精度及省时省力等众多优点，越来越受到科研和工程人员的关注。该方法主要对相机拍摄的被测结构视频进行目标追踪处理以得到测点在图像中的运动轨迹，再通过图像与现实世界的几何关系确定结构的位移信息。相机被架设在距被测结构较远处的固定点上，消除了接触式位移监测方法需要在结构上安装固定支撑点的需求。另外由于相机视野可以涵盖大面积测量区域，因此容易以较低的成本实现变形测量。基于计算机视觉的位移监测方法已被应用于结构健康监测的多种任务中，如桥梁挠度测量、损伤识别等[8]。

但视觉测量技术目前主要应用于结构健康监测领域，在边坡变形监测上的应用尚不成熟。因此，本文针对性地开展了基于视觉测量的公路边坡变形监测技术研究，分析了视觉测量的基本原理及工作流程，并在依托工程中得到了现场验证，对于公路边坡的安全监测具有重要的研究意义。

1  视觉测量基本原理及流程

1.1  图像预处理

1.1.1  图像灰度化

图像处理中，如果直接对彩色图像进行计算，需要对彩色图像中的红绿蓝3个分量分别进行计算，该过程计算较为繁琐。与彩色图像相比，灰度图像有2个优点，一是灰度图像比彩色图像占用内存小，运算速度更快；二是转化为灰度图像后可以在视觉上增加对比，突出目标区域，为后续的图像识别和分析做准备。

为了简化运算矩阵，提高计算速度，首先要对图像进行灰度化。灰度化是将彩色图像转换为灰度图像的过程，灰度图像上每个像素的像素值称为灰度，范围从0到255，0表示黑色，255表示白色，故灰度图像有256个分级。

图像灰度化的计算公式为

，

式中：IR、IG、IB分别表示红绿蓝三通道的颜色深度，前面的系数由人眼对颜色的敏感度决定。经上式灰度化后的混凝土裂缝图像如图1所示。

1.1.2  图像滤波

图像在经过灰度处理后，可能会存在局部像素点的灰度值与周围像素点不协调，这些不协调的像素点称为图像的噪声点。噪声产生的原因有很多，如图像采集过程中的环境变化、拍摄对象表面纹理和均匀性引起的亮度差异、车辆引起的脉冲振动、图像传输过程及灰度转化等都有可能产生噪声。图像中的噪声会加大目标的识别难度或影响识别效果，需要对其进行降噪处理，这个过程通常称为“图像滤波”。

本项目以实际混凝土裂缝为试验对象，分析验证了目前常用的中值滤波、均值滤波等滤波算法。

1）平滑算法源于邻域平均法，是一种直接在空域上进行的图像平滑处理技术。邻域平均法认为图像由若干灰度恒定的小块组成，相邻像素间存在着较高的相关性，而噪声是局部独立存在的。邻域平均法是将图像中滤波像素局部小邻域内所有像素灰度的平均值作为该像素的灰度值，可以较好地除去图像中孤立噪声点，但对图像的边缘及细节损害较大。

2）中值滤波是基于图像区域内像素灰度排序的非线性滤波算法，根据像素灰度排序决定滤波像素的灰度值，将像素邻域内灰度的中值作为滤波像素新的灰度值。

3）均值滤波是基于图像局部邻域内像素信息的滤波算法，将邻域内像素灰度的平均值作为滤波像素新的灰度值，可有效消除图像中的点状噪声，如图2所示。

1.2  边坡位移计算

通过对初始图像进行预处理，得到噪声较少的图像后，对时序图像开展边坡位移计算。

1.2.1  模板匹配

模板匹配是目标检测领域的关键技术之一，其主要工作流程是通过已知的目标图像，利用相应的视觉算法，在后续采集到的一系列图像上完成目标的搜索任务，并对其进行标记及定位。

视觉图像中的像素值在噪声的干扰下很容易发生改变，但相邻像素之间的关系在受到全局线性噪声的干扰下仍可以保持稳定的状态，因此研究利用LBP（局部二值模式）比较中心像素点与附近相邻像素点的大小关系，将中心像素点重新编码，其编码结果不受全局噪声的影响。研究采用基于LBP差分的模板匹配方法对视觉图像进行匹配，进一步提高了模板匹配的鲁棒性，如图3所示。

1.2.2  角点检测

在完成模板匹配后，便可利用角点检测对图像内特征点坐标进行标定。角点即一阶导数（灰度的梯度）的局部最大所对应的像素点，目前常见的有基于二值图像的角点检测、基于轮廓曲线的角点检测和基于灰度图像的角点检测，其中Harris角点检测是基于灰度图像的角点检测方法中最受广泛应用的角点检测算法之一。

Harris角点检测算法的核心原理是利用局部窗口在图像上不断进行移动，进而判断窗口在各个方向上的变化程度，从而找出图像中灰度变化较大的点，即角点，如图4所示。

1.2.3  位移量计算

在进行位移搜索时，通常最小的搜索步长也是整像素级别的，因此搜索结果的精度最高也只能达到1个像素。为了达到更高的精度，可以通过灰度插值法对图像进行插值，通过在像素间插入点，从而得到更高的搜索精度。不同的插值方法所得到的插值精度和计算效率也不同，常见的亚像素插值方法有最近邻插值、双线性插值和双三次立方插值等，其中双线性插值和双三次立方插值法的计算精度较高。

为了验证亚像素插值法的测量精度，研究通过计算机生成一幅散斑图像作为参考图像，并使参考图像沿x方向做平移运动，每移动0.1像素生成一幅新的图像，总位移距离为1像素。并通过双线性插值法和双三次立方插值法对图像进行计算，计算结果见表1。

根据表1中结果，可以看出在位移很小時，双线性插值法和双三次立方插值法的效果相近，当位移超过0.4 像素时，双三次立方插值法的精度明显提高，整个过程中双三次立方插值法稳定性也高。

2  工程应用与验证

2.1  工程概况

项目选取浙江省杭州市桐庐县某公路K3+290—K3+330左侧边坡为依托工程，边坡现状如图5所示，边坡岩性为强风化凝灰岩，岩体节理强烈发育，较为破碎，上覆全风化残积和第四纪沉积土，坡面径流痕迹明显，冲刷严重，坡脚堆积有大量坡积物，且挡墙仅余数米，根据现状可以判断该边坡历史发生过滑坡。

通过对该公路边坡的实地调研，于边坡后缘发现拉裂裂缝2处，裂缝最大宽度为5.8 cm，深度约10 cm，如图6所示。

根据现场调研结果及历史灾害记录，可以认定该边坡仍具有二次灾害发生的可能，因此，对该边坡进行视觉监测工作。

2.2  监测点布置

由于现场植被覆盖率高，坡率较陡且边坡坡面冲刷严重，北斗定位设备难以安装，因此结合边坡病害发育情况及现场设备布设难易程度，研究共布置了6个倾角计和3个视觉监测标靶，倾角计沿滑坡陡坎边缘布置，视觉监测靶标布置于边坡右侧坡度最陡处，设备布置位置示意图如图7所示。

2.3  监测结果对比

倾角计的倾角变化如图8所示。根据倾角变化曲线，可以发现6个倾角计的读数在布置后的前5个月都相对稳定，最大变化值不超过0.02°，当浙江省雨季来临后，倾角计读数相对有所增大，最大变化值达到了0.04°，但与预警值3～5°仍相去甚远，说明边坡仍处于稳定状态，倾角的变化可能来自雨季的径表冲刷。

由于安装问题，3个视觉监测靶标有1个靶标倾倒，仅留2个视觉靶标在工作。视觉测量结果如图9所示。

根据视觉测量结果，可以发现视觉测量的波动较大，但波动基本不超过2 mm，根据分析该现象可能是由于摄像头立杆过高，导致在自然风等环境因素影响下存在一定的晃动。总体来看，视觉检测结果相对稳定，保持在-2～2 mm之内波动，表明该边坡处于一个相对稳定的状态，与倾角计测量结果相符。

3  结论

研究基于数字图像处理技术提出一种公路边坡位移监测技术，该技术具有安装简易、成本低、精度高等优点，并在公路边坡上得到了工程验证与应用，研究结论如下。

1）研究通过对图像中加入噪声，利用不同图像滤波技术对噪声图像进行去噪计算，通过对比计算结果，可以发现均值滤波算法可以更好地减少噪声对图像质量的影响。

2）通过对图像亚像素插值法的研究，利用计算机生成图像，分别开展双线性插值法和双三次立方插值法计算，结果显示双三次立方插值法计算结果较双线性插值法更为稳定，且结果精度更高。

3）通过现场试验验证，基于视觉测量的公路边坡位移监测技术结果与倾角计监测结果相符，表明视觉监测可以较好地满足公路边坡稳定性监测的需求，但与传统监测设备相比，视觉监测的稳定性仍有不足，后续还应开展相关研究工作。

参考文献：

[1] 常娟娟，吴凯，卢亚杰，等.基于视觉技术的岩土工程高边坡外观变形智能监测技术研究[J].四川建材，2021，47（8）：71-72.

[2] 吴妮真.计算机视觉技术研究及发展趋势分析[J].科技创新与应用，2021（34）：58-61.

[3] 时梦杰，陶庭叶，高飞，等.雾天环境下机器视觉的边坡监测方法[J].测绘通报，2022（6）：88-92.

[4] 李嘉兴.基于DIC技术的高边坡施工中边坡变形信息监测方

法研究[J].工程技术研究，2022，7（18）：4-6.

[5] 韦飞云.大尺寸物体测量方法国内外研究现状[J].科技创新与应用，2016（3）：123.

[6] 侯健文.基于无人机摄影测量和深度学习的公路边坡病害研

究[D].太原：太原理工大学，2022.

[7] 林泊锟，李登华，丁勇，等.基于机器视觉的滑坡体夜间不间断监测技术研究[J/OL].激光杂志：1-6[2024-03-06].http：//kns.cnki.net/kcms/detail/50.1085.TN.20230314.1655.004.html.

[8] 钱峰，罗苗，李健，等.基于圖像分析识别的安全监控和数字信息化应用技术分析[J].四川建筑，2023，43（4）：36-38.