Nghiên cứu trong nƣớc

CHƢƠNG 1 TỔNG QUAN VỀ ĐỀ TÀI

1.3 Tổng quan tình hình nghiên cứu đề tài

1.3.2 Nghiên cứu trong nƣớc

Hiện nay ở Việt Nam số nghiên cứu xác định kích thƣớc hình học vết nứt trên cấu kiện bê tơng cốt thép rất ít. Một số đề tài cơng trình đã nghiên cứu hƣ hỏng nứt, xác định kích thƣớc vết nứt trên mặt đƣờng bê tơng nhựa nhƣ sau:

Tác giả Lê Anh Thắng và Nguyễn Hải Dƣơng (2015) [20] đã nghiên cứu đề xuất “xác định kích thƣớc vết nứt trên mặt đƣờng bê tơng nhựa từ ảnh 2D” Mơ hình ƣớc lƣợng chiều dài và bề rộng vết nứt đơn trên mặt đƣờng bê tông nhựa dựa vào ảnh hai chiều đƣợc đề xuất. Ảnh chứa vết nứt có thể đƣợc trích lọc từ đoạn video thu hình hiện trạng bề mặt của một tuyến hiện hữu. Hình ảnh lấy đƣợc từ Quốc lộ 57 đã đƣợc dùng để kiểm chứng mơ hình. Kết quả so sánh, giữa trị thực đo và ƣớc lƣợng, cho thấy tính khả thi của mơ hình đề xuất.

Tác giả Lê Anh Thắng, Nguyễn Duy Liêm và Nguyễn Hải Dƣơng (2016) [21] đã nghiên cứu phân loại hƣ hỏng nứt trên mặt đƣờng bê tông nhựa bằng thuật tốn SVM. Mặt đƣờng bê tơng nhựa ln xuống cấp theo thời gian. Hƣ hỏng sẽ tăng nhanh nếu mặt đƣờng không sửa chữa kịp thời. Trong nhiều dạng hƣ hỏng của mặt đƣờng bê tông nhựa, hƣ hỏng mặt đƣờng do nứt là dạng hƣ hỏng thƣờng gặp. Áp dụng công nghệ xử lý ảnh vào công tác quản lý nứt trên mặt đƣờng là hƣớng nghiên cứu khả thi trong điều kiện Việt Nam. Thuật toán SVM (Support Vector Macchina) đƣợc sử dụng để nhận dạng vết nứt trên bê mặt đƣờng bê tơng nhựa. Cách tiếp cận này cịn đƣợc dùng để phân loại các vết nứt khác nhau. Qua nghiên cứu này, một số hình ảnh 2D của các vết nứt trên mặt đƣờng bê tông nhựa đã đƣợc thử nghiệm. Chúng bao gồm các hình ảnh khơng chứa đƣờng nứt, chứa một đƣờng nứt, và chứa

13

nứt dạng mạng lƣới. Kết quả cho thấy rằng độ chính xác có thể đạt hơn 80%. Kết quả ban đầu này cho thấy khả năng áp dụng công nghệ xử lý ảnh vào công tác quản lý hƣ hỏng là hƣớng đi phù hợp. Cách tiếp cận này là khơng tốn q nhiều chi phí thiết bị chuyên dùng nhƣng kết quả đạt đƣợc vẫn chính xác.

1.3.3 Nhận xét chung về tình hình nghiên cứu trong và ngoài nƣớc

Các bài viết, bài báo và báo cáo nghiên cứu khoa học đƣợc thực hiện theo định hƣớng nghiên cứu áp dụng các công nghệ xử lý ảnh hiện đại vào công tác kiểm tra, thanh tra, công tác tu dƣỡng, bảo dƣỡng và để đánh giá hƣ hỏng nứt các cấu kiện bê tông cốt thép và dựa trên một số loại thuật tốn xử lý hình ảnh đề xuất cho việc phân loại vết nứt xác định kích thƣớc hình học trên các cấu kiện bê tơng.

1.4 Mục tiêu nghiên cứu

Mục đích nghiên cứu của đề tài này là nghiên cứu xác định kích thƣớc hình học vết nứt trên cấu kiện bê tông cốt thép bằng phƣơng pháp xử lý ảnh. Với mục đích tiến hành các nghiên cứu vết nứt bê tơng, và cách thức mà các thuật tốn đã đƣợc thử nghiệm trên các hình ảnh kỹ thuật số và xác định chiều dài, bề rộng vết nứt dựa trên xử lý ảnh.

1.5 Nhiệm vụ nghiên cứu và giới hạn của đề tài 1.5.1 Nhiệm vụ nghiên cứu 1.5.1 Nhiệm vụ nghiên cứu

Đề tài nhằm nghiên cứu xác định kích thƣớc hình học vết nứt trên cấu kiện bê tơng cốt thép bằng phƣơng pháp xử lý hình ảnh để tăng hiệu quả trong việc kiểm tra, thanh tra đánh giá xử lý hƣ hỏng của cấu kiện bê tông cốt thép trong quá trình khai thác ở Việt Nam và ứng dụng trong thực tế trên cấu kiện dầm, sàn bê tông cốt thép của các cơng trình xây dựng. Nhiệm vụ cụ thể:

 Nghiên cứu các dạng hƣ hỏng nứt cấu kiện bê tông cốt thép, cách phân loại

đánh giá hƣ hỏng vết nứt.

14

 Xây dựng hệ thống tính tốn các thơng số vết nứt dựa trên hình ảnh (sử dụng

thuật tốn để đo các thơng số nứt trong dầm, sàn bê tông): bề rộng, chiều dài của vết nứt đơn và nứt rẽ nhánh.

1.5.2 Giới hạn của đề tài

Trong phạm vi luận văn này, học viên tập trung nghiên cứu giải thuật xác định kích thƣớc hình học vết nứt trên cấu kiện bê tơng cốt thép từ ảnh chụp 2D của vết nứt. Theo đó ảnh chụp vết nứt phải thỏa mãn các yêu cầu sau:

 Vết nứt phải nằm tồn bộ trong khung hình.

 Kích thƣớc ảnh chụp có thể tùy biến, nhƣng phải đảm bảo tỉ lệ giữa chiều dài và chiều rộng.

 Ảnh chụp phải rõ nét, và có độ tƣơng phản cao giữa vùng vết nứt và bề mặt bê tông xung quanh.

1.6 Phƣơng pháp nghiên cứu

Phƣơng pháp nghiên cứu đƣợc thực hiện trong đề tài này là phƣơng pháp nghiên cứu xác định kích thƣớc hình học vết nứt trên cấu kiện bê tông cốt thép bằng phƣơng pháp xử lý hình ảnh. Hình ảnh sau khi thu thập bằng máy ảnh đƣợc đƣa vào máy tính xử lý ra kết quả.

 Thống kê và thu thập các loại nứt cấu kiện bê tông cốt thép.

 Phân loại vết nứt bằng hình ảnh trên bề mặt dầm sàn bê tơng cốt thép bằng thuật tốn máy học dựa trên mạng neural bao gồm 3 phần: Tiền xử lý ảnh, xây dựng bộ phân lớp bằng thuật toán và phân loại vết nứt.

 Xác định kích thƣớc vết nứt dầm, sàn bê tơng cốt thép từ xử lý ảnh: Xác định chiều dài, bề rộng khe nứt.

15

CHƢƠNG 2. CƠ SỞ NGHIÊN CỨU

2.1 Giới thiệu ảnh số

Một ảnh thật là một hàm liên tục F(x,y) với (x,y) là các giá trị tọa độ trong không gian và biên độ của hàm F(x,y) chính là độ chói tƣơng ứng của điểm ảnh đang xét. Theo đó một ảnh số F(u,v) là một tập hợp hữu hạn các điểm đƣợc gọi là Pixel. Ảnh số đƣợc tạo ra từ quá trình lấy mẫu (sampling) và lƣợng tử hóa (quantization) một ảnh thật.

Hình 2.1 bên dƣới trình bày quá trình lấy mẫu của một tín hiệu liên tục theo thời gian S(t). Theo đó mỗi điểm Si chính là giá trị của S(t) đƣợc thu thập sau mỗi một chu kì T. Chu kì T càng nhỏ thì mật độ các điểm Si sẽ tăng lên, và khi đó ta sẽ có biểu diễn gần đúng của S(t). Q trình tƣơng tự cũng xảy ra đối với ảnh thật, tuy nhiên trên ảnh thật, việc lấy mẫu sẽ đƣợc thực hiện đồng thời ở hai trục tọa độ không gian Ox, Oy bởi một mạng cảm biến đƣợc tích hợp trong các camera. Mật độ các cảm biến quyết định chất lƣợng ảnh ngõ ra của camera.

Hình 2.1: Quá trình lấy mẫu

Nếu q trình lấy mẫu là q trình hữu hạn hóa một tín hiệu liên tục để tạo ra một tập hữu hạn các điểm. Thì quá trình lƣợng tử là việc biểu diễn các giá trị tại các

16

điểm đƣợc lấy mẫu. Một đại lƣợng quan trong trong q trình lƣợng tử đó là số bit lƣợng tử. Số bit lƣợng tử càng lớn thì ta càng biểu diễn chính xác giá trị biên độ của tín hiệu thực và ngƣợc lại. Hình 2.2 và Hình 2.3 biểu diễn sự khác nhau giữa việc sử dụng hai bit và ba bit lƣợng tử để biểu diễn biên độ của tín hiệu liên tục (đƣờng màu đỏ). Ta có thể thấy rằng, đƣờng giá trị sau khi đƣợc lƣợng tử (đƣờng màu xanh) ở trƣờng hợp 3 bit biểu diễn chính xác hơn giá trị của tín hiệu liên tục.

Hình 2.2: Lƣợng tử hai bit

Hình 2.3: Lƣợng tử 3 bit

Việc tăng số lƣợng bit lƣợng tử sẽ tăng độ chính xác của ảnh. Tuy nhiên nó cũng đồng thời làm tăng kích thƣớc ảnh, gây khó khăn cho việc lƣu trữ, xử lý ảnh trong các thiết bị điện tử. Trên thực tế, hầu hết các ứng dụng đều sử dụng ảnh với số bit lƣợng tử là 8 bit. Các ảnh có số bit lƣợng tử lớn hơn (16 hoặc 32) thƣờng chỉ đƣợc sử dụng cho những ứng dụng có yêu cầu cao về chất lƣợng ảnh nhƣ: y tế, quan

17

trắc … Trong phạm vi luận văn này, học viên sử dung ảnh với 8 bit lƣợng tử, đây là ảnh có thể dễ dàng thu thập từ các camera thông dụng.

Một ảnh số thƣờng đƣợc biểu diễn dƣới đạng một ma trận có kích thƣớc “MxN” với M, N tƣơng ứng là số lƣợng pixel trên chiều dài và chiều rộng của ảnh. Và các ảnh số thƣờng đƣợc phân loại thành: ảnh nhị phân, ảnh đa mức xám, ảnh màu.

2.1.1 Ảnh màu

Ảnh màu là ảnh thể hiện đƣợc màu sắc của đối tƣợng chụp. Có nhiều hệ màu có thể đƣợc áp dụng để thể hiện đƣợc màu sắc của ảnh chụp ví dụ nhƣ: RGB, YUV, YCbCr, YMCK, HSV … Tuy nhiên thông dụng nhất vẫn là RGB. Trong hệ màu RGB, tất cả các màu sắc đều có thể đƣa về thành một bộ 3 giá trị màu cơ bản là Đỏ (Red), Xanh lá (Green) và Xanh dƣơng (Blue). Theo đó mỗi Pixel sẽ gồm 3 giá trị màu riêng biệt R, G và B tƣơng ứng với độ nhạy sáng đối với ba loại ánh sáng: đỏ, xanh lục và xanh lá.

Hình 2.4: Hệ màu RGB

Một ảnh màu sử dụng hệ màu RGB sẽ đƣợc biểu diễn bởi một ma trận 3 chiều “M x N x 3” với M, N là kích thƣớc ảnh, và 3 chính là số thành phần màu.

2.1.2 Ảnh xám

Ảnh xám là ảnh biểu diễn độ nhạy sáng đối với ánh sáng trắng. Theo đó mỗi pixel sẽ chứa thông tin cƣờng độ của ánh sáng trắng, và ta có thể chuyển đổi dễ dàng từ ảnh RGB sang ảnh xám bằng cơng thức:

18

Hình 2.5: Ảnh xám

Hinh 2.6: Đồ thị mức xám của vết nứt

Một ảnh xám đƣợc biểu diễn bởi một ma trận hai chiều có kích thƣớc mà MxN. Hình 2.5 và Hinh 2.6 biểu diễn ảnh mức xám, cũng nhƣ đồ thị mức xám đối với vết nứt trên ảnh.

Ta có thể thấy rằng, đối với ảnh xám của hình chụp vết nứt. Phần khơng nứt sẽ có giá trị độ sáng lớn hơn so với phần bị nứt. Vì thế ta có thể chuyển đổi ảnh vết nứt sang ảnh xám rồi dựa vào sự khác biệt về cƣờng độ giữa vùng nứt và không nứt để phát hiện vết nứt.

19

2.1.3 Ảnh nhị nhân

Ảnh đƣợc biểu diễn bởi một ma trận hai chiều thuộc kiểu logical. Mỗi điểm ảnh chỉ có thể nhận một trong hai giá trị là 0 (đen) hoặc 1 (trắng).

Hình 2.7: Ảnh nhị phân biểu diễn dƣới dạng số 2.2 Nhị phân hóa 2.2 Nhị phân hóa

2.2.1 Phân ngƣỡng nhị phân

Khi xem xét ảnh xám của vết nứt nhƣ ở Hình 2.5, ta có thể dễ dàng nhận ra rằng phần vết nứt sẽ có màu tối hơn thành phần bê tơng khơng có vết nứt. Khi đó ta có thể phân đoạn vết nứt trên ảnh I(x,y) bằng cách lựa chọn một ngƣỡng k thích hợp. Theo đó

Hình 2.8 minh họa việc chọn ngƣỡng k dựa trên histogram của một ảnh I(x,y). Về căn bản, Histogram là đồ thị thể hiện tần số phân bố của các giá trị trên ảnh (trong trƣờng hợp này chính là các giá trị cƣờng độ của ảnh xám I(x,y)). Giá trị phân ngƣỡng K nên đƣợc chọn để có thể phân tách đƣợc hai vùng có histogram lớn nhất. Và theo nhƣ nhận xét ở trên, thì vùng có vết nứt sẽ “tối” hơn vùng bình thƣờng do đó phần vết nứt sẽ là vùng Class 0 trên đồ thị.

( ) { ( )

20

Hình 2.8: Hình ảnh phân ngƣỡng

2.2.2 Thuật toán phân ngƣỡng Otsu

Thuật toán phân ngƣỡng Otsu đƣợc tác giả Nobuyuki Otsu giới thiệu năm 1979 [22]. Phƣơng pháp phân ngƣỡng Otsu dựa trên biểu đồ histogram. Trƣớc tiên, tác giả xét biểu đồ histogram chuẩn hóa dựa trên hàm mật độ (PDF – Probability density function) theo công thức:

  q  0,1,2,...,L-1 n n r pr q q , (2.3) Trong đó: - n - tổng số pixel trên ảnh; - nq - tổng số pixel có mức độ xám rq; - L - tổng số ngƣỡng độ xám trên ảnh;

Giả sử có ngƣỡng k đƣợc chọn sao cho C0 là tập hợp các pixel có ngƣỡng từ [0,1,…,k-1] và C1 là tập hợp các pixel có ngƣỡng từ [k,k+1,…,L-1]. Phƣơng pháp Otsu lựa chọn ngƣỡng k sao cho độ lệch chuẩn 2B giữa các lớp là lớn nhất. Độ lệch chuẩn 2B đƣợc xác định theo công thức:

21    2 T 1 1 2 T 0 0 2 B        (2.4) Trong đó:             1 1 1 0 0 ; L k q q q k q q q r p r p     k 1 0 q q 0 q 0 qp r /                      L 1 0 q q q T 1 1 L k q q q 1 qp r / ; qp r

2.2.3 Phƣơng pháp khử nhiễu dựa trên k-Nearest Neighbors

kNN là phƣơng pháp để phân lớp các đối tƣợng dựa vào khoảng cách gần nhất giữa đối tƣợng cần phân lớp và tất cả các đối tƣợng trong dữ liệu huấn luyện. Một đối tƣợng đƣợc phân lớp dựa vào k láng giềng của nó. K là số nguyên dƣơng lẻ đƣợc xác định trƣớc khi thực hiện thuật toán [23]. Ngƣời ta thƣờng dùng khoảng cách Euclidean để tính khoảng cách giữa các đối tƣợng.

Giả sử ta có n điểm dữ liệu đã đƣợc phân loại:

 * + (2.5)

 * + (2.6)

Tập L là tập các nhãn tƣơng ứng của các điểm điểm dữ liệu trong tập D. Dữ liệu cần đƣợc phân loại vào hai lớp I và II.

Thuật toán: k-Nearest Neighbours

Đầu vào: Tập dữ liệu D, số láng giềng cần xét và điểm dữ liệu cần phân loại . Đầu ra: Nhãn của điểm dữ liệu .

Bƣớc 1: Tính khoảng cách của tới tất cả các điểm dữ liệu. Ta có * + ̅̅̅̅. Bƣớc 2: Sắp xếp dãy * + ̅̅̅̅ theo thứ tự tăng dần ta đƣợc dãy * + ̅̅̅̅.

22

* ̅̅̅̅̅+

Bƣớc 4: Tính tần số xuất hiện của các nhãn I và II trong tập nhãn

(2.7)

Bƣớc 5: {

Hình 2.9: Thuật tốn k-nearest neighbours

Dựa trên ý tƣởng của k-nearest neighbours ta có thể xây dựng một bộ lọc nhiễu để khử các nhiễu trong q trình nhị phân hóa ảnh vết nứt. Hình 2.10 cho ta cái nhìn tổng qt về các nhiễu có thể xuất hiện trong q trình nhị phân hóa ảnh vết nứt bằng thuật tốn Otsu.

23

Các nhiễu này có thể đƣợc giải quyết bằng cách tái phân lớp các điểm ảnh dựa trên các giá trị lân cận nó. Để thực hiện điều này, ta sẽ đặt một cửa sổ có kích thƣớc WxW (với W = 3,5,7…) với tâm là điểm ảnh đang xét. Khi đó giá trị của điểm ảnh đang xét sẽ là 1 nếu các điểm ảnh xung quanh có nhiều giá trị 1 hơn và ngƣợc lại. Hình 2.11 cho ta một ví dụ về việc khử nhiễu áp dụng ý tƣởng của thuật tốn KNN, và Hình 2.12 là kết quả vết nứt sau khi đƣợc khử nhiễu.

Hình 2.11: Khử nhiễu

Hình 2.12: Hình ảnh vết nứt sau khi đƣợc khử nhiễu 2.3 Nhận dạng vết nứt 2.3 Nhận dạng vết nứt

2.3.1 Trình bày tóm tắt về phân lớp dữ liệu

Phân lớp dữ liệu là một kỹ thuật trong khai phá dữ liệu đƣợc sử dụng rộng rãi nhất và đƣợc nghiên cứu mở rộng hiện nay. Mục đích của nó là để dự đốn những nhãn phân lớp cho các bộ dữ liệu hoặc điểm dữ liệu mới.

 Đầu vào: Một tập các mẫu dữ liệu huấn luyện, với một nhãn phân lớp cho mỗi mẫu dữ liệu

24

 Đầu ra: Bộ phân lớp sau khi huấn luyện trên tập huấn luyện và những nhãn phân lớp của các điểm dữ liệu mới.

Phân lớp dữ liệu dựa trên tập huấn luyện và các giá trị trong một thuộc tính phân lớp và dùng nó để xác định lớp cho dữ liệu mới. Kỹ thuật phân lớp dữ liệu đƣợc tiến hành bao gồm 2 bƣớc:

 Bƣớc 1: Xây dựng mơ hình từ tập huấn luyện (Training).

 Mỗi bộ/mẫu dữ liệu đƣợc phân vào một lớp đƣợc xác định trƣớc.

 Lớp của một bộ/mẫu dữ liệu đƣợc xác định bởi thuộc tính gán nhãn lớp.

 Tập các bộ/mẫu dữ liệu huấn luyện - tập huấn luyện - đƣợc dùng để xây dựng mơ hình.