CN107463934A - 一种隧道裂缝检测方法及装置 - Google Patents

Abstract

本发明公开了一种隧道裂缝检测方法及装置，其中该方法包括：获取包含裂缝的颜色图像及不包含裂缝的颜色图像作为样本图像，每个所述样本图像具有该样本图像中是否包含裂缝的标注；对所述样本图像进行二值化得到对应二值化图像，并对所述二值化图像进行图像边缘提取得到对应边缘图像；提取所述边缘图像的梯度特征及所述样本图像对应深度图像的深度信息作为样本特征；利用所述样本特征及对应样本图像的标注训练分类器，并利用训练得到的分类器基于获取的待检测颜色图像对应待检测特征得到该待检测颜色图像中是否包含裂缝的分类结果。从而保证了分类器的分类精度，进而降低了裂缝检测的误判率。

Description

一种隧道裂缝检测方法及装置

技术领域

本发明涉及机器视觉技术领域，更具体地说，涉及一种隧道裂缝检测方法及装置。

背景技术

隧道是修建在地层内的一种建筑物，无论是山岭隧道、水底隧道还是地下隧道，都有着极其重要的交通作用，因而隧道的安全问题尤为突出。裂缝作为隧道众多病害情况中的一种，其检测技术和精度是考验一个国家交通安全的重要指标。

目前大多采用人工检测隧道中裂缝是否存在，耗费繁重且效率低，对隧道安全带来极大的挑战。随着智能设备理念的提出，越来越多智能巡检机器人代替工作人员进行巡检，机器人能够通过挂轨技术在隧道内自主运行，并在设定的巡检点暂停，对隧道墙体区域进行裂缝检测分析。因隧道内背景复杂、墙体因施工造成表面纹理博杂、类似裂缝的区域较多等原因，使检测裂缝的误判率较高。

综上所述，如何提供一种用于在隧道中实现裂缝检测且误判率较低的技术方案，是目前本领域技术人员亟待解决的问题。

发明内容

本发明的目的是提供一种隧道裂缝检测方法及装置，能够在检测隧道内的裂缝时达到较低的误判率。

为了实现上述目的，本发明提供如下技术方案：

一种隧道裂缝检测方法，包括：

获取包含裂缝的颜色图像及不包含裂缝的颜色图像作为样本图像，每个所述样本图像具有该样本图像中是否包含裂缝的标注；

对所述样本图像进行二值化得到对应二值化图像，并对所述二值化图像进行图像边缘提取得到对应边缘图像；

提取所述边缘图像的梯度特征及所述样本图像对应深度图像的深度信息作为样本特征；

利用所述样本特征及对应样本图像的标注训练分类器，并利用训练得到的分类器基于获取的待检测颜色图像对应待检测特征得到该待检测颜色图像中是否包含裂缝的分类结果。

优选的，对所述样本图像进行二值化得到对应二值化图像，包括：

对所述样本图像进行灰度化，确定出所述样本图像中每个像素的灰度值及8邻域；

基于所述样本图像中每个像素的灰度值及8邻域计算该像素的局部强度，并将具有相同灰度值的像素的局部强度累加得到对应强度累加值；

确定最大的强度累加值对应灰度值为二值化阈值，并基于该二值化阈值对所述样本图像进行二值化，得到对应二值化图像。

优选的，基于所述样本图像中每个像素的8邻域计算该像素的局部强度，包括：

按照下列公式计算所述样本图像中每个像素的局部强度：

其中，N(x,y)表示像素(x,y)的8邻域的集合，I(u,v)表示像素(x,y)的8邻域的灰度值，I(x,y)表示像素(x,y)的灰度值，ψ(x,y)表示像素(x,y)的局部强度。

优选的，对所述二值化图像进行图像边缘提取得到对应边缘图像，包括：

基于预先设置的对比度利用canny对所述二值化图像进行图像边缘提取，得到对应的边缘图像。

优选的，提取所述边缘图像的梯度特征及所述样本图像对应深度图像的深度信息作为样本特征之前，还包括：

将所述边缘图像及所述样本图像对应深度图像均标准化为预设宽度及预设高度的图像。

优选的，利用所述样本特征及对应样本图像的标注训练分类器，包括：

使用支持向量机的径向基函数利用所述样本特征及对应样本图像的标注训练分类器。

优选的，得到所述分类结果之后，还包括：

如果所述分类结果表示所述待检测颜色图像中包含裂缝，则获取所述待检测颜色图像中包含的裂缝的长度及面积；

将所述待检测颜色图像中包含的裂缝的长度与对应长度阈值比对、面积与对应面积阈值比对，如果所述待检测颜色图像中包含的裂缝的长度大于对应长度阈值和/或所述待检测颜色图像中包含的裂缝的面积大于对应面积阈值，则发出报警信息。

优选的，发出报警信息，包括：

将所述待检测颜色图像中包含的裂缝的长度、面积及所述待检测图像发送至指定终端。

优选的，获取所述待检测颜色图像，包括：

利用补光灯照射需要被检测的区域，并由需要被检测的区域中获取具有预设高度及预设宽度的待检测颜色图像。

一种隧道裂缝检测***，包括：

样本图像获取模块，用于：获取包含裂缝的颜色图像及不包含裂缝的颜色图像作为样本图像，每个所述样本图像具有该样本图像中是否包含裂缝的标注；

样本图像处理模块，用于：对所述样本图像进行二值化得到对应二值化图像，并对所述二值化图像进行图像边缘提取得到对应边缘图像；

样本特征提取模块，用于：提取所述边缘图像的梯度特征及所述样本图像对应深度图像的深度信息作为样本特征；

分类器训练模块，用于：利用所述样本特征及对应样本图像的标注训练分类器；

分类模块，用于：利用训练得到的分类器基于获取的待检测颜色图像对应待检测特征得到该待检测颜色图像中是否包含裂缝的分类结果。

本发明提供了一种隧道裂缝检测方法及装置，其中该方法包括：获取包含裂缝的颜色图像及不包含裂缝的颜色图像作为样本图像，每个所述样本图像具有该样本图像中是否包含裂缝的标注；对所述样本图像进行二值化得到对应二值化图像，并对所述二值化图像进行图像边缘提取得到对应边缘图像；提取所述边缘图像的梯度特征及所述样本图像对应深度图像的深度信息作为样本特征；利用所述样本特征及对应样本图像的标注训练分类器，并利用训练得到的分类器基于获取的待检测颜色图像对应待检测特征得到该待检测颜色图像中是否包含裂缝的分类结果。本发明实施例提供的上述技术方案中，首先获取包含裂缝的颜色图像及不包含裂缝的颜色图像作为样本图像，然后通过二值化、图像边缘提取等对样本图像进行处理弱化其背景并使得其包含的裂缝突出，进而提取对应边缘图像的梯度特征及对应深度图像的深度信息作为样本特征实现分类器的训练，最后利用该分类器实现待检测图像的分类，从而保证了分类器的分类精度，进而降低了裂缝检测的误判率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种隧道裂缝检测方法的流程图；

图2为本发明实施例提供的一种隧道裂缝检测装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，其示出了本发明实施例提供的一种隧道裂缝检测方法的流程图，可以包括：

S11：获取包含裂缝的颜色图像及不包含裂缝的颜色图像作为样本图像，每个样本图像具有该样本图像中是否包含裂缝的标注。

需要说明的是，本发明实施例提供的一种隧道裂缝检测方法的执行主体可以为对应的隧道裂缝检测装置。而搜集包含裂缝的颜色图像以及不包含裂缝的颜色图像可以为由工作人员实现并将搜集到的上述颜色图像输入至本发明的隧道裂缝检测装置中，以供隧道裂缝检测装置实现样本图像的获取。另外工作人员输入的颜色图像中每个颜色图像均可以具有表示其是否包含裂缝的标注，从而使得隧道检测装置可以通过这些标注确定出不同样本图像是否包含裂缝。简单来说，获取外界输入的标注有颜色图像中是否包含裂缝的颜色图像，并将这些颜色图像作为样本图像实现后续分类器的训练。另外需要说明的是本申请公开的技术方案中样本图像及待检测颜色图像均可以为由隧道中获取的图像。

S12：对样本图像进行二值化得到对应二值化图像，并对二值化图像进行图像边缘提取得到对应边缘图像。

需要说明的是，对样本图像进行二值化能够突出裂缝，弱化复杂的背景，而对二值化图像进行图像边缘提取能够得到二值化图像中包含的所有边缘信息，包含裂缝和噪声，进而得到对应的边缘图像。其中，噪声指隧道内如部件连接处等类似裂缝却不是裂缝的情况，从而通过该步骤弱化背景，突出裂缝和噪声。

S13：提取边缘图像的梯度特征及样本图像对应深度图像的深度信息作为样本特征。

需要说明的是，可以使用RGBD相机进行样本图像的拍摄，从而可以采集到两幅图像，这两幅图像包括彩色图像及深度图像，其中彩色图像即为本申请中所说的样本图像，该图像上每个位置的像素均具有RGB三个值；深度图像即为depth图像，该图像上每个位置的像素均具有一个对应的深度值，该深度值为相机光心到该值对应像素的位置的距离值。然后对于图像上任一位置的像素在样本图像上可以查找到其RGB值，在深度图像上可以查找到对应的深度值(也即本申请中所说的深度图像的深度信息)。另外可以使用x/y方向的sobel算法计算边缘图像的梯度，得到对应梯度特征，其中使用x/y方向的sobel算法计算边缘图像的梯度与现有技术中对应技术方案的实现原理一致，在此不再赘述。

S14：利用样本特征及对应样本图像的标注训练分类器，并利用训练得到的分类器基于获取的待检测颜色图像对应待检测特征得到该待检测颜色图像中是否包含裂缝的分类结果。

利用样本特征及对应样本图像对应的标注训练分类器得到对应的分类器后，可以将待检测颜色图像对应待检测特征作为该分类器的输入，进而分类器能够输出该待检测颜色图像中是否包含裂缝的分类结果，本申请中利用分类器实现待检测颜色图像的分类步骤可以循环多次，即只要出现待检测图像就可按照对应步骤实现待检测图像的分类。需要说明的是，得到待检测图像对应待检测特征的过程可以与本申请中对样本图像进行处理得到对应样本特征的过程相同，区别仅仅在于待检测图像不具有表示其是否包含裂缝的标注。另外任一样本图像对应一个颜色图像、一组样本特征、一个批注。

另外需要说明的是，本发明实施例提供的上述技术方案可以通过挂轨机器人实现，也即可以将本发明实施例提供的隧道裂缝检测装置全部集成或部分集成到挂轨机器人上，当然也可以根据实际需要进行其他设定，均在本发明的保护范围之内。

本发明实施例提供的上述技术方案中，首先获取包含裂缝的颜色图像及不包含裂缝的颜色图像作为样本图像，然后通过二值化、图像边缘提取等对样本图像进行处理弱化其背景并使得其包含的裂缝突出，进而提取对应边缘图像的梯度特征及对应深度图像的深度信息作为样本特征实现分类器的训练，最后利用该分类器实现待检测图像的分类，从而保证了分类器的分类精度，进而降低了裂缝检测的误判率。

本发明实施例提供的一种隧道裂缝检测方法，对样本图像进行二值化得到对应二值化图像，可以包括：

对样本图像进行灰度化，确定出样本图像中每个像素的灰度值及8邻域；

基于样本图像中每个像素的灰度值及8邻域计算该像素的局部强度，并将具有相同灰度值的像素的局部强度累加得到对应强度累加值；

确定最大的强度累加值对应灰度值为二值化阈值，并基于该二值化阈值对样本图像进行二值化，得到对应二值化图像。

需要说明的是，对颜色图像进行灰度化可以得到对应灰度图像，由该灰度图像中可以获取每个像素的灰度值及8邻域。从而基于每个像素的灰度值及8邻域计算出该像素的局部强度，进而累加具有相同灰度值的像素的局部强度，并将最大的强度累加值对应灰度值作为二值化阈值实现样本图像的二值化，保证了样本图像二值化的有效实现。其中基于二值化阈值对样本图像进行二值化，具体可以包括：遍历样本图像中的所有像素，对于其像素值小于二值化阈值的像素令其像素值为0，对于其像素值不小于二值化阈值的像素令其像素值为1，从而实现样本图像的二值化。

本发明实施例提供的一种隧道裂缝检测方法，基于样本图像中每个像素的8邻域计算该像素的局部强度，可以包括：

按照下列公式计算样本图像中每个像素的局部强度：

其中，N(x,y)表示像素(x,y)的8邻域的集合，I(u,v)表示像素(x,y)的8邻域的灰度值，I(x,y)表示像素(x,y)的灰度值，ψ(x,y)表示像素(x,y)的局部强度。

当然还可以根据实际需要进行其他设定，均在本发明的保护范围之内，而本申请中利用上述公式实现局部强度的计算，不仅精度较高且计算简便。

本发明实施例提供的一种隧道裂缝检测方法，对二值化图像进行图像边缘提取得到对应边缘图像，可以包括：

基于预先设置的对比度利用canny对二值化图像进行图像边缘提取，得到对应的边缘图像。

需要说明的是可以预先根据实际需要设置有对比度val_1及val_2，进而基于这两个对比度使用canny对二值化图像进行图像边缘提取，从而得到所有的边缘信息(包含裂缝和噪声)，进而得到边缘图像。而按照上述方式实现图像边缘提取的具体实现原理与现有技术中对应技术方案的实现原理一致，在此不再赘述。

本发明实施例提供的一种隧道裂缝检测方法，提取边缘图像的梯度特征及样本图像对应深度图像的深度信息作为样本特征之前，还可以包括：

将边缘图像及样本图像对应深度图像均标准化为预设宽度及预设高度的图像。

通过将边缘图像及深度图像均标准化为根据实际需要设定的预设宽度及预设高度的图像，实现了图像的统一化，保证了分类器的分类精度。

本发明实施例提供的一种隧道裂缝检测方法，利用样本特征及对应样本图像的标注训练分类器，可以包括：

使用支持向量机的径向基函数利用样本特征及对应样本图像的标注训练分类器。

需要说明的是，本申请中，可以使用支持向量机的径向基函数实现分类器的训练，保证了训练过程的简便有效。当然还可以根据实际需要进行其他设定，均在本发明的保护范围之内。

本发明实施例提供的一种隧道裂缝检测方法，得到分类结果之后，还可以包括：

如果分类结果表示待检测颜色图像中包含裂缝，则获取待检测颜色图像中包含的裂缝的长度及面积；

将待检测颜色图像中包含的裂缝的长度与对应长度阈值比对、面积与对应面积阈值比对，如果待检测颜色图像中包含的裂缝的长度大于对应长度阈值和/或待检测颜色图像中包含的裂缝的面积大于对应面积阈值，则发出报警信息。

需要说明的是，如果检测出待检测颜色图像中包含裂缝，则将其所包含裂缝的长度与预先根据实际需要设定的长度阈值比对、面积与预先根据实际需要设定的面积阈值比对，一旦上述比对中有一项裂缝的数据大于其对应阈值，则说明裂缝已经存在安全隐患，此时发出报警信息实现向工作人员的报警，使得工作人员可以根据实际该报警信息实现对应修复等操作。

本发明实施例提供的一种隧道裂缝检测方法，发出报警信息，可以包括：

将待检测颜色图像中包含的裂缝的长度、面积及待检测图像发送至指定终端。

具体来说，发出报警信息的方式可以有多种，如发出警鸣声或闪灯等，本申请中采用将待检测图像中包含裂缝的长度、宽度及待检测图像发送至与工作人员对应的指定终端的方式，能够使得工作人员获知该警情的同时获知对应裂缝的情况，为工作人员的后续工作提供了依据。

本发明实施例提供的一种隧道裂缝检测方法，获取待检测颜色图像，包括：

利用补光灯照射需要被检测的区域，并由需要被检测的区域中获取具有预设高度及预设宽度的待检测颜色图像。

本申请中可以设置有补光灯，如果需要被检测的区域较暗，则可以自动开启补光灯，利用补光灯实现光照补给，从而保证了获取的待检测颜色图像的清晰度，进而保证了待检测颜色图像的分类精确度。

本发明实施例还提供了一种隧道裂缝检测***，如图2所示，可以包括：

样本图像获取模块11，用于：获取包含裂缝的颜色图像及不包含裂缝的颜色图像作为样本图像，每个样本图像具有该样本图像中是否包含裂缝的标注；

样本图像处理模块12，用于：对样本图像进行二值化得到对应二值化图像，并对二值化图像进行图像边缘提取得到对应边缘图像；

样本特征提取模块13，用于：提取边缘图像的梯度特征及样本图像对应深度图像的深度信息作为样本特征；

分类器训练模块14，用于：利用样本特征及对应样本图像的标注训练分类器；

分类模块15，用于：利用训练得到的分类器基于获取的待检测颜色图像对应待检测特征得到该待检测颜色图像中是否包含裂缝的分类结果。

本发明实施例提供的一种隧道裂缝检测***，样本图像处理模块可以包括：

二值化单元，用于：对样本图像进行灰度化，确定出样本图像中每个像素的灰度值及8邻域；基于样本图像中每个像素的灰度值及8邻域计算该像素的局部强度，并将具有相同灰度值的像素的局部强度累加得到对应强度累加值；确定最大的强度累加值对应灰度值为二值化阈值，并基于该二值化阈值对样本图像进行二值化，得到对应二值化图像。

本发明实施例提供的一种隧道裂缝检测***，二值化单元可以包括：

强度计算单元，用于：按照下列公式计算样本图像中每个像素的局部强度：

其中，N(x,y)表示像素(x,y)的8邻域的集合，I(u,v)表示像素(x,y)的8邻域的灰度值，I(x,y)表示像素(x,y)的灰度值，ψ(x,y)表示像素(x,y)的局部强度。

本发明实施例提供的一种隧道裂缝检测***，样本图像处理模块可以包括：

边缘提取单元，用于：基于预先设置的对比度利用canny对二值化图像进行图像边缘提取，得到对应的边缘图像。

本发明实施例提供的一种隧道裂缝检测***，还可以包括：

标准化模块，用于：提取边缘图像的梯度特征及样本图像对应深度图像的深度信息作为样本特征之前，将边缘图像及样本图像对应深度图像均标准化为预设宽度及预设高度的图像。

本发明实施例提供的一种隧道裂缝检测***，分类器训练模块可以包括：

训练单元，用于：使用支持向量机的径向基函数利用样本特征及对应样本图像的标注训练分类器。

本发明实施例提供的一种隧道裂缝检测***，还可以包括：

报警模块，用于：得到分类结果之后，如果分类结果表示待检测颜色图像中包含裂缝，则获取待检测颜色图像中包含的裂缝的长度及面积；将待检测颜色图像中包含的裂缝的长度与对应长度阈值比对、面积与对应面积阈值比对，如果待检测颜色图像中包含的裂缝的长度大于对应长度阈值和/或待检测颜色图像中包含的裂缝的面积大于对应面积阈值，则发出报警信息。

本发明实施例提供的一种隧道裂缝检测***，报警模块可以包括：

报警单元，用于：将待检测颜色图像中包含的裂缝的长度、面积及待检测图像发送至指定终端。

本发明实施例提供的一种隧道裂缝检测***，还可以包括：

待检测颜色图像获取模块，用于：利用补光灯照射需要被检测的区域，并由需要被检测的区域中获取具有预设高度及预设宽度的待检测颜色图像。

本发明实施例提供的一种隧道裂缝检测***中相关部分的说明请参见本发明实施例提供的一种隧道裂缝检测方法中对应部分的详细说明，在此不再赘述。另外本发明实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。

对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种隧道裂缝检测方法，其特征在于，包括：

获取包含裂缝的颜色图像及不包含裂缝的颜色图像作为样本图像，每个所述样本图像具有该样本图像中是否包含裂缝的标注；

对所述样本图像进行二值化得到对应二值化图像，并对所述二值化图像进行图像边缘提取得到对应边缘图像；

提取所述边缘图像的梯度特征及所述样本图像对应深度图像的深度信息作为样本特征；

利用所述样本特征及对应样本图像的标注训练分类器，并利用训练得到的分类器基于获取的待检测颜色图像对应待检测特征得到该待检测颜色图像中是否包含裂缝的分类结果。

2.根据权利要求1所述的方法，其特征在于，对所述样本图像进行二值化得到对应二值化图像，包括：

对所述样本图像进行灰度化，确定出所述样本图像中每个像素的灰度值及8邻域；

基于所述样本图像中每个像素的灰度值及8邻域计算该像素的局部强度，并将具有相同灰度值的像素的局部强度累加得到对应强度累加值；

确定最大的强度累加值对应灰度值为二值化阈值，并基于该二值化阈值对所述样本图像进行二值化，得到对应二值化图像。

3.根据权利要求2所述的方法，其特征在于，基于所述样本图像中每个像素的8邻域计算该像素的局部强度，包括：

按照下列公式计算所述样本图像中每个像素的局部强度：

<mrow> <mi>&amp;psi;</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mo>(</mo> <mi>u</mi> <mo>,</mo> <mi>v</mi> <mo>)</mo> <mo>&amp;Element;</mo> <mi>N</mi> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </munder> <mo>&amp;lsqb;</mo> <mi>I</mi> <mrow> <mo>(</mo> <mi>u</mi> <mo>,</mo> <mi>v</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>I</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow>

其中，N(x,y)表示像素(x,y)的8邻域的集合，I(u,v)表示像素(x,y)的8邻域的灰度值，I(x,y)表示像素(x,y)的灰度值，ψ(x,y)表示像素(x,y)的局部强度。

4.根据权利要求2所述的方法，其特征在于，对所述二值化图像进行图像边缘提取得到对应边缘图像，包括：

基于预先设置的对比度利用canny对所述二值化图像进行图像边缘提取，得到对应的边缘图像。

5.根据权利要求2所述的方法，其特征在于，提取所述边缘图像的梯度特征及所述样本图像对应深度图像的深度信息作为样本特征之前，还包括：

将所述边缘图像及所述样本图像对应深度图像均标准化为预设宽度及预设高度的图像。

6.根据权利要求5所述的方法，其特征在于，利用所述样本特征及对应样本图像的标注训练分类器，包括：

使用支持向量机的径向基函数利用所述样本特征及对应样本图像的标注训练分类器。

7.根据权利要求1所述的方法，其特征在于，得到所述分类结果之后，还包括：

如果所述分类结果表示所述待检测颜色图像中包含裂缝，则获取所述待检测颜色图像中包含的裂缝的长度及面积；

将所述待检测颜色图像中包含的裂缝的长度与对应长度阈值比对、面积与对应面积阈值比对，如果所述待检测颜色图像中包含的裂缝的长度大于对应长度阈值和/或所述待检测颜色图像中包含的裂缝的面积大于对应面积阈值，则发出报警信息。

8.根据权利要求7所述的方法，其特征在于，发出报警信息，包括：

将所述待检测颜色图像中包含的裂缝的长度、面积及所述待检测图像发送至指定终端。

9.根据权利要求1所述的方法，其特征在于，获取所述待检测颜色图像，包括：

利用补光灯照射需要被检测的区域，并由需要被检测的区域中获取具有预设高度及预设宽度的待检测颜色图像。

10.一种隧道裂缝检测***，其特征在于，包括：

样本图像获取模块，用于：获取包含裂缝的颜色图像及不包含裂缝的颜色图像作为样本图像，每个所述样本图像具有该样本图像中是否包含裂缝的标注；

样本图像处理模块，用于：对所述样本图像进行二值化得到对应二值化图像，并对所述二值化图像进行图像边缘提取得到对应边缘图像；

样本特征提取模块，用于：提取所述边缘图像的梯度特征及所述样本图像对应深度图像的深度信息作为样本特征；

分类器训练模块，用于：利用所述样本特征及对应样本图像的标注训练分类器；

分类模块，用于：利用训练得到的分类器基于获取的待检测颜色图像对应待检测特征得到该待检测颜色图像中是否包含裂缝的分类结果。