基于物聯網技術的公路路面病害智能檢測方法

摘 要：常規的公路路面病害智能檢測方法主要使用CA（Coordinate Attention， CA）注意力機制生成病害智能檢測模型，其易受多尺度變化影響，導致病害智能檢測異常，因此，基于物聯網技術設計了一種全新的公路路面病害智能檢測方法。通過獲取公路路面病害圖像數據集，利用物聯網技術構建公路路面病害檢測模型，生成公路路面病害智能檢測特征提取網絡，從而實現公路路面病害智能檢測。實驗結果表明，設計的基于物聯網技術的公路路面病害智能檢測方法的檢測效果較好，不同的路面病害均能被有效識別，具有極大可靠性，應用價值較高，將為提高公路路面駕駛安全性作出一定的貢獻。

關鍵詞：物聯網技術；公路路面；智能檢測；特征提取；注意力機制；病害檢測

中圖分類號：TP391；U495 文獻標識碼：A 文章編號：2095-1302（2024）06-00-03

0 引 言

常見的公路路面病害類型較多，包括因路面破損、龜裂等嚴重影響路面平整度和舒適度的坑槽；因車輛反復行駛[1]，在路面形成的車轍；因路面材料老化、磨損或腐蝕等原因，導致路面松散脫落[2]；因路基沉降不均勻或地下管線鋪設不當等原因，導致路面沉陷等。這些病害不僅影響公路的使用性能和舒適度，還會對車輛的行駛安全造成潛在威

脅[3]。受路面環境等因素影響，進行路面病害檢測的難度較高，獲取的路面病害檢測結果并不準確。為了解決上述問題，文章基于物聯網技術設計了一種全新的公路路面病害智能檢測方法。

1 公路路面病害物聯網技術智能檢測方法設計

1.1 獲取公路路面病害圖像數據集

獲取高質量的路面病害數據是路面病害智能檢測的基礎，因此，文中首先取得了公路路面病害智能檢測圖像數據集。對獲取的數據進行預處理，完成數據清洗與數據格式規范化處理，并對清洗完畢的數據進行校驗，如式（1）所示：

（1）

式中：xk（t）代表采集的初始智能檢測數據；xj（t）代表經過數據清洗后的智能檢測數據[4]；σ代表數據校驗誤差。此時，可以輸出通過校驗的數據，進行存放校驗分類[5]，利用Images、ImageSets、Annotations并行存儲數據，生成原始的智能檢測數據標簽。在公路路面病害智能檢測過程中[6]，需要將檢測出的病害區域標注起來，對坑槽、橫縱、復雜裂縫等命名，分別為pothole、lateral_crack、longitudinal_crack、mesh_crack，此時的病害數據集標注界面如圖1所示。

由圖1可知，標注完畢后，會立刻在相應檢測文件夾中生成相關原始檢測標簽文件，此時可以利用labelme工具轉換格式，存儲圖像數據集訓練數據信息，更新病害智能檢測xmin、ymin、xmax、ymax坐標。

標注后的病害智能檢測數據集樣本需要進行數據擴增處理，降低樣本數據不均衡問題對病害智能檢測造成的影響。

1.2 基于物聯網技術構建公路路面病害檢測模型

物聯網技術是一種特殊的信息傳感技術，其可通過特定的信息交換媒介通信，提高智能化識別檢測的有效性。因此，文中基于物聯網技術構建了公路路面病害檢測模型。首先，可以將上述獲取的路面病害圖像數據集中的數據傳輸到云端或數據中心進行存儲和分析，此時可根據預測的病害智能檢測位置計算智能檢測廣義交并比GIoU，如式（2）所示：

（2）

式中：IoU代表檢測區域與真實區域的交并比；sa、sp、sc分別代表不同智能檢測框的面積。基于此生成的智能檢測損失函數IIoU如式（3）所示：

（3）

根據上述智能檢測損失函數可知，若智能檢測區與實際病害區域的重疊性較高，證明收斂速度越快，檢測效果越好。此時，為確定中心智能檢測距離，需要計算智能檢測縱橫比IC，如式（4）所示：

（4）

式中：ρ（b）代表中心檢測點坐標；c代表包含檢測區域的最小外接框對角線距離；α代表歐式距離。為了同時滿足病害智能檢測對角線距離識別的要求，使其與檢測相對值擬合，可以計算智能檢測寬度損失IE，如式（5）所示：

（5）

式中：CW代表檢測覆蓋寬度；v代表智能檢測權重函數。根據上述檢測損失關系可以確定公路路面病害智能檢測模型的加速收斂參數。基于此，構建的公路路面病害智能檢測模型Z（w）如式（6）所示：

（6）

式中：H代表歸一化智能檢測特征；xc（j， w）代表檢測輸出池化值。使用上述構建的公路路面病害智能檢測模型可以快速確定智能檢測的相對區域，全面提升最終檢測精度。

1.3 生成公路路面病害智能檢測特征提取網絡

為增強公路路面病害智能檢測模型對關鍵檢測特征的學習能力，降低智能檢測難度，文章設計的智能檢測方法生成了有效的智能檢測特征提取網絡。首先需要在骨干網絡中添加注意力模塊，學習不同的檢測語義信息，根據網絡層數變化對檢測信息進行壓縮。在檢測過程中，一旦獲取的圖像中關注的輪廓與信息改變會立即標注，增加提取特征的代表性，降低冗余信息對智能檢測結果造成的影響。除此之外，生成的公路路面病害特征提取網絡主要以注意力機制為標準，重點關注目標病害的位置，再根據空間選擇要求進行有效學習，提高公路路面病害智能檢測的準確率。最后，該網絡可以通過Squeeze-and-Excitation確定智能檢測分支，對不同的特征圖進行多次標定，生成智能檢測網絡示意圖。上述公路路面網絡結構可以利用Global pooling層改進原有的識別骨干中心，添加SE模塊最大限度降低語義變化對路面病害特征信息提取造成的影響，提升路面病害智能檢測的可靠性。

2 實 驗

為驗證設計的基于物聯網技術的公路路面病害智能檢測方法的檢測效果，文中選取了有效的實驗集合，將其與文獻[5]、文獻[6]中常規的公路路面智能檢測方法進行對比，并進行了實驗。

2.1 實驗準備

根據公路路面病害智能檢測實驗要求，文中選取YOLOv5平臺作為實驗平臺，該實驗配置的路面病害智能識別實驗模型超參數見表1所列。

由表1可知，根據上述配置的路面病害智能識別實驗模型超參數結合Python3.8生成深度學習框架。本實驗使用佳能EOS 500D相機拍攝的路面圖像生成實驗數據集，并以

4 000×6 000分辨率進行存儲。為提高實驗結果的可比性，使用上述統一的超參數進行綜合訓練，獲取分類損失均值，確保實驗圖像處于理想狀態。實驗數據集處理完成后，利用ResNet結構進行路面病害分類，利用Nvidia 2080-ti執行不同的檢測步驟[7-9]。智能檢測實驗流程如圖2所示。

由圖2可知，為避免突發異常情況造成實驗干擾，文中使用高性能變分自動編碼器剔除了異常樣本，準確描述實驗圖像特征，避免出現實驗重建誤差[10]。待上述步驟完成后，即可得出最終的病害智能檢測結果。

2.2 實驗結果與討論

結合上述實驗準備，可進行公路路面病害智能檢測實驗，為滿足類型病害的檢測要求，文中共選取了坑洞、裂縫、小目標三種不同類型的病害進行智能檢測。通過DJI Air無人機拍攝原始路面圖像，分別使用文中設計的基于物聯網技術的公路路面病害智能檢測方法，文獻[5]中基于YOLOx模型的公路路面病害智能檢測方法以及文獻[6]中考慮無人機影響的公路路面病害智能檢測方法進行路面病害智能檢測。3種方法對不同類型路面病害的檢測結果如圖3所示。

由圖3可知，在初始智能檢測環境相同的情況下，文中設計的基于物聯網技術的公路路面智能檢測方法在坑洞、裂縫、小目標病害中的識別效果均較好，能準確識別全部病害目標，文獻[5]中基于YOLOx模型的公路路面病害智能檢測方法以及文獻[6]中考慮無人機影響的公路路面病害智能檢測方法在坑洞、裂縫、小目標病害中的識別效果相對較差，部分病害無法識別。上述實驗結果證明，文中設計的基于物聯網技術的公路路面病害智能檢測方法的檢測效果較好，具有較高準確性。

3 結 語

綜上所述，隨著經濟的發展和城市化進程的加速，我國公路建設越來越完善，公路總里程不斷增加，公路的養護和管理任務變得更加繁重，傳統的人工檢測和養護方式已經無法滿足需求，公路路面病害頻發。進行公路路面病害智能檢測不僅能提高檢測效率和精度，保障道路安全和通行效率，降低養護和維修成本，還可以促進人工智能技術的發展，提升城市形象和管理水平。因此，文中基于物聯網技術設計了一種全新的公路路面病害智能檢測方法。實驗結果表明，設計的基于物聯網技術的公路路面病害智能檢測方法的檢測效果較好，具有較高可靠性，為降低公路運輸安全風險作出了一定的貢獻。

參考文獻

[1]陳昕，王曦，黃晶晶，等.基于YOLOv3的農村公路路面病害自動識別研究[J].遼寧工業大學學報（自然科學版），2023，43（5）：293-295.

[2]高明星，關雪峰，范井麗，等.基于改進YOLOv5-DeepSORT算法的公路路面病害智能識別[J].森林工程，2023，39（5）：161-174.

[3]趙麗鳳，王勇，王曉靜，等.改進U-Net模型支持下的高密度激光點云在瀝青道路病害識別中的應用[J].測繪通報，2023，69（7）：136-141.

[4]韓豫，張萌，李宇宏，等.基于深度學習和ArcMap的路面病害智能綜合檢測方法[J].江蘇大學學報（自然科學版），2023，44（4）：490-496.

[5]李炎清，張關發，崔志猛，等.基于YOLOx-MobileNetV3模型的路面病害智能識別研究[J].交通節能與環保，2023，19（3）：11-17.

[6]安學剛，黨建武，王陽萍，等.基于改進YOLOv4的無人機影像路面病害檢測方法[J].無線電工程，2023，53（6）：1285-1294.

[7]李任瓊.基于智能檢測控制的公路路基系統設計與研究[J].電子設計工程，2023，31（16）：91-95.

[8]彭杰.公路路基路面病害的科學檢測及預防養護策略探討[J].黑龍江交通科技，2022，45（11）：180-182.

[9]蔣煒.公路路基路面病害檢測與修復分析[J].建筑技術開發，2022，49（24）：158-160.

[10]吳煉，錢國明，韓曉健.基于卷積神經網絡的航道邊坡病害識別[J].電子設計工程，2023，31（15）：90-93.