基于卷積神經(jīng)網(wǎng)絡(luò)的路面病害自動化識別研究

鄭德馨

摘要 隨著公路里程的增加，路面病害處治也普遍面臨著數(shù)據(jù)量大增的問題，因此，具有較高效率的路面病害分析識別技術(shù)具有較高的研究價值。文章提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的路面病害自動化識別方法。該方法的圖像識別技術(shù)隨著計算機(jī)硬件計算能力的逐年增強(qiáng)和相關(guān)算法的完善，已經(jīng)有比較完備的理論基礎(chǔ)和公式可以用于公路病害識別方面的應(yīng)用。該系統(tǒng)的開發(fā)可以自動化識別包括路面裂縫、坑槽等在內(nèi)的多種病害，自動化識別準(zhǔn)確率達(dá)到90%以上。

關(guān)鍵詞 卷積神經(jīng)網(wǎng)絡(luò)；路面病害；自動化識別

中圖分類號 U416.2文獻(xiàn)標(biāo)識碼 A文章編號 2096-8949（2023）09-0007-03

0 引言

經(jīng)歷了數(shù)十年的飛速發(fā)展，我國的道路基礎(chǔ)設(shè)施建設(shè)達(dá)到了世界先進(jìn)水平。路面在長時間的運(yùn)營過程中，會受到汽車荷載及材料老化變質(zhì)等外部因素的影響，隨之導(dǎo)致路面產(chǎn)生多種病害。這些病害會對路面的正常使用性能和路面的周期壽命產(chǎn)生較大的影響。為了保障路面在使用壽命內(nèi)能具備高質(zhì)量的服務(wù)性能，需要有規(guī)劃地對路面實(shí)施養(yǎng)護(hù)工作，這就要對路面病害進(jìn)行準(zhǔn)確、及時的識別。目前，路面病害的檢測方法可以分為三種：第一種方法是檢測人員前往各個道路，對路面損壞狀況進(jìn)行采集并計算路面狀況指數(shù)PCI；第二種方法是拍攝路面圖片，人工對每張圖片上存在的損壞進(jìn)行識別，根據(jù)損壞識別結(jié)果計算PCI；第三種方法是對采集到的路面圖片，使用計算機(jī)對圖片上的路面損壞進(jìn)行標(biāo)識并計算PCI[1]。

人工識別損壞方法的準(zhǔn)確率較高，但是需要花費(fèi)大量的人力、物力以及時間。隨著科學(xué)化道路管理的理念深入人心，在將來面臨大規(guī)模的路網(wǎng)損壞狀況評價時，人工識別損壞方法會力不從心。因此，如何使用計算機(jī)自動對圖像上的損壞進(jìn)行識別是未來的重要研究方向。近年來，隨著計算機(jī)處理數(shù)據(jù)的能力的增強(qiáng)，以及基于卷積神經(jīng)網(wǎng)絡(luò)的圖片處理技術(shù)提升，大量的圖片自動化識別技術(shù)應(yīng)用于路面病害檢測領(lǐng)域，并取得了較好的效果。

1 卷積神經(jīng)網(wǎng)絡(luò)的機(jī)理

基于卷積神經(jīng)網(wǎng)絡(luò)的路面病害自動化識別方法是卷積神經(jīng)網(wǎng)絡(luò)通過數(shù)據(jù)輸入、模型建立、訓(xùn)練識別，避免了前期圖像數(shù)據(jù)的處理，只是從前期的訓(xùn)練庫中進(jìn)行反復(fù)學(xué)習(xí)，再者由于同一個特性反映面上的取值相同，所以卷積神經(jīng)網(wǎng)絡(luò)可以一并進(jìn)行學(xué)習(xí)。

用于路面病害自動化識別的卷積神經(jīng)網(wǎng)絡(luò)，可以實(shí)現(xiàn)自動化、識別率高的識別路面病害的目的。首先，選取5條高速公路的路面病害圖像作為模型訓(xùn)練的數(shù)據(jù)庫。其次，經(jīng)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)各層，包括數(shù)據(jù)輸入層、卷積計算層、ReLU激勵層、池化層和全連接層，建立基于卷積神經(jīng)網(wǎng)絡(luò)的路面病害自動化識別系統(tǒng)模型[2-8]。

2 數(shù)據(jù)的收集及預(yù)處理

2.1 原始數(shù)據(jù)收集

原始數(shù)據(jù)收集的關(guān)鍵是進(jìn)行圖像的采集和數(shù)據(jù)庫的建立。為保證數(shù)據(jù)庫數(shù)據(jù)的多樣性，避免數(shù)據(jù)的單一性，該次數(shù)據(jù)的收集選取全國不同省份的5條高速公路的路面圖像作為原始數(shù)據(jù)，分別為德商高速、簡蒲高速、安紫高速、資興高速和京新高速。每條高速選取不同路面病害圖像100張。為確保卷積神經(jīng)網(wǎng)絡(luò)的自動化路面病害識別結(jié)果不受采集時圖像亮度的影響，路面破損采集系統(tǒng)搭載4k線陣相機(jī)+2*激光照明。為確保拍攝角度對路面病害識別的無影響，路面破損圖像采集系統(tǒng)的相機(jī)拍攝面與路面固定垂直，相機(jī)與路面的間距保持固定的2 m。此設(shè)備可高質(zhì)量拍攝路面寬度小于4 m，長度為2 m的圖片，滿足單個路面寬度的采集要求。另外，由于路面上的標(biāo)線、垃圾等的外觀形狀與路面病害有顯著差異，卷積神經(jīng)網(wǎng)絡(luò)可在訓(xùn)練時自動對其識別，無須對其進(jìn)行人工標(biāo)記。

2.2 數(shù)據(jù)預(yù)處理

將前期選取的路面病害圖像分割為512像素×512像素的小單元。相同地，通過人工將前期選取的路面病害進(jìn)行劃分統(tǒng)計，路面病害圖像分割如圖1所示，便于后期與自動化識別的結(jié)果進(jìn)行比對修正。

3 卷積神經(jīng)網(wǎng)絡(luò)模型的建立

卷積神經(jīng)網(wǎng)絡(luò)是一種模擬人工神經(jīng)網(wǎng)絡(luò)的自動化識別模型結(jié)構(gòu)，目前比較成熟地用于人臉識別和行人、車輛的識別定位。卷積神經(jīng)網(wǎng)絡(luò)的自動化識別不易受到物體傾斜角度、旋轉(zhuǎn)以及變位的影響，因此在圖像自動化識別方面的應(yīng)用比較廣泛。卷積神經(jīng)網(wǎng)絡(luò)的識別準(zhǔn)確度與速度也能滿足路面病害的規(guī)范要求。卷積神經(jīng)網(wǎng)絡(luò)模型的建立如圖2所示。

3.1 卷積神經(jīng)網(wǎng)絡(luò)設(shè)計

在路面圖像中，裂縫、坑槽等病害與正常瀝青混凝土路面具有明顯的幾何外觀區(qū)別，所以卷積神經(jīng)網(wǎng)絡(luò)可以將不同病害圖像依據(jù)其外觀特性分類[9-12]。

3.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計是為了建立其基本的分析結(jié)構(gòu)。卷積神經(jīng)網(wǎng)絡(luò)模型的建立經(jīng)由數(shù)據(jù)輸入→卷積計算→ReLU激勵→池化層→全連接層組成。其中卷積計算主要是對圖像進(jìn)行特性識別，其內(nèi)部包含多個卷積核，組成卷積核的每個元素都對應(yīng)一個權(quán)重系數(shù)和一個偏差量，類似于一個前饋神經(jīng)網(wǎng)絡(luò)的神經(jīng)元。圖像數(shù)據(jù)由數(shù)據(jù)輸入層輸入，卷積神經(jīng)網(wǎng)絡(luò)通常使用線性整流函數(shù)（Rectified Linear Unit， ReLU）得到輸出特征矩陣，如圖3。每個卷積核賦予不同的權(quán)值和閾值，該卷積神經(jīng)網(wǎng)絡(luò)共有10個卷積核，每個卷積核尺寸為（3，3）。

池化層的主要作用為縮小參數(shù)矩陣的大小，以達(dá)到減少最后連接層中的數(shù)據(jù)量的目的，通常使用max-pooling，即在規(guī)定的窗口大小下取最大。全連接層的功能是將卷積神經(jīng)網(wǎng)絡(luò)中的全連接層等價于傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)中的隱含層。

3.3 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練主要是網(wǎng)絡(luò)模型參數(shù)的確定與調(diào)整。在確定網(wǎng)絡(luò)的輸入和輸出以后，網(wǎng)絡(luò)中間各層（隱藏層）的參數(shù)確定，其中包括網(wǎng)絡(luò)層數(shù)、各層維度、卷積窗口大小、學(xué)習(xí)率、激勵函數(shù)的調(diào)整與確定。該文采用前向反饋算法來進(jìn)行調(diào)整修正。

前向反饋算法的原理是使用正向傳輸和反向誤差傳輸?shù)脑韥頊p少卷積神經(jīng)網(wǎng)絡(luò)自動化識別的結(jié)果和實(shí)際結(jié)果的差值。前向反饋算法基本流程如圖4所示。首先，選取5條高速公路的圖像數(shù)據(jù)作為訓(xùn)練樣本，前向反饋算法給予卷積神經(jīng)網(wǎng)絡(luò)隨機(jī)的初始值。前向反饋算法將根據(jù)初始值自動識別后產(chǎn)生卷積神經(jīng)網(wǎng)絡(luò)的識別結(jié)果，然后將自動化識別的結(jié)果與人工識別的結(jié)果進(jìn)行比較。根據(jù)前向反饋算法的計算，修正權(quán)值和閾值。完成1次迭代計算后，再次將前期準(zhǔn)備的病害數(shù)據(jù)導(dǎo)入該系統(tǒng)，再次進(jìn)行處理，利用均方誤差M對卷積神經(jīng)網(wǎng)絡(luò)自動化識別準(zhǔn)確率進(jìn)行評價。依據(jù)《公路技術(shù)狀況評定標(biāo)準(zhǔn)》（JTG 5210—2018）中關(guān)于路面病害的識別準(zhǔn)確率大于90%的要求，當(dāng)M≤0.05時，卷積神經(jīng)網(wǎng)絡(luò)模型可滿足規(guī)范自動化識別準(zhǔn)確率要求；若M＞0.05時，重復(fù)迭代處理過程，直至M≤0.05時可結(jié)束。

3.4 卷積神經(jīng)網(wǎng)絡(luò)的測試

M≤0.05且趨于穩(wěn)定時僅說明針對卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的樣本，并不能完全保證所有的圖片都能夠達(dá)到要求。因此，重新選擇路面病害圖像來測試卷積神經(jīng)網(wǎng)絡(luò)的自動化識別準(zhǔn)確率。當(dāng)這些圖像測試樣本輸出結(jié)果的M≤0.05時，則可以認(rèn)為該卷積神經(jīng)網(wǎng)絡(luò)能夠滿足《公路技術(shù)狀況評定標(biāo)準(zhǔn)》（JTG 5210—2018）中對于路面病害的識別準(zhǔn)確率大于90%的要求。

3.5 卷積神經(jīng)網(wǎng)絡(luò)識別結(jié)果分析

卷積神經(jīng)網(wǎng)絡(luò)模型經(jīng)100次迭代訓(xùn)練后，M從0.552降至0.014 6，由圖5可見。該次卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練采用隨機(jī)梯度下降的模式，為了避免因?yàn)闃颖镜牟煌a(chǎn)生的誤差，迭代次數(shù)應(yīng)保證延長至卷積神經(jīng)網(wǎng)絡(luò)能夠輸出穩(wěn)定的識別結(jié)果為止。由圖5可知，M在第50次至第100次的迭代計算中已經(jīng)能夠保持恒定，滿足M保持穩(wěn)定的要求。

4 結(jié)論

（1）該次試驗(yàn)的基于深度卷積神經(jīng)網(wǎng)絡(luò)路面病害自動化識別系統(tǒng)可以直接輸入路面病害圖像，避免了圖像亮度、非病害因素等的前期處理過程，提升了處理效率。訓(xùn)練完成后的系統(tǒng)可以直接用于路面病害圖像的自動化識別分析統(tǒng)計，劃分路面病害類型，統(tǒng)計病害量值信息，無須進(jìn)行其他人工操作。同時，該系統(tǒng)的自動化識別準(zhǔn)確率、病害量值計算精度都能滿足相關(guān)規(guī)范的識別準(zhǔn)確率要求。該卷積神經(jīng)網(wǎng)絡(luò)模型與傳統(tǒng)的人工識別相比較，大幅度地提升了路面病害的識別效率與準(zhǔn)確率。

（2）一個滿足規(guī)范要求的卷積神經(jīng)網(wǎng)絡(luò)路面病害識別系統(tǒng)的搭建包含了樣本輸入、模型建立、樣本訓(xùn)練、準(zhǔn)確度測試等步驟，其識別準(zhǔn)確度滿足檢測規(guī)范要求后，方可用于正常試驗(yàn)檢測。該系統(tǒng)經(jīng)過深度修正后的精度可達(dá)到：裂縫長度誤差均小于4.25%，寬度誤差均小于8.42%，裂縫病害程度識別準(zhǔn)確率為95.66%；坑槽面積誤差均小于8.98%，坑槽病害程度識別準(zhǔn)確率為96.56%。由此可見，該系統(tǒng)具備較高的測量準(zhǔn)確度和工作效率。

該卷積神經(jīng)網(wǎng)絡(luò)系統(tǒng)通過訓(xùn)練后的模型的自動化路面病害識別，可以滿足《公路技術(shù)狀況評定標(biāo)準(zhǔn)》（JTG 5210—2018）中對于路面病害的識別準(zhǔn)確率大于90%的要求。基于深度卷積神經(jīng)網(wǎng)絡(luò)的路面病害自動化識別系統(tǒng)可較高地提升路面病害識別效率，降低因?yàn)椴煌说淖R別產(chǎn)生的誤差。同時，該系統(tǒng)也便于公路管養(yǎng)部門能夠及時、準(zhǔn)確地掌握管養(yǎng)里程內(nèi)路面病害狀況，并開展及時準(zhǔn)確的養(yǎng)護(hù)，確保道路的使用壽命和使用性能，保證交通安全，為人民群眾的出行安全提供有效保障。

參考文獻(xiàn)

[1]中華人民共和國交通運(yùn)輸部. 公路技術(shù)狀況評定標(biāo)準(zhǔn)[S]. 北京：人民交通出版社股份有限公司， 2008.

[2]蔡志興， 羅文婷， 李林. 基于深度學(xué)習(xí)的路面裂縫自動化識別研究[J]. 建材與裝飾， 2020（5）： 238-240.

[3]沙愛民， 童崢， 高杰. 基于卷積神經(jīng)網(wǎng)絡(luò)的路表病害識別與測量[J]. 中國公路學(xué)報， 2018（1）： 1-10.

[4]常瑩， 蔡蓉賓. 基于卷積神經(jīng)網(wǎng)絡(luò)的多類別路面病害識別研究[J]. 上海電氣技術(shù)， 2020（2）： 61-66.

[5]楊依霖， 黃浩， 胡永明， 等. 基于LeNet卷積神經(jīng)網(wǎng)絡(luò)的路面病害自動檢測方法[J]. 物聯(lián)網(wǎng)技術(shù)， 2021（1）： 47-50.

[6]羅輝， 何海清， 徐獻(xiàn)聰. 一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的道路損傷檢測研究[J]. 江西科學(xué)， 2021（1）： 134-137.

[7]陳瑤. 基于卷積神經(jīng)網(wǎng)絡(luò)的路面裂縫識別研究[J]. 科技創(chuàng)新導(dǎo)報， 2018（23）： 125+127.

[8]劉奇， 于斌， 孟祥成， 等. 基于轉(zhuǎn)置卷積神經(jīng)網(wǎng)絡(luò)的路面裂縫識別算法[J]. 華南理工大學(xué)學(xué)報（自然科學(xué)版）， 2021（12）： 124-132.

[9]孫朝云， 馬志丹， 李偉， 等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)融合模型的路面裂縫識別方法[J]. 長安大學(xué)學(xué)報（自然科學(xué)版）， 2020（4）： 1-13.

[10]陳嘉， 季雪， 戴伊， 等. 采用深度卷積神經(jīng)網(wǎng)絡(luò)的路面破損智能識別[J]. 福州大學(xué)學(xué)報（自然科學(xué)版）， 2022（4）： 530-536.

[11]封筠， 趙穎， 畢健康， 等. 多級卷積神經(jīng)網(wǎng)絡(luò)的瀝青路面裂縫圖像層次化篩選[J]. 圖學(xué)學(xué)報， 2021（5）： 719-728.

[12]李永緒， 謝政專， 唐文娟. 基于卷積神經(jīng)網(wǎng)絡(luò)的瀝青路面裂縫識別方法[J]. 西部交通科技， 2020（6）： 19-22.