輕量化便攜式路面病害智能檢測系統設計與實現

陳滿軍，張 萌，劉澤鋒，韓 豫，顧 盛

（1.昆山市建設工程質量檢測中心，江蘇 昆山 215337；2.江蘇大學 土木工程與力學學院，江蘇 鎮江 212013）

0 引言

近年來，我國道路建設取得了輝煌成就，總里程不斷增長。與此同時，越來越多的建成道路進入運維階段，我國也正在從建路時代向養路時代過渡［1］。道路作為國家重要基礎設施，其路面質量對于交通出行和行車安全具有重要影響。但傳統的路面病害檢測主要還是采用人工檢測的方法，檢測時效性和安全性難以滿足日益增長的檢測需求。

伴隨著新一代信息技術的應用，路面病害檢測研究開始向著智能化方向發展。以三維激光技術為技術支撐，國內外科研機構開發了 LCMS 多功能檢測車［2］、JG-1 型激光三維路面狀況智能檢測車［3］、CiCS-Ⅰ中公高科道路檢測車等一系列智能化路面檢測設備，但因其龐大的體型，復雜的運行流程，難以應用于狹窄路面。與此同時，數字圖像和深度學習［4］等新興技術快速發展，為路面病害檢測提供了新手段。因其高效的特征提取能力和檢測效率被廣泛應用于路面病害檢測領域，借助采集的路面圖像即可實現路面病害的自動識別［5-9］。但已有的方法檢測模式相對單一，難以實現多路面病害協調檢測。

為此，在新型基礎設施建設的時代背景下，本研究結合深度學習技術，以輕量化便攜式設備搭建檢測平臺，設計一種路面智能檢測系統。與現有檢測手段相比，檢測設備輕量、便攜，檢測方法高效、便利。系統將人工智能技術應用到路面檢測和維養領域，具備成本低、操作強等優勢。

1 系統需求分析

由于路面類型的多樣性、路面病害的復雜性以及檢測設備的冗重性，致使路面檢測難度顯著提升。通過對路面檢測機構的調研，發現路面檢測系統的應用需求如下。

1）檢測設備輕便。現有路面檢測車輛體型大，檢測設備冗重，難以勝任狹窄路面的連續檢測任務，且易造成交通擁堵。因此，需要輕量便攜的路面檢測設備，滿足“即拿即用”的檢測需求。

2）路面種類劃分。路面種類多樣，常見的路面包括瀝青路面和水泥混凝土路面。不同的路面對應的路面病害也不相同。因此，路面檢測需要先劃分具體的路面種類。

3）路面病害識別。路面病害類型繁多，包括裂縫、坑槽、車轍、松散、啃邊、斷角等各種類型。不同的路面病害有其特定的特征屬性。因此，需要依據不同的病害特征實現路面病害識別。

4）路面病害評估。路面病害按照評定標準可分為輕度病害和重度病害。重度病害對應區域的路面結構已產生破壞，存在較大安全隱患，應該優先維養。因此，需要對路面病害進行評估，確定重度病害區域。

2 系統構建

2.1 技術支撐

路面病害智能檢測系統包含一系列運行過程，需要實現路面圖像的高質量采集、實時傳輸和高效處理，具體包含如下核心技術。

1）圖像采集——三軸防抖云臺技術。系統在圖像采集設備中加裝了減震云臺，減震云臺采用了三軸穩定原理，云臺分別設置水平電機、俯仰電機和滾轉電機，電機內搭陀螺儀，在算法的運行下進行位移補償，滿足圖像采集穩定防抖要求。系統利用三軸防抖云臺技術實現行車環境下高質量圖像的采集。

2）圖像傳輸——5G 數據傳輸技術。5G 技術為新一代移動通信技術，具備增強移動寬帶、超高可靠低延時通信和海量機器類通信 3 大核心應用場景，能夠實現海量數據的低延時、高速度、大連接傳輸。系統結合 5G 數據傳輸技術完成路面圖像的實時傳輸。

3）圖像處理——深度學習技術。深度學習技術研究源于人工神經網絡，利用多隱層的多層感知器結構提取底層特征，并實現高層特征的抽象表達。其具體包含圖像分類技術、目標檢測技術和語義分割技術。

圖像分類技術的核心流程是分析一個輸入圖像并返回一個分類標簽，從而實現圖像特定種類分類。本系統通過圖像分類技術完成路面種類劃分的任務。

目標檢測技術是圖像識別和定位技術的結合，即識別出圖像的物體種類，并框選出其在圖像中的具體位置。本系統通過目標檢測技術識別具體的路面病害類型。

圖像語義分割技術就是計算機自動分割目標區域并識別目標內容，其通過像素密集預測、標簽推斷和細粒度推理，將每個像素標記為封閉對象區域的類別。本系統通過語義分割技術分割具體的路面病害區域，以進行路面損壞評估。

2.2 系統架構設計

基于路面檢測流程和需求，結合深度學習技術特征，設計的路面智能檢測系統包括數據感知模塊、信息學習模塊、圖像處理模塊和智能評估模塊。路面智能檢測系統組成如圖 1 所示，各模塊功能說明如表 1 所示。

圖1 系統組成

表1 模塊功能說明

數據采集功能主要通過數據采集車實現，數據采集車包括行車裝置和數據采集裝置。行車裝置為板式折疊車，滿足輕量、便攜的要求，板式折疊車設置三擋調速模式，滿足不同行車環境下數據采集。數據采集裝置主要由云臺穩定器和手機構成，實現與行車裝置的穩固連接。整體模塊用于采集行車環境下的高質量路面圖像。

信息學習模塊通過顯卡 GPU 加速，利用深度學習算法對圖像數據集進行訓練，提取目標特征，生成各路面檢測算法模型。

圖像處理模塊通過內存條存儲路面檢測算法模型和圖像處理算法，圖像處理算法對獲取的圖像進行預處理。

智能評估模塊通過計算機工作站調用圖像處理模塊的算法模型，依次對采集的圖像進行路面種類劃分、路面病害檢測和路面損壞評估，生成并導出檢測結果報告。

2.3 系統運行流程

結合實際路面的檢測流程，路面檢測系統的運行流程主要包括路面圖像信息的采集和路面病害的檢測等流程，具體運行流程如圖 2 所示。

1）路面圖像采集。首先，依據不同的路面環境制定圖像采集方案，并完成硬件設備組接與功能參數設定；接著進行路面圖像預采集工作，待圖像質量符合要求后采集待檢路面的整體圖像信息。在圖像采集過程中盡量避免路面雜物的干擾。

2）路面病害檢測。先對采集的圖像進行去噪預處理，以提高圖像質量；將處理好的圖像載入智能評估模塊先進行路面種類劃分，具體劃分為瀝青路面和水泥混凝土路面；將劃分的不同種類路面導入其對應的特定模型中進行路面病害識別和病害區域分割，瀝青路面具體分為裂縫、坑槽、車轍和松散四類病害，水泥混凝土路面分為裂縫、坑槽、啃邊和斷角四類病害。最后統計生成并輸出所檢路面的結果檢測報告。

3 系統實現與應用測試

3.1 系統實現

圖2 系統運行流程圖

1）圖像采集平臺設計與實現。系統圖像采集平臺滿足輕量便攜式要求，以折疊式數據采集車為圖像采集設備。行車端通過板式折疊車實現，板式折疊車可隨意折疊，體積小、易便攜，能夠在狹窄路面正常行駛、使用。裝置連接端為保證在行車環境下獲取高質量的路面圖像，在行車裝置與圖像采集裝置間加裝減震云臺，結合三軸防抖云臺技術，滿足圖像采集穩固防抖要求。圖像采集端主要通過減震云臺連接手機實現，方便數據同步回傳并記錄地理位置信息，利于后期路面病害定位。整體設備裝置方便獲取，符合經濟性、便利性設計原則。

2）圖像處理平臺設計與實現。系統以計算機工作站為圖像處理平臺，計算機工作站使用 Windows10 64 位操作系統，內存為 16 G，配備 NVIDIA GeForce RTX 3060Ti 顯卡和 ADM R7 處理器。為提升系統的運行速度，安裝 CUDA 和 cuDNN 以實現 GPU 加速。同時，系統檢測模型以 P y thon 為基礎語言，以 Tensorflow 及 Keras 為開源平臺，內置大量圖像處理的通用算法，基于 Pycharm 軟件平臺實現算法模型的編譯、搭建和運行，能夠實現路面病害的高效檢測。

綜合考慮，本系統能夠實現效率與投入的平衡性，整體系統硬件設備總價在 3 萬元左右，相較于市面主流道路檢測車經濟效益更高，便于復現與推廣。

3.2 系統測試

為驗證系統用于路面病害檢測的可行性和實用性，對系統進行實際路面測試。選取不同種類（瀝青路面和水泥混凝土路面）的待測路面，每種路面各采集圖像 1 000 余張，并篩選其中 800 張（有無病害圖像各 400 張，每類病害 100 張）高質量圖像進行測試。圖像采集過程如圖 3 所示。

圖3 多種類路面圖像采集

表2 路面種類劃分結果統計表

3.2.1 路面種類劃分任務測試

將處理后的圖像導入自主開發的路面類型劃分算法模型，分類結果如表 2 所示。測試和分析發現：對應路面種類劃分任務，系統所使用的分類方法較好，圖像分類平均準確率為 98.69 %，出現誤檢的情況較少，且不存在漏檢的情況，可滿足實際路面檢測的要求。

3.2.2 路面病害識別任務測試

將分好種類的路面圖像導入其對應的路面病害識別算法模型中，對不同路面的不同病害進行識別。測試和分析發現：對于路面病害檢測任務，系統所使用的檢測方法效果較好，圖像識別平均準確率可達到 88.50 %，平均誤檢率為 7.25 %，漏檢率為 4.25 %。雖然相較于圖像分類方法平均準確率有所降低，但誤檢和漏檢圖像個數較少，也可用于實際路面檢測。部分病害圖像的識別效果如圖 4 所示。

圖4 路面病害識別結果示意圖

3.2.3 路面損壞評估任務測試

將路面病害圖像導入路面病害分割算法模型，分割出各類型病害區域，并測算出區域像素面積進行面積換算。統一選取損壞面積為評判指標進行損壞評估。測試和分析發現：對于路面損害評估任務，系統所使用的評估方法可有效分割出路面病害區域，圖像面積測算誤差在 0.006～0.085 m2，基本滿足各類型病害的測量要求，相較于人工面積測量方法更加方便快捷，可用于實際路面損壞評估。部分圖像的分割效果如圖 5 所示。

圖5 路面病害分割結果示意圖

表4 路面病害區域面積換算結果統計表

4 測試結果討論

依據實際路面檢測效果，分析路面病害智能檢測系統的優勢與不足，以進一步完善系統。

4.1 設備輕量性

路面病害硬件系統由板式折疊車、減震云臺、云臺連接支架、手機、微型計算機等設備組成，各設備均具備輕量化的特性，方便攜帶至各待檢路面使用。后續的研究中可以考慮開發一體式折疊檢測車，將計算機嵌入行車裝置中，進一步為設備“減重”。

4.2 連接穩定性

數據采集設備由行車裝置和數據采集裝置組接而成，裝置借鑒無人機云臺防抖原理，加裝減震云臺，可在行車環境下進行路面圖像采集。但測試中也發現：各裝置間平衡機能不夠緊密，導致采集的圖像偶爾會出現質量不佳的狀況。所以，在后期的研究中要進一步對設備連接方式進行研究，以保證各裝置穩固連接，實現高質量數據的采集。

4.3 操作便捷性

系統操作流程簡單，在檢測之前只需組接好數據感知裝置，設置設備功能參數，并打開計算機工作站的檢測模型。檢測時驅車進行圖像采集，計算機后臺接收并完成路面病害檢測，整個系統運行流程簡潔，設備使用方便，具備操作便捷性特點。同樣的，后續開發一體式檢測車，進一步簡化系統運行流程。

4.4 使用適應性

經測試，本系統能夠實現路面種類劃分、路面病害識別和路面損壞評估。但對于不同路面環境，系統的適應性會存在差別，當有光照和路面雜物影響時，會影響系統的使用效果。此外，對于小目標路面病害，系統可能會出現漏檢現象。因此，在后期的研究中進一步擴大不同環境、不同尺寸的圖像數據集用于算法訓練，以提高各系統的檢測精度與通用性。

4.5 效益經濟性

系統軟硬件協同配合，運行效率高，所需硬件設備成本低、易獲取，所需軟件易安裝、便操作。能夠實現路面種類劃分、路面病害識別和路面損壞評估的全方面檢測需求，具備較高的性價比，后續可開發專業化軟硬件平臺，進一步提升經濟效益。

4.6 功能延伸性

系統當前的主要功能是實現路面病害的檢測，可進一步拓展應用功能。考慮到當前路面病害檢測缺乏直觀可視的檢測結果，后續可將系統與地理位置信息系統相結合，繪制待檢道路的可視化地圖，實現路面病害的精準定位。

5 結語

基于深度學習技術的輕量化便攜式路面智能檢測系統，主要包括數據感知、信息學習、圖像處理、智能評估四大功能模塊，能夠滿足路面種類劃分、路面病害識別和路面損壞評估的全方面檢測要求。相較于傳統人工檢測方法和現有道路檢測設備，系統具備輕量性、便攜性、精準性和綜合性，可應用于多種類狹窄路面檢測，為道路維養提供依據。考慮到道路環境的復雜性與路面病害的多樣性，系統后續仍需完善升級，以進一步提高其輕量化、智能化、精準化程度。Q