A repedés vázasítás (szkeletonizáció) egy morfológiai képfeldolgozási művelet, amely egy szegmentált bináris repedéstartományt egyetlen pixel szélességű középvonal-reprezentációvá redukál vékonyító algoritmusok segítségével, mint amilyen a Zhang-Suen, Lee vagy a mediális tengely transzformáció. A váz lehetővé teszi a repedéshossz pontos mérését, az elágazások elemzését, a repedésmintázat osztályozását, a szélesség becslését és a kanyargósság számszerűsítését automatizált útburkolat-vizsgálati rendszerekben.
Repedés vázasítás (más néven vékonyítás vagy mediális tengely kinyerés) egy morfológiai képfeldolgozási művelet, amely egy szegmentált bináris repedéstartományt egyetlen pixel szélességű középvonal-reprezentációvá — a vázzá — redukál, miközben megőrzi az eredeti repedés topológiai tulajdonságait (kapcsolódás, elágazási szerkezet) és geometriai összefüggéseit (útvonal alakja, orientáció). A váz a repedés „középvonalát" vagy „mediális tengelyét" reprezentálja, és alapját képezi szinte minden mennyiségi repedésgeometriai elemzésnek az automatizált útburkolat-vizsgálatban.
Formálisan, egy I bináris kép esetében, ahol a repedéspixelek értéke 1 (előtér) és a háttéré 0, a vázasítás egy S ⊆ I halmazt hoz létre négy alapvető tulajdonsággal. S 1 pixel széles: S minden pixele legfeljebb két 8-kapcsoltságú szomszéddal rendelkezik S-ben, kivéve az elágazásoknál, ahol a fokszám 2-nél nagyobb lehet. S topológiailag ekvivalens I-vel: S és I ugyanannyi összefüggő komponenssel és ugyanazzal a lyuk/hurok struktúrával rendelkezik — az Euler-karakterisztika megőrződik. S középre igazított I-n belül: minden vázpixel megközelítőleg a repedés lokális középvonalán helyezkedik el. S elegendő a rekonstrukcióhoz: a mediális tengely transzformáció (MAT) esetében az eredeti alakzat megközelítőleg rekonstruálható a vázból és a hozzá tartozó sugárértékekből.
Az automatizált útburkolati repedéselemzésben a vázasítás kritikus közbenső lépésként szolgál a repedésdetektálás és -szegmentálás, valamint a mennyiségi paraméterbecslés között. A váz hét elsődleges elemzési funkciót tesz lehetővé. Repedéshossz mérés: közvetlenül számítható az 1 pixel széles középvonal mentén haladó pixelútvonalak követésével. Repedésszélesség becslés: a vázpixelek és a repedéshatárok közötti távolság segítségével számítja a lokális és összesített szélességi statisztikákat. Repedésmintázat osztályozás: elágazásokat, csomópontokat és topológiai szerkezetet detektál az alligátoros, blokk-, hosszanti és keresztirányú repedések megkülönböztetésére. Repedésorientáció elemzés: meghatározza a domináns repedésirányt szegmensenként. Kanyargósság számszerűsítése: a repedés görbületét és kanyargását méri a váz útvonalhosszának és a végpontok euklideszi távolságának arányaként. Adatcsökkentés: a repedéstartományt több száz vagy ezer pixelnagyságról egy kompakt lineáris reprezentációvá tömöríti, amely számításilag hatékony a további elemzésekhez. Grátalapú elemzés: a vázat euklideszi gráffá alakítja, ahol a csomópontok elágazásokat és végpontokat, az élek pedig repedésszegmenseket reprezentálnak a fejlett szerkezeti és topológiai elemzéshez.
A váz egy olyan funkcionális leírót biztosít, amely hidat képez az alacsony szintű pixeladatok és a magas szintű mérnöki állapotfelmérési paraméterek között — repedéshossz méterben, átlagos szélesség milliméterben, repedéssűrűség és a Pavement Condition Index (PCI) levonások az ICAO ALACPA/09-2012, FAA PAVER, ASTM D5340-12 és ASTM D6433 szabványok szerint.
Négy elsődleges algoritmust használnak a repedés vázasításhoz: Zhang-Suen vékonyítás, Guo-Hall vékonyítás, Lee vázasítás és a Mediális Tengely Transzformáció (MAT). Mindegyik eltérő jellemzőkkel rendelkezik, amelyek különböző útburkolati elemzési forgatókönyvekhez teszik alkalmassá őket.
A Zhang-Suen (ZS) algoritmust, amelyet T.Y. Zhang és C.Y. Suen publikált a Communications of the ACM folyóiratban (27. kötet, 3. szám, 1984. március), a legszélesebb körben használt vékonyító algoritmus az útburkolati repedéselemzésben gyorsasága, egyszerűsége és a megnyúlt, repedésszerű mintázatokon elért jó eredményei miatt. A ZS egy párhuzamos iteratív vékonyító algoritmus, amely bináris képeken működik a határpixelek ismételt eltávolításával, miközben megőrzi a kapcsolódást.
A vizsgált P1 pixel szomszéd-jelölési konvenciója az óramutató járásával megegyező irányban rendezi el a nyolc szomszédot: P9 (bal felső), P2 (felső középső), P3 (jobb felső), P8 (bal középső), P4 (jobb középső), P7 (bal alsó), P6 (alsó középső), P5 (jobb alsó). Két függvény van definiálva minden fekete P1 pixelhez: A(P1) egyenlő a fehérről (0) feketére (1) történő átmenetek számával a P2-től P9-ig, majd vissza P2-höz tartó rendezett körkörös sorozatban — ez méri a kapcsolódó háttérkomponensek számát a szomszédságban; B(P1) egyenlő a P1 fekete pixel szomszédainak számával.
A ZS egy két-aliterációs algoritmus. Minden iteráció két egymást követő lépésből áll. Az 1. lépésben az északi és keleti határon lévő pixelek kerülnek megjelölésre törlésre; a 2. lépésben a déli és nyugati határon lévő pixelek kerülnek megjelölésre. Csak azok a pixelek kerülnek eltávolításra, amelyek mindkét aliteráció feltételeit egyidejűleg teljesítik.
1. lépés feltételei (törlésre jelölés): P1 fekete előtér ÉS 8 szomszédja van (nem határpixel a képen); 2 ≤ B(P1) ≤ 6 (biztosítja, hogy P1 ne legyen végpont és ne legyen vastag belső pixel); A(P1) = 1 (megőrzi a kapcsolódást azáltal, hogy megakadályozza több háttérkomponenst összekötő pixelek törlését); P2 × P4 × P6 = 0 (legalább az egyik keleti, déli vagy nyugati szomszéd fehér); és P4 × P6 × P8 = 0 (legalább az egyik északi, keleti vagy déli szomszéd fehér). A 4. és 5. feltétel együtt biztosítja, hogy az 1. lépésben csak az északi/keleti határpixelek kerüljenek eltávolításra.
2. lépés feltételei (törlésre jelölés): Az 1., 2. és 3. feltétel megegyezik az 1. lépéssel. A 4. és 5. feltétel megváltozik a déli/nyugati határpixelek megcélzásához: P2 × P4 × P8 = 0 (legalább az egyik északi, keleti vagy nyugati szomszéd fehér) és P2 × P6 × P8 = 0 (legalább az egyik északi, déli vagy nyugati szomszéd fehér).
Az iterációs folyamat addig ismétlődik, amíg egyik lépésben sem törlődnek pixelek. A törlések minden teljes menet után történnek, hogy az eltávolítási sorrend ne befolyásolja az eredményeket (párhuzamosság). Az algoritmus akkor fejeződik be, amikor egyetlen pixel sem teljesíti sem az 1., sem a 2. lépés feltételeit. A gyakorlatban a repedésképek általában 5–15 iterációt igényelnek. A szabványos implementáció egy 256 bejegyzésből álló keresőtáblát (lookup table) használ, amelyet a 8 bites szomszédminta alapján indexelnek a számítási hatékonyság érdekében.
A Zhang-Suen jellemzői közé tartozik az előtér 8-kapcsoltságának megőrzése, nagyon gyors O(n) teljesítmény iterációnként, olyan vázak előállítása, amelyek néhány 2 pixel széles átlós vonalat megtarthatnak, mérsékelt zajérzékenység, amely hamis ágakat (sarkantyúkat) hoz létre a szabálytalan repedéstartományok határainál (a metszés szinte mindig szükséges), valamint jó, de nem tökéletes középre igazítás, enyhe torzítással bizonyos határkonfigurációk felé.
A Guo-Hall (GH) algoritmust, amelyet Z. Guo és R.W. Hall publikált a Communications of the ACM folyóiratban (32. kötet, 3. szám, 1989), egy másik párhuzamos, két-aliterációs vékonyító algoritmus, amelyet a ZS korlátainak kezelésére terveztek — különösen a 2 pixel széles átlós vonalak előállításának és a zajérzékenységnek a kiküszöbölésére. A GH két aliterációt használ a ZS-hez hasonló szerkezettel, de eltérő törlési feltételekkel: a páratlan iterációk az észak-keleti határpixeleket törlik (hasonlóan a ZS 1. lépéséhez), a páros iterációk pedig a dél-nyugati határpixeleket (hasonlóan a ZS 2. lépéséhez), egy szigorúbb szomszédsági feltételrendszert alkalmazva.
A Guo-Hall feltételei a páratlan iterációhoz: P1 fekete előtér; 2 ≤ B(P1) ≤ 6; A(P1) = 1; P2 × P4 × P6 = 0; és P4 × P6 × P8 = 0. A páros iterációhoz: P1 fekete előtér; 2 ≤ B(P1) ≤ 6; A(P1) = 1; P2 × P4 × P8 = 0; és P2 × P6 × P8 = 0. A GH hozzáad egy ellenőrző feltételt az átlós vonalak teljes megszüntetésének megakadályozására: a pixel nem törlődik, ha ez az egyetlen megmaradt pixel, amely két egyébként szétkapcsolt vázkomponenst köt össze, amit annak ellenőrzésével határoznak meg, hogy a törlés megsértené-e a 8-kapcsoltságot specifikus mintailesztés segítségével.
| Tulajdonság | Zhang-Suen | Guo-Hall |
|---|---|---|
| Vázvastagság | 2 pixel széles átlós vonalakat hagyhat | Egészében egy pixel vastag |
| Átlós vonalak kezelése | Gyenge — vastagabb átlókat eredményez | Jó — 1 pixeles átlókat tart meg |
| Futási idő | Kissé gyorsabb | Összehasonlítható |
| Középre igazítás | Jó | Jó |
| Sarkantyúképződés | Mérsékelt | Valamivel kevesebb sarkantyú |
| Kapcsolódás | Jó | Jobb vékony jellemzőknél |
| Implementáció | Egyszerű | Közepes (további ellenőrzések) |
Publikált benchmarkok szerint a GH összességében vékonyabb vázakat hoz létre, mint a ZS, és jobban kezeli az átlós vonalmintázatokat, de valamivel magasabb számítási költséggel.
A Lee algoritmust, amelyet T.-C. Lee, R.L. Kashyap és C.-N. Chu publikált a Computer Vision, Graphics, and Image Processing folyóiratban (56. kötet, 6. szám, 1994), kiterjeszti a vékonyítást 3-D bináris képekre egy oktáfa adatstruktúra segítségével a 3×3×3 szomszédságok vizsgálatához. 2-D repedéselemzéshez hasznos alternatívát nyújt a ZS-hez képest. 2-D képekre alkalmazva (például a scikit-image skeletonize(image, method='lee') függvényében) ugyanazt az alapelvet követi, az iteratív határpixel-eltávolítást, de iterációnként kétfázisú megközelítést használ: jelöltazonosítás (az összes előtér-határpixel beolvasása és a törölhetőek azonosítása 256 3×3 minta elleni sablonillesztés alapján) és szekvenciális újraellenőrzés (a jelölteket szekvenciálisan újravizsgálják annak ellenőrzésére, hogy a törlés nem szakítja-e meg a kapcsolódást). Ez a szekvenciális újraellenőrzés a legfontosabb különbség a ZS-hez képest — jobban megőrzi a kapcsolódást, de kissé lassabb.
A Lee algoritmus legfontosabb tulajdonságai közé tartozik a kapcsolódás kiváló megőrzése a ZS-hez képest összetett, több elágazást tartalmazó repedéshálózatok esetén, következetesen 1 pixel széles vázak, lassabb sebesség 2-D képek esetén a szekvenciális újraellenőrzési fázis miatt (elsődlegesen 3-D-re tervezték), valamint a ZS-hez hasonló vagy kissé jobb sarkantyúképződés.
A Mediális Tengely Transzformációt (MAT), amelyet H. Blum vezetett be a Models for the Perception of Speech and Visual Form (MIT Press, 1967) című műben, alapvetően eltérő megközelítés az iteratív vékonyításhoz képest. A bináris kép távolságtranszformációján alapul. Egy bináris objektum mediális tengelye azon pontok halmaza, amelyeknek egynél több legközelebbi pontja van az objektum határán — ezzel egyenértékűen, az objektumba teljesen beleférő maximális beírható körök (korongok) középpontjainak mértani helye.
A számítás három lépésből áll. Először számítsuk ki a távolságtranszformációt: minden előtér- (repedés) pixelre számítsuk ki annak euklideszi távolságát a legközelebbi háttérpixelig, létrehozva egy D(x,y) távolságtérképet. Másodszor, azonosítsuk a gerincpontokat: a mediális tengely azokból a pixelekből áll, amelyek lokális maximumok a távolságtranszformációban — olyan pixelek, amelyek távolság-a-határtól értéke nagyobb vagy legalább egyenlő bármely szomszédjukénál. Harmadszor, küszöböljünk és vékonyítsunk: a zajküszöb feletti távolságértékkel rendelkező gerincpontok képezik a kezdeti vázat, további vékonyítással biztosítva az egy pixel szélességet.
| Tulajdonság | Iteratív vékonyítás (ZS, GH, Lee) | Mediális Tengely Transzformáció |
|---|---|---|
| Elv | Iteratív határeltávolítás | Távolságtranszformációs gerincek |
| Középre igazítás | Jó, közelítő | Optimális — eredendően középre igazított |
| Szélességi információ | Külön számítást igényel | Beépített (távolságértékek) |
| Számítási költség | Gyors (O(n) iterációnként) | Közepes (távolságtranszformáció) |
| Sarkantyúképződés | Jelentős | Kevesebb hamis ág |
| Kapcsolódás | Megőrzött | Szétkapcsolt komponenseket eredményezhet |
| Zajjal szembeni robusztusság | Közepes | Kevésbé robusztus szabálytalan határokkal szemben |
| Váz simasága | Lehet egyenetlen | Összességében simább |
Az útburkolati repedéselemzésben a vékonyító algoritmusokat (különösen a ZS-t) gyakrabban használják, mivel a repedések megnyúlt, szabálytalan szerkezetek, ahol a szigorú MAT középre igazítás kevésbé kritikus, és a kapcsolódás megőrzése elsődleges fontosságú.
A vázasítás elkerülhetetlenül hamis ágakat (más néven sarkantyúkat, szőröket vagy műtermékeket) hoz létre — rövid oldalágakat, amelyek nem felelnek meg valódi repedésjellemzőknek, hanem zajból, határegyenletlenségekből vagy az útburkolati felület aggregátum textúrájából származnak. Az elsődleges források közé tartozik a határzaj (kis homorú/domború perturbációk a repedéshatárban, amelyek rövid ágakká vázasodnak), az aszfalt aggregátum textúrája (szürkeségi változások a repedésélek közelében, amelyek a bináris szegmentáció határait egyenetlenné teszik), a só-bors zaj (elszigetelt hibásan osztályozott pixelek a szegmentált képen) és a repedés elágazási műtermékek (ahol a változó repedésszélesség miatt a váz rövid időre szétválik és újra egyesül).
A legegyszerűbb és legszélesebb körben használt metszési technika a hosszalapú metszés. Az algoritmus azonosítja a váz összes végpont-pixelét (pontosan egy 8-kapcsoltságú szomszéddal rendelkező pixelek). Minden végponthoz visszaköveti az ágat a főváz felé, amíg egy elágazási pixel (fokszám ≥ 3) nem találkozik. Ezután megméri az ág hosszát pixelekben, és eltávolítja az ágat, ha annak hossza egy T küszöbérték alatt van (a tipikus küszöbértékek 5 és 30 pixel között mozognak a képfelbontástól és a repedés jellemzőitől függően). A folyamat addig ismétlődik, amíg további ágak nem metsződnek, mivel egy ág eltávolítása új végpontokat hozhat létre. A hosszküszöböt általában a pixel-mm kalibráció alapján állítják be. A gyakran használt útburkolati képalkotási felbontásoknál (0,5–2 mm/pixel) egy 10–20 pixeles küszöb 5–40 mm-nek felel meg, ami hatékonyan eltávolítja a textúra által keltett zajt, miközben megtartja a valódi rövid repedéságakat.
A Li és mtsai. (2023) által aszfalt útburkolati repedéselemzéshez leírt összefüggő tartomány küszöbölési módszer összefüggő komponens címkézést alkalmaz a vázképen, kiszámítja az egyes összefüggő komponensek pixelszámát, és eltávolítja azokat a komponenseket, amelyek pixelszáma egy küszöbérték (általában 50–200 pixel) alatt van. Ez egyidejűleg eltávolítja az elszigetelt zajt és a rövid hamis ágakat az egyébként összefüggő repedésvázakból.
A kifinomultabb megközelítések további szempontokat is figyelembe vesznek, mint az ág-váz szög (a fő repedésvonalra majdnem merőleges ágak nagyobb valószínűséggel hamisak), az ág vastagsága a kiindulásnál (a váz vastagabb szakaszából kinövő ág nagyobb valószínűséggel valódi), a távolságtranszformációs érték (azok az ágak, amelyek távolságtranszformációs értéke hirtelen változik, nagyobb valószínűséggel zajok), és a kontúr folytonossága (ha az ágnak nincs megfelelő bemélyedése a repedés határkontúrján, akkor hamis).
A matematikai morfológia közvetlen metszési operátorokat kínál: a MATLAB bwmorph(BW, 'spur', k) függvénye eltávolítja a sarkantyúpixeleket a k paraméter által meghatározott iterációszámmal, a találat-vagy-tévesztés transzformáció (hit-or-miss transform) pedig strukturális elem illesztést használ a specifikus sarkantyúmintázatok azonosításához és eltávolításához. A gráfalapú megközelítés a vázat gráffá alakítja csomópontokkal (elágazások és végpontok) és élekkel (pixelútvonalak a csomópontok között), él-súlyokat rendel az euklideszi távolság alapján, eltávolítja azokat az éleket, amelyek súlya egy küszöbérték alatt van és amelyek egy végponthoz csatlakoznak (levél élek), valamint emellett eltávolítja a két elágazást összekötő rövid éleket, ha azok egy kis hurkot hoznak létre.
A Hybrid Skeleton-Prune-EOB módszer egy 2025-ös MDPI tanulmányból a beton repedésszélesség mérésére gyors vázmetszést alkalmaz iteratív végpontkövetéssel, hosszalapú eltávolítással és az átlagos repedésszélességen alapuló adaptív küszöbértékkel, majd Edge-OrthoBoundary (EOB) rekonstrukcióval, ahol a megmaradt váz határfinomításon esik át a pontos szélességmérés biztosítása érdekében.
A pontos repedéshossz mérés a vázból a pixelkapcsolódás gondos kezelését igényli. Az alapvető megközelítés a vázútvonal pixelről pixelre történő követése és a távolságok összegzése.
Egy végponttól (vagy elágazástól elágazásig) indulva az algoritmus a 8-kapcsoltságú útvonal mentén halad. Minden egymást követő pixelpárhoz (x₁, y₁) és (x₂, y₂) a megfelelő távolság kerül hozzáadásra. Három távolságmetrika áll rendelkezésre. 4-kapcsoltságú távolság: 1,0-t ad minden ortogonális lépéshez (vízszintes vagy függőleges), de figyelmen kívül hagyja az átlós kapcsolatokat, ami rendszeresen hosszabb hosszakat eredményez az átlós repedésszegmenseknél. 8-kapcsoltságú (Csebisev) távolság: 1,0-t ad minden 8 irány bármelyikében tett lépéshez, de ez alulbecsüli az átlós távolságot. Korrigált 8-kapcsoltságú (Chamfer) távolság: 1,0-t ad az ortogonális lépésekhez és √2 ≈ 1,414-et az átlós lépésekhez, ami körülbelül 0,5%-os pontosságú hosszméréseket eredményez a valódi euklideszi útvonalhosszhoz képest.
A repedésméréshez ajánlott megközelítés a 8-kapcsoltságú követés √2 korrekcióval:
def skeleton_length(skeleton_pixels):
total_length = 0.0
for i in range(len(skeleton_pixels) - 1):
x1, y1 = skeleton_pixels[i]
x2, y2 = skeleton_pixels[i+1]
dx = abs(x2 - x1)
dy = abs(y2 - y1)
if dx == 1 and dy == 0 or dx == 0 and dy == 1:
total_length += 1.0
elif dx == 1 and dy == 1:
total_length += sqrt(2)
return total_length
Összetett, elágazásokkal rendelkező repedéshálózatok esetén a vázat az elágazási/végpont csomópontok közötti szegmensekre bontják. Az összes elágazási pixel (fokszám ≥ 3) és végpont pixel (fokszám = 1) detektálásra kerül. A vázat e csomópontok közötti szegmensekre bontják. Minden szegmenst egyenként mérnek a Chamfer-távolság módszerrel. A teljes repedéshossz egyenlő az összes szegmenshossz összegével: L_teljes = Σᵢ Lᵢ, ahol Lᵢ az i-edik vázszegmens korrigált 8-kapcsoltságú hossza.
A gyakorlati implementációs folyamat kinyeri a vázat Zhang-Suen vékonyítással, elvégzi a hamis ágak metszését (összefüggő tartomány küszöbölés, minimum 50–200 pixel), kalibrálja a pixel-mm arányt egy ismert méretű referenciaobjektum segítségével, amelyet azonos távolságból képeztek le, követi a rendezett vázpixeleket, alkalmazza a Chamfer-távolság összegzést, és átvált fizikai egységekre: L_mm = L_pixelek × skála_tényező.
Egy elágazási pixel egy vázasított repedésképen egy olyan pixel, amelynek fokszáma ≥ 3 — három vagy több szomszédos vázpixel egy 8-kapcsoltságú szomszédságban. Minden vázpixel esetében megszámoljuk a 8-kapcsoltságú szomszédok számát:
| Fokszám | Osztályozás | Repedés értelmezés |
|---|---|---|
| d = 0 | Elszigetelt csúcs | Zaj (általában eltávolítva) |
| d = 1 | Végcsúcs | Repedésvég, ágvége, vagy hiányos detektálás |
| d = 2 | Belső csúcs | Egyetlen repedésszegmens folytatása |
| d = 3 | Elágazási csúcs (T/Y) | Repedés kettéágazás |
| d = 4 | Elágazási csúcs (X) | Repedések kereszteződése |
| d ≥ 3 | Elágazási csúcs | Általános elágazási pont |
A MATLAB-ban a bwmorph(skel, 'branchpoints') függvény detektálja azokat a pixeleket, ahol a váz szétválik, egy keresőtábla-alapú megközelítést használva, amely megvizsgálja a 3×3 szomszédsági mintát előre kiszámított elágazási konfigurációk sablonjai ellen. Ez a függvény elágazási pontok klasztereit hozhatja létre egyetlen elágazás körül; ezeket összefüggő komponens címkézéssel és az egyes klaszterek centroidjának felvételével kell egyesíteni.
A gráfreprezentációból nyolc topológiai mutató számítható. Elágazások száma (J) egységnyi területre vetítve — magas J összetett, egymással összekapcsolt repedéshálózatra utal. Csomóponti fokszám-eloszlás: átlagos fokszám ⟨d⟩ = 2E/N (ahol E = élek száma, N = csomópontok száma), ahol egy tiszta lineáris repedés esetén ⟨d⟩ = 2, egy elágazó hálózat esetén ⟨d⟩ > 2, valamint a fokszám arány R_d = (3+ fokszámú csomópontok) / (1 fokszámú csomópontok). Ágak száma (B): az elágazási/végpont csomópontok közötti összes vázszegmens száma. Ághossz statisztikák: átlagos ághossz (rövidebb alligátoros repedésnél, hosszabb hosszanti/keresztirányú repedésnél), szórás (magas vegyes repedésmintázatoknál) és variációs együttható (a blokk repedés megkülönböztetésére az alligátoros repedéstől). Összefüggő komponensek száma (C): vagy több különálló repedést, vagy detektálási hézagokat jelez. Euler-szám (χ) = C − H, ahol H = lyukak (hurkok) száma, ahol a hurkok alligátoros vagy blokk repedésre utalnak. Fraktáldimenzió (D_f): a dobozszámlálási módszer használatával a vázon körülbelül 1,0 az egyenes lineáris repedéseknél, 1,2–1,4 a kanyargó repedéseknél és 1,5–1,8 az alligátoros repedésnél. Hálóméret: blokk/alligátoros repedésnél — a ciklusdetektálásból származó átlagos poligonterület a gráfban — a repedés súlyosságát jelzi.
| Repedésmintázat | Topológiai jellemzők |
|---|---|
| Hosszanti | Egyetlen fő ág, néhány rövid oldalág, d ≈ 2, alacsony J |
| Keresztirányú | Egyetlen fő ág, amely átszeli a burkolatot, d ≈ 2, alacsony J |
| Blokk | Poligonális hálózat ≥4 oldalú ciklusokkal, mérsékelt J, közepes-nagy hálóméret |
| Alligátor (Fáradásos) | Sűrű, kis poligonokból álló hálózat, magas J, nagy ágsűrűség, kis hálóméret, D_f ≥ 1,5 |
| Tükröződéses | Lineáris repedések szabályos időközönként, amelyek megfelelnek az alatta lévő födém illesztéseknek |
| Szél/Keréknyom | Lokalizált repedésklaszetr, gyakran párhuzamos a forgalom irányával |
A fejlett topológiai jellemzéshez a Betti-számok további betekintést nyújtanak: β₀ egyenlő az összefüggő komponensek számával (C), és β₁ egyenlő a független ciklusok vagy lyukak számával (H). A genus g = β₁ = H. Az alligátoros repedés magas β₁ értékkel rendelkezik, míg az egyszerű lineáris repedéseknél β₁ = 0.
A repedésszélesség kritikus paraméter az útburkolati károsodás súlyosságának felméréséhez olyan szabványokban, mint az ICAO ALACPA/09-2012, a FAA PAVER és az ASTM D6433. A váz természetes referenciát biztosít a szélességméréshez.
A legközvetlenebb módszer a távolságtranszformációs értékek használata a vázpixeleknél. A bináris repedéskép euklideszi távolságtranszformációja (EDT) minden előtérpixelhez tárolja a legközelebbi háttérpixeltől mért euklideszi távolságot. Az EDT értékeket kinyerjük az összes vázpixel pozíciójában. Minden vázpixel esetében a lokális repedésszélesség = 2 × EDT_érték (mivel az EDT a határig mért sugarat adja). A számított statisztikák közé tartozik az átlagos szélesség, a maximális szélesség, a minimális szélesség és a szélesség szórása. Fenntartások: a szélesség túlbecslése a váz végpontjai közelében (az EDT sugár megnő a repedésvégeknél, ahol a távolság a vég görbülete köré terjed) és alulbecslés az elágazásoknál (a váz eltér a valódi mediális tengelytől az elágazási pontoknál). A korrekció általában kizárja az utolsó 5-10 pixelt minden végpontnál.
Egy pontosabb alternatíva figyelembe veszi a lokális repedésorientációt. Minden (x₀, y₀) vázpixelhez a lokális repedésorientációt θ-t a szomszédos vázpixeleken (általában ±3–5 pixel a vázútvonal mentén) áthúzott egyenes illesztésével határozzák meg. A normál irány kiszámítása: θ_normál = θ + π/2. A bináris repedésképen a normál mentén haladó profilt (x₀, y₀)-ból kifelé mindkét irányban addig követik, amíg háttérpixelekhez nem érnek. A repedésszélesség egyenlő a két határ-metszéspont közötti teljes távolsággal (pixelekben) a normál mentén. Az implementáció részletei közé tartozik a bilineáris interpoláció használata a szubpixel pontossághoz a profilozás során, a profilhossz beállítása a várható maximális repedésszélesség (általában 50–100 pixel) túllépésére, valamint a normál lépésköz ≤ 1 pixelben tartása a pontos határdetektáláshoz.
A merőleges profilozás előnyei közé tartozik a nagyobb pontosság az EDT módszerhez képest és a nem kör alakú repedés keresztmetszetek jobb kezelése. Hátrányai közé tartozik a számítási igényesség és az érzékenység a váz simaságára (egyenetlen vázak zajos orientációbecsléseket eredményeznek).
A maximális repedésszélesség szabványos súlyossági kritérium mind az ICAO, mind a FAA útburkolat-vizsgálati kézikönyveiben. Kiszámításához a szélességet minden vázpixelen megmérik (EDT vagy profilozás segítségével), és a maximális értéket jelentik. Opcionálisan a szélességi tömböt mozgóátlaggal simítják (5–11 pixel ablak) a kiugró értékek szűrésére a maximum felvétele előtt. Az átlagos repedésszélesség a teljes váz mentén átlagol, kizárva az elágazásokat és a terminális szegmenseket a pontosság érdekében. A szélesség-eloszlás hisztogram jellemzi a repedés egyenletességét és azonosítja a lokális kiszélesedések helyeit. A szélesség variációs együtthatója (CV = σ_w / μ_w): a magas CV nem egyenletes repedésre utal, ami kipattogzásra vagy élelhasználódásra utalhat.
A kanyargósság (τ) számszerűsíti a repedés egyenes vonaltól való eltérését. A repedés tényleges útvonalhosszának és a végpontjai közötti euklideszi (egyenes vonalú) távolságnak az arányaként definiálható:
τ = L_váz / L_euklideszi
ahol L_váz a váz menti teljes útvonalhossz (√2-korrigált 8-kapcsoltságú távolságot használva) és L_euklideszi a repedésszegmens két végpontja közötti euklideszi távolság.
Tulajdonságok: τ ≥ 1,0 mindig (egy egyenes vonal esetén τ = 1,0), τ = 1,0–1,05 majdnem egyenes repedést jelez (jellemző a keresztirányú vagy hosszanti termikus repedésekre), τ = 1,05–1,2 mérsékelten kanyargó repedést jelez, τ = 1,2–1,5 erősen kanyargó repedést jelez (jellemző az alligátoros repedés másodlagos ágaira), és τ > 1,5 rendkívül kanyargó útvonalat jelez.
Több elágazással rendelkező repedéshálózatok esetén a kanyargósságot repedésszegmensenként számítják (egymást követő elágazások között). Az A(x₁,y₁) és B(x₂,y₂) végpontokkal rendelkező i szegmensre: τᵢ = L_vázᵢ / √[(x₂ - x₁)² + (y₂ - y₁)²]. A repedéshálózat teljes kanyargóssága jelenthető átlagos szegmens kanyargósságként τ_átlag = (1/N) Σᵢ τᵢ, maximális szegmens kanyargósságként τ_max = max(τᵢ), vagy globális kanyargósságként a teljes repedéshálózat végpontjait használva (kevésbé értelmes az elágazó repedéseknél).
A kanyargósság kapcsolatban áll a repedésútvonal fraktáldimenziójával (D_f). Egy D_f fraktáldimenziójú repedésre: τ ≈ K · (L_euklideszi)^(D_f - 1), ahol K egy skálázási állandó. Ezt az összefüggést a törésmechanikában használják a repedés kanyargósságának az anyagjellemzőkkel, például az aggregátum összekapcsolódásával és a törési energiával való összefüggésbe hozására. A beton repedés kanyargósságával kapcsolatos Purdue-kutatások szerint a kanyargósság közvetlenül korrelál a folyadékáteresztő képességgel a repedéshálózaton keresztül — a nagyobb kanyargósság csökkent effektív áramlási felülethez és alacsonyabb áteresztőképességhez vezet. Útburkolati alkalmazásoknál a nagyobb kanyargósságú repedések általában kevesebb vizet és törmeléket tartanak vissza, befolyásolva a fagyás-olvadás károsodási potenciált.
A repedés vázasítás utófeldolgozási lépésként működik egy nagyobb útburkolati repedéselemzési folyamatláncon belül. A teljes folyamatlánc hat szakaszból áll. Képfelvétel: útburkolati felületképek rögzítése vonalszkenner kamerákkal, DSLR fényképezőgépekkel vagy mobil vizsgálati járművekkel, jellemzően 0,5–2 mm/pixel felbontással. Előfeldolgozás: normalizálás, kontrasztjavítás és zajcsökkentés alkalmazása a kép előkészítéséhez a szegmentáláshoz. Repedés szegmentálás: a repedéstartományok bináris maszkjának előállítása mélytanulási modellek (U-Net, DeepLab vagy Mask R-CNN) vagy hagyományos küszöbölési módszerek segítségével. Vázasítás: a bináris maszk redukálása egyetlen pixel szélességű középvonallá Zhang-Suen, Guo-Hall, Lee vagy MAT segítségével. Utófeldolgozás: vázmetszés a hamis ágak eltávolításához, elágazás-klaszterezés a közeli elágazási pontok egyesítéséhez, és összefüggő komponens elemzés a különálló repedések szétválasztásához. Paraméterszámítás: hossz, szélesség, kanyargósság, elágazási mutatók és mintázat osztályozás kinyerése a megtisztított vázból.
Az adatfolyam a bináris maszkból a vázon át a gráfba, majd a paraméterekbe halad. Mélytanulási integrációs megjegyzések: a modern rendszerek pixel szintű repedésannotációkon tanított szegmentálási modelleket használnak, a vázasítást a modell kimenetére alkalmazva. A váz minősége erősen függ az alapul szolgáló szegmentálás minőségétől — a túlszegmentálás számos hamis ágat hoz létre, míg az alulszegmentálás szétkapcsolt vázakat eredményez. A váz konzisztencia veszteségeket (váz-tudatos szegmentálás) beépítő közös tanítási megközelítések aktív kutatási területet képeznek.
A vázminőség mennyiségi értékelése elengedhetetlen a vázasítási algoritmusok teljesítményének validálásához az útburkolati repedéselemzésben. Öt elsődleges mutatót használnak.
Teljesség (Completeness): a repedéstartománynak a váz által reprezentált arányát méri. Kiszámítása a bináris maszk azon előtérpixeleinek aránya, amelyek egy távolságküszöbön (általában 2–5 pixel) belül vannak egy vázpixeltől. A 0,95 feletti teljességi érték azt jelzi, hogy a váz megfelelően lefedi a repedés teljes kiterjedését.
Helyesség (Precision): a vázpixelek azon arányát méri, amelyek a tényleges repedéstartományon belül helyezkednek el. Kiszámítása a vázpixelek azon aránya, amelyek a bináris maszkon belül vannak (kis tűrést figyelembe véve a határeffektusokhoz). A 0,98 feletti helyességi érték minimális hallucinált szerkezetet jelez.
Váz IoU (Intersection over Union): kombinálja a teljességet és a helyességet. Kiszámítása a váz egy kis sugárral (pl. 2 pixel) történő kitágításával, a bináris maszkkal való metszet kiszámításával, majd az unióval való elosztással. Ez egyetlen skaláris minőségi pontszámot ad, amely jól teljesítő algoritmusok esetén jellemzően 0,85 és 0,98 között van.
Simaság (Smoothness): a vázútvonal görbületi konzisztenciáját méri. Kiszámítása az orientációváltozás átlagos ütemével a váz mentén (szögeltérés pixelenként) vagy az inflexiós pontok egységnyi hosszra vetített számával. Az alacsonyabb értékek simább, természetesebb vázakat jeleznek.
Kapcsolódás (Connectivity): ellenőrzi, hogy a váz megőrzi-e az eredeti repedés kapcsolódását. Mérése az összefüggő komponensek számának megszámlálásával történik mind a bináris maszkban, mind a vázban. A komponensszám aránynak (váz komponensek / maszk komponensek) közel kell lennie 1,0-hez. Az Euler-karakterisztika hiba |χ_váz − χ_maszk| a topológiai konzisztenciát méri.
Középre igazítási hiba (Centering error): azt méri, hogy a váz mennyire reprezentálja a valódi mediális tengelyt. Kiszámítása a vázpixelek és a valódi mediális tengely (ismert szintetikus tesztesetek esetén) vagy a kontúr középvonala (valós képek esetén becsült) közötti átlagos vagy RMS távolságként.
Összetett minőségértékelési pontszám számítható súlyozott kombinációként: Q = w₁Teljesség + w₂Helyesség + w₃(1 − NormalizáltSimaság) + w₄Kapcsolódás, a súlyok alkalmazási követelmények szerinti beállításával.
Számos szoftverkönyvtár valósít meg repedéselemzésre alkalmas vázasítási algoritmusokat.
OpenCV: a cv2.ximgproc.thinning() függvényt biztosítja a kiterjesztett képfeldolgozási modulban. Ez a függvény mind a Zhang-Suen (alapértelmezett), mind a Guo-Hall változatokat implementálja, a thinningType paraméter segítségével választhatóan. Közvetlenül bináris képeken működik, és egyetlen pixel szélességű vázat ad vissza. A függvény hatékony keresőtáblákat használ, és valós idejű alkalmazásokhoz optimalizált.
scikit-image: három vázasítási függvényt biztosít. A skimage.morphology.skeletonize(image, method='zhang') a Zhang-Suen vékonyítást implementálja. A skimage.morphology.skeletonize(image, method='lee') a Lee algoritmust implementálja szekvenciális újraellenőrzéssel. A skimage.morphology.medial_axis(image, return_distance=True) a Mediális Tengely Transzformációt számítja ki, és opcionálisan visszaadja a távolságtranszformációs értékeket a szélességbecsléshez. Minden függvény 2-D bináris tömböket fogad el, és bináris vázakat ad vissza.
MATLAB: a bwmorph(BW, 'skel', Inf) függvényt biztosítja a vázasításhoz a Zhang-Suen algoritmust használva végtelen iterációval, a bwmorph(BW, 'branchpoints') függvényt az elágazásdetektáláshoz, a bwmorph(BW, 'endpoints') függvényt a végpontdetektáláshoz, és a bwmorph(BW, 'spur', k) függvényt az iteratív sarkantyúeltávolításhoz. A MATLAB a bwdist() függvényt is biztosítja a MAT-alapú megközelítéseknél használt távolságtranszformációhoz.
SciPy: a scipy.ndimage.distance_transform_edt() függvényt biztosítja az euklideszi távolságtranszformáció számításához, amelyet a vázasítással együtt használnak a szélességbecsléshez a távolságtranszformációs módszerrel.
| Eszköz | Függvény | Algoritmus | Használati eset |
|---|---|---|---|
| OpenCV | cv2.ximgproc.thinning() | ZS (alapértelmezett) vagy GH | Valós idejű repedéselemzés |
| scikit-image | skeletonize(method='zhang') | Zhang-Suen | Általános repedés vázasítás |
| scikit-image | skeletonize(method='lee') | Lee | Összetett repedéshálózatok |
| scikit-image | medial_axis() | MAT | Szélesség-integrált elemzés |
| MATLAB | bwmorph('skel', Inf) | ZS | Kutatás és prototípuskészítés |
| MATLAB | bwmorph('branchpoints') | Elágazásdetektálás | Mintázatelemzés |
| Fiji/ImageJ | Skeletonize3D plugin | ZS, Lee | 3-D repedéselemzés |
Fiji/ImageJ a Skeletonize3D bővítménnyel (Ignacio Arganda-Carreras) 2-D és 3-D vázasítást biztosít, és széles körben használják az anyagtudományban a repedéshálózatok elemzésére röntgen CT képekben.
A Nemzetközi Polgári Repülési Szervezet (ICAO) útmutatást nyújt az útburkolati repedésvizsgálathoz és -méréshez több kulcsfontosságú dokumentumon keresztül. ICAO ALACPA/09-2012 (Repülőtéri Burkolatok Karbantartása és Kezelése) meghatározza a repedésmérési protokollokat, beleértve a hosszmérést méterben a középvonali módszerrel (ami közvetlenül megfelel a vázalapú mérésnek), a szélesség szerinti súlyossági szintek osztályozását (hajszálrepedés: <3 mm, közepes: 3-6 mm, súlyos: >6 mm), és a mintázat osztályozását (hosszanti, keresztirányú, blokk, alligátor, tükröződéses). ICAO Aerodrome Design Manual (Doc 9157, Part 3 — Pavements) hivatkozik az ASTM D5340-12 (Standard Test Method for Airport Pavement Condition Index Surveys) szabványra, amely megköveteli a repedéssűrűség (teljes repedéshossz egységnyi területre vetítve) és a repedés súlyossági besorolásának számítását szélesség és mintázat alapján.
A FAA PAVER Distress Manual meghatározza a repedéstípusokat specifikus kódokkal: hosszanti (L), keresztirányú (T), blokk (B), alligátor/fáradásos (A), tükröződéses (R) és szél (E). A súlyossági küszöbértékek hüvelykben vannak meghatározva a szélességre: alacsony súlyosság (hajszálrepedéstől <1/4 hüvelykig), közepes súlyosság (1/4-től 1/2 hüvelykig) és magas súlyosság (>1/2 hüvelyk). A mérési protokollok megkövetelik a repedéshossz rögzítését lineáris repedéseknél és a négyzetmétert területi repedéseknél. Az ICAO ALACPA és a FAA PAVER megköveteli a PCI kiszámítását a repedéssűrűség (hossz per terület), a standardizált görbékből származó levonási értékek és a korrekciós tényezők használatával többféle károsodási típus esetén. A vázasítási algoritmusok közvetlenül kiszámítják az összes szükséges paramétert: repedéshosszt (4. szakasz), átlagos szélességet (6. szakasz), repedéssűrűséget (hossz egységnyi útburkolati területre vetítve) és mintázat osztályozást (5. szakasz) az automatikus PCI-levonás hozzárendeléshez.
További információért a repedés vázasítás bevezetéséről az útburkolat-vizsgálati munkafolyamatában vegye fel a kapcsolatot csapatunkkal vagy ütemezzen be egy bemutatót .
Használja ki a fejlett repedésvázasítási és geometria-kinyerési módszereket a pontos útburkolat-állapotfelméréshez. Számítógépes látás megoldásaink a vázalapú hossz-, szélesség- és mintázatelemzést integrálva biztosítanak precíz PCI-értékeléseket és karbantartási javaslatokat. Vegye fel velünk a kapcsolatot az automatizált vizsgálati platformunk bemutatójáért.
Az automatizált repedésszélesség-mérés a felismert repedések nyílásszélességét határozza meg szegmentált pixelmaszkokból, euklideszi távolságtranszformáció segí...
Az AI-alapú repedésfelismerés számítógépes látást – konvolúciós neurális hálózatokat, víziótranszformátorokat és szemantikus szegmentációs modelleket – használ ...
A szemantikai szegmentáció kategóriacímkét rendel minden pixelhez egy képben, lehetővé téve a teljes jelenet értelmezését infrastruktúra-ellenőrzés során. Lefed...