王飛 王奔宇 韋靖峰 童戴舟
浙江台州甬台溫高速公路有限公司 浙江交工集團股份有限公司設計院分公司
摘 要：在日常巡查中開展路面損壞狀況的科學檢查和評定，及時采取幹預性養護措施，才能長期、有效地将路面技術狀況維持在較高水準。利用基于數字相機的路面圖像快速采集系統和基于卷積神經網絡CNN智能算法的路面損壞圖像處理技術，建構路面損壞輕量化識别系統，通過對路面損壞圖像樣本的疊代訓練，該系統的路面損壞識别準确度能達到90%以上。将該系統代替正常人工巡查方式，能夠建立起高頻、快速、全覆寫的路面健康巡檢體系，實作路面損壞自動化識别及準确定位，提高了日常巡查的工作效率和品質。
關鍵詞：公路養護;路面損壞狀況檢測;輕量化識别系統;卷積神經網絡;應用研究;
1 概述
路面損壞狀況作為路面技術狀況的關鍵分項名額，一直是公路養護亟待解決的重要問題。路面出現損壞不但會影響美觀和行車舒适性，而且容易擴充和衍生，最終導緻路面結構性破壞，縮短路面使用壽命。是以，在高速公路日常巡查中開展路面損壞狀況的科學檢查和評定，及時采取幹預性養護措施，不僅可以降低路面全壽命周期内的養護成本，同時保證了路面狀況維持在較高水準。目前，針對路面損壞狀況的日常巡查主要依靠人工巡查與車輛巡查2種方式，人工巡查雖然檢測精度高，但耗時費力且存在一定危險性，車輛巡查由于行車速度快，靠随車人員進行目測，會有覆寫不全及檢測不到位情況。
本文針對用于路面巡查中的路面損壞識别系統開展應用研究，将輕量化複合傳感器和基于卷積神經網絡CNN智能算法應用于路面損壞快速巡檢，建立高頻、快速、全覆寫的路面健康巡檢體系。
2 高速公路路面破損類型及其特征分析
根據《公路技術狀況評定标準》(JTG 5210-2018),瀝青路面損壞可分為裂縫類和非裂縫類，其中裂縫類損壞包括了龜裂、塊狀裂縫、縱向裂縫、橫向裂縫以及裂縫修補；非裂縫類損壞包含了坑槽、松散、泛油和塊狀修補[1]。營運高速公路由于建設條件和品質、養護模式和養護目标等因素，路面損壞呈現出一定的規律。以台金高速公路為例，2020年路面定期檢測中路面損壞類型和規模，見表1,主要為橫向裂縫(含修補)和水損壞(含塊狀修補)兩類。
表1 路面損壞類型及占比 導出到EXCEL
| 類型 | 橫向裂縫 | 縱向裂縫 | 龜裂 | 坑槽 | 松散 | 修補 | ||
| 橫裂修補 | 縱裂修補 | 塊狀修補 | ||||||
| 占比/% | 0.22 | 0.64 | 0.36 | <0.01 | 0.01 | 77.28 | 9.14 | 12.30 |
橫向裂縫可分為溫度疲勞和反射橫向裂縫。其中溫度疲勞橫向裂縫是由于在溫度升降反複作用下，瀝青混合料的極限拉應變變小，加之應力松弛性能下降，導緻路面開裂。裂縫數量随着路面使用年限的增長而增加。反射橫向裂縫是由于半剛性基層溫縮開裂後，作為主要承重層的基層無法傳遞和擴散行車荷載，導緻瀝青面層迅速開裂。
水損壞主要是由于自由水侵入并滞留在瀝青混凝土孔隙中，會使瀝青與集料的黏結力減弱，在行車荷載作用下，産生的動水壓力，使碎石表面瀝青剝落，局部變成松散碎石被車輪甩出，進而産生水損壞及衍生病害(含塊狀修補)。
橫向裂縫和水損壞的産生會造成雨水進入路面結構層内部的同時，還會導緻行車荷載作用于路面的應力發生變化，改變路面結構層受力狀态，加速路面結構的破壞。為了維持路面技術狀況長期維持在較高水準，抑制路面損壞發展速率，日常巡查中及時、準确發現橫向裂縫和水損壞等路面損壞，實施修複是非常必要的。
3 基于數字相機的路面圖像快速采集系統
路面圖像快速采集系統是以數字相機為基礎，GPS采集路線平面幾何線形和行駛路徑，利用數字相機來采集圖像。同時利用壓縮技術，對采集到的圖像進行實時壓縮，并通過專用總線接口将圖像傳輸存儲于上位工控機。該系統所使用的硬體裝置主要由車載AI終端、CCD工業相機、高清雲台相機和高精度定位子產品等組成，見圖1。
圖1 路面圖像快速采集系統 下載下傳原圖
車載AI終端作為上位機存儲并處理路面基礎資訊。其裝置參數特性見表2。
表2 車載AI終端參數特性 導出到EXCEL
| 參數 | 工作電壓/V | 能耗/W | 工作溫度/℃ | 尺寸/cm |
| 特性 | 12(使用車載點煙器供電) | 35 | -25～70 | 30×25×25 |
CCD工業相機主要用于采集實時路面圖檔，相機精度要求達到車速100 km/h時能識别出寬度大于2 mm的路面損壞。其裝置參數特性見表3。
表3 CCD工業相機參數特性 導出到EXCEL
| 參數 | 光圈範圍/F | 最大像元/μm | 分辨率/P | 采集速率/HZ | 曝光補償 |
| 特性 | 1.4～18 | ≤7.5 | ≥200 | 1～20,可變頻采集 | 自動 |
高清雲台相機主要用于采集路域内護欄、标志和标牌等附屬設施等資訊，同時輔助查找路面損壞情況。其裝置參數特性見表4。
表4 高清雲台相機參數特性 導出到EXCEL
| 參數 | 水準轉動範圍/(°) | 垂直轉動範圍/(°) | 通信方式 | 影像傳感器 | 信噪比/db |
| 特性 | 0～360,無限位旋轉 | -20～90 | RS485 | 1/4″彩色CCD | ≥50 |
高精度定位子產品采用GPS、北鬥、雙模差分定位，定位誤差控制在2.0 m内，并用慣性導航裝置組成組合導航，定位實時、連續且穩定。其裝置參數特性見表5。
表5 車載AI終端參數特性 導出到EXCEL
| 參數 | 定位模式 | 定位誤差/m | 采集速率/HZ |
| 特性 | GPS、北鬥、慣導三模定位，支援差分定位 | ≤2.0 | 1/5 |
4 基于智能算法的路面損壞圖像處理技術
按照傳統技術處理圖像方式，專業人員必須先設計相應的圖像特征提取器，在圖像特征提取器進行圖像處理的過程中，需要人工處理資料，這樣不僅耗費的時間較長，同時圖像處理的準确率也會因人而異。
與傳統技術處理圖像方式相對比，基于智能算法的路面損壞圖像處理方式完全端對端，中間無需人為參與，打破傳統方式的限制。從網絡結構來說，可以認為智能算法網絡作為一種多隐層神經網絡的特殊形式，能夠建立與生物神經網絡更相似的分析處理，操作更加便捷，可操作性相較傳統方式而言更強，是以，得到了工程界的廣泛關注[2]。
将智能算法應用于路面損壞識别和分類，可以極大地降低基于人工經驗的特征描述、提取、識别等環節，有利于提升路面損壞識别的準确性和通用性。
4.1卷積神經網絡CNN應用原理
卷積神經網絡CNN是一種基于多層監督學習的人工神經網絡，它不僅具有傳統神經網絡的優點，還具有權值共享、自動提取特征的特點，進而降低了網絡模型的複雜度，提高了識别效率。
卷積神經網絡CNN在訓練過程中，被賦予權值的圖像作為神經元輸入，與此同時加入偏置，之後經過對應層過濾波，進行卷積運算，最終可以得到卷積層中圖像的特征圖。然後再根據特征對應圖的像素選擇合适的池化規則，對特征對應圖進行特征比對(稀疏比對)、權重以及加偏置，得到特征圖。
最終，通過一個全連接配接層将該網絡架構接入類似傳統神經網絡的終端，該終端通過激活函數進行識别分類輸出[3,4]。
4.2基于CNN路面損壞自動識别與分類
用于路面破損識别所設計的卷積神經網絡CNN構架，見圖2,分為卷積層、池化層和分類層。将大量路面圖像分割為256 P×256 P子圖像，并對其進行CNN訓練，進而利用訓練後得到的網絡來分析并測試未知路面破損圖像。
圖2 用于路面病害識别的卷積神經網絡CNN構架 下載下傳原圖
路面圖像資料集被随機配置設定成兩部分：訓練路面破損圖像識别分類器的訓練集和驗證集。首先在輸入層，即網絡的第一層，輸入大小為256 P×256 P×3 P(通道數)的路面圖像。當路面圖像通過CNN訓練并抵達第五層時，被縮小成11 P×96 P的圖像；随後經過糾正線性單元進行處理；最後，在卷積層對該圖像完成處理之後，在分類層進行最終分類，并得到路面損壞子圖像和路面完好子圖像。
将CCD工業相機采集的路面圖像，通過設計的卷積神經網絡結構，識别不同工況、多尺度下路面損壞特征，對路面損壞進行分類和識别。利用特定圖像标定算法，将斜拍的路面損壞圖像通過視角變換成俯視圖像。在标準網格下，建立路面損壞圖像與路面損壞面積的換算關系，根據路面損壞分類的自動化識别結果，計算各種路面損壞類型的實際損壞面積，見圖3。
4.3路面損壞識别疊代訓練
為了保證路面損壞識别準确度滿足實際使用要求，對路面損壞圖像樣本進行疊代訓練。每訓練500次，進行一次對驗證集的路面破損圖像的測試，并輸出其測試的準确率。不同路面損壞類型識别準确率随着疊代次數變化曲線，見圖4。
圖3 路面損壞類型識别 下載下傳原圖
圖4 路面破損識别準确率随疊代次數變化曲線 下載下傳原圖
随着疊代次數的增加，路面損壞識别準确度均呈現出快速收斂趨勢，當疊代次數4 000次時，各種類型路面破損識别準确度均能達到90%以上。其中裂縫類損壞收斂速度相對較快，塊狀修補類損壞則需要更多的疊代次數來保證識别準确度。
5 應用結果分析對比
基于數字相機的路面圖像快速采集系統和基于智能算法的路面破損圖像處理技術，形成路面損壞輕量化識别系統應用于日常巡查中，實作了路面破損自動化巡檢。并對路面破損自動化巡檢資料和路面定檢資料進行對比分析，驗證明際使用效果。
路面定檢采用的CiCS多功能路況檢測車，檢測路寬3.8 m, 圖檔分辨率為4 096 P(自動儲存JEPG格式),縱向連續存儲。路面定檢和路面破損自動化巡檢在2020年10月對台金高速公路上行K96～K98識别出的路面損壞數量随裡程分布變化，見圖5。
圖5 路面定檢和巡檢損壞數量随裡程分布 下載下傳原圖
路面定檢共識别出路面損壞100處，路面破損自動化巡檢共識别出路面損壞97處，2種檢測系統所識别的路面損壞數量基本一緻。從識别路面損壞數量随裡程分布變化來看，以100 m為機關，2種識别系統識别路面損壞數量完全吻合累計長度為1 200 m; 識别路面損壞數量相差1處累計長度為500 m; 識别路面損壞數量相差2處累計長度為300 m。導緻識别路面損壞數量存在局部差異的主要原因為路段中局部存在多處連續短縱向裂縫情況，路面定檢将其判定為多處裂縫損壞，而路面破損自動化巡檢将其判定為1處龜裂損壞。
根據技術規範相關規定，2種檢測系統識别的具體路面損壞面積，分别計算路面破損率DR和路面損壞狀況指數PCI,采用2種檢測識别系統所計算出的百米路面損壞狀況指數PCI随裡程變化，見圖6。
圖6 百米路面損壞狀況指數PCI随裡程變化情況 下載下傳原圖
根據2種檢測系統所識别路面損壞面積，計算出路面損壞狀況指數PCI随裡程變化趨勢基本一緻，且路面損壞狀況指數PCI誤差在±1以内。
目前，針對路面損壞識别算法的精确度可達90%,但仍然存在10%的誤識别和漏識别。出現較為頻繁的典型誤識别為道路中央的施工縫和密集型損壞。這些誤識别可通過加大對路面損壞圖像的訓練量而減少。今後預計訓練超過百萬張路面損壞圖像，争取将路面損壞的識别精度提升到 95%。
在原有路面損壞檢測的基礎上，新增路面異常跳車的檢測，現處于可用和測試階段。後期展望對道路邊坡檢測、路面抗滑能力檢測、辨別标牌檢測、車轍檢測、路面異物檢測等功能拓展。
6 結語
基于CNN智能算法的路面損壞輕量化識别系統應用于日常路面損壞狀況巡查中，實作了路面損壞狀況自動化識别和定位，提高了日常巡查的工作效率和品質，具體展現在以下幾個方面。
(1)硬體裝置輕便簡單，可快速安裝于普通巡查車輛上。硬體的工作電壓較低，即插即用，保障使用的安全，不需要配備專門的蓄電池組，即可進行長時間檢測。
(2)最高巡檢速度可達100 km/h, 并可保證圖像清晰，在高速公路上可實作快速巡檢。
(3)通過路面破損自動化巡檢，可以取代繁雜的人工步檢，并能更及時地發現路面存在的破損問題，修複路面破損隐患，工作效率将會得到極大地提高。通過對巡查資料的積累與分析，有效提高養護管理水準。
參考文獻
[1] JTG 5210-2018 公路技術狀況評定标準[S].
[2] 趙珊珊，何甯.基于卷積神經網絡的路面裂縫檢測[J].傳感器與微系統，2017,31(11):135-138.
[3] 徐志剛，車豔麗，李金龍，等.路面破損圖像自動處理技術研究進展[J].交通運輸工程學報，2019,19(1):172-190.
[4] 車豔麗.基于深度學習的路面裂縫分類與識别技術研究與實作[D].長安大學，2018.
聲明：我們尊重原創，也注重分享。有部分内容來自網際網路，版權歸原作者所有，僅供學習參考之用，禁止用于商業用途，如無意中侵犯了哪個媒體、公司、企業或個人等的知識産權，請聯系删除，另本頭條号推送内容僅代表作者觀點，與頭條号營運方無關，内容真僞請讀者自行鑒别，本頭條号不承擔任何責任。