大跨徑鋼橋瀝青混合料鋪裝路面缺陷檢測算法改進

摘要：以往的路面缺陷檢測算法僅提取了路面圖像中的邊緣特征，導致算法的檢測效果不佳。為此，本研究針對大跨徑鋼橋面瀝青混合料鋪裝路面，設計了新的缺陷檢測算法。在利用相機采集大跨徑鋼橋面瀝青混合料鋪裝路面圖像后，對其進行去噪和均衡化處理。然后，在對路面圖像數據進行增強處理的基礎上，利用邊緣檢測提取出路面圖像的邊緣特征，通過紋理分析提取紋理特征，并對2者進行融合處理。最后，通過計算特征閾值，對提取的特征進行分類，篩選出其中的路面缺陷特征，由此生成對應的路面缺陷檢測算法。經實驗測試驗證，該算法在實際應用中的漏檢率較低，檢測效果較好。

關鍵詞：大跨徑鋼橋面；瀝青混合料；橋面鋪裝；缺陷檢測；算法設計

中圖分類號：TQ321.3；U416.217文獻標志碼：A文章編號：1001-5922（2025）02-0095-04

Improvement of pavement defect detection algorithm for asphalt mixture pavement of long-span steel bridge

LIU Jichang

（China Railway 14th Bureau Group First Engineering Development Co.，Ltd.，Rizhao 276800，Shandong China）

Abstract：The previous pavement defect detection algorithm only extracted the edge features in the pavement im?age，resulting in poor detection effect of the algorithm.Therefore，a new defect detection algorithm was designed for the asphalt mixture pavement of long-span steel bridge deck.After the camera was used to collect the image of the asphalt mixture pavement of the large-span steel bridge deck，the image of the asphalt mixture pavement was de?noised and equalized.Then，on the basis of the enhanced processing of the pavement image data，the edge features of the pavement image were extracted by edge detection，and the texture features were extracted through texture analysis，and the two were fused.Finally，by calculating the feature threshold，the extracted features were classified，and the pavement defect features were screened out，and the corresponding pavement defect detection algorithm was generated.Experimental tests show that the algorithm has a low missed detection rate and a good detection effect in practical applications.

Key words：long span steel bridge deck；asphalt mixture；bridge deck paving；defect detection；algorithm design

由于大跨徑鋼橋面瀝青混合料鋪裝路面在使用過程中長期受到環境因素、車輛載荷等多種因素的影響，其表面容易出現各種缺陷，如裂縫、坑槽、泛油等。這些缺陷不僅影響路面的美觀，更重要的是會威脅到交通安全[1]。因此，對大跨徑鋼橋面瀝青混合料鋪裝路面進行缺陷檢測顯得尤為重要。現有的檢測算法主要依賴于人工巡檢和簡單的儀器檢測，這種算法不僅效率低下，而且容易受到人為因素的影響，如視覺疲勞、判斷誤差等，再加上大跨徑鋼橋面結構的特殊性，導致檢測效果較差[2]。因此，在上述背景下，不少研究學者針對缺陷檢測展開了研究，并提出了自己的想法[3-6]。

本文結合青島新機場連接線鋼箱梁轉體橋橋面鋪裝施工研究的基礎上，設計大跨徑鋼橋面缺陷檢測算法。先采集大跨徑鋼橋面瀝青混合料鋪裝路面圖像數據，并對其進行增強處理，再提取鋪裝路面的特征，并對其進行特征融合，由此生成對應的鋪裝路面缺陷檢測算法。本文設計的算法可以為其他類型的路面缺陷檢測提供借鑒和參考，具有較高的推廣價值。

1缺陷檢測算法改進設計

1.1圖像數據增強處理

為生成對應的鋪裝路面缺陷檢測算法，需要利用無人機搭載的高清攝像頭采集大量的大跨徑鋼橋面瀝青混合料鋪裝路面圖像數據，并對采集的路面圖像進行增強處理[7-8]。在路面圖像增強處理前，考慮到路面圖像在采集過程中可能會存在大量的干擾因素，需要先對其進行去噪計算。其具體的計算過程如下：

式中：u'表示鋪裝路面圖像的去噪計算結果，σ表示鋪裝路面圖像的標準差，u表示采集的原始鋪裝路面圖像，v表示鋪裝路面圖像的均值，e表示圖像像素x鄰域的局部方差。

式中：pi表示路面圖像i中不同灰度級像素出現的概率，ni表示圖像i中不同灰度級的像素數量，n表示采集的圖像中所有像素的灰度級，fi表示圖像像素的分布函數，nk表示圖像中灰度值為k的像素個數，hi表示圖像i的均衡化處理的結果，fmin表示fi的最小值，f表示fi的平均值，M、N分別表示圖像長寬像素的個數，L表示圖像中所有的灰度級數。

通過式（2），完成對路面圖像的均衡化處理，進一步提高路面圖像的質量。將上述處理過的路面圖像作為基礎，對其進行增強處理[10]。其具體增強處理的過程如下：

式中：S（x）為增強處理后的路面圖像，c為圖像增強參數。

通過式（3），完成對路面圖像的增強處理，以便在后續設計中更好地提取圖像中的特征。至此，大跨徑鋼橋面瀝青混合料鋪裝路面圖像增強處理的設計完成。

1.2鋪裝路面圖像特征融合

在上述設計的基礎上，將增強處理后的路面圖像作為基礎，提取出鋪裝路面圖像的多個特征。在提取特征的過程中，分別對路面圖像進行邊緣檢測和紋理分析，再將提取結果進行特征融合，生成一組能夠全面反映路面狀況的特征向量，為后續檢測路面缺陷奠定基礎[11]。鋪裝路面圖像的特征融合具體過程如圖1所示。

由圖1可知，在上述特征融合過程中，先輸入增強處理后的路面圖像，再通過邊緣檢測和紋理分析對其進行特征提取，并將提取的特征進行融合，生成相應的特征向量[12]。在上述過程中，利用邊緣檢測提取圖像中的邊緣特征。其具體提取過程如下：

ì

式中：G（x）為利用邊緣檢測提取的路面圖像特征，λ為路面圖像的邊緣檢測算子，S（x）、S（y）分別為路面圖像在不同方向上的梯度分量。

通過式（4），完成對路面圖像特征的提取。同時，再對路面圖像進行紋理分析，提取出路面圖像的多個紋理特征。其具體提取過程如下：

式中：E1為提取的路面圖像熵特征，E2為提取的路面圖像能量特征，E3為提取的路面圖像對比度特征，u為路面圖像中所有像素的平均值。

通過式（5），完成對紋理特征的提取。將該提取結果作為基礎，分別計算邊緣特征和紋理特征的權重值，對其進行特征融合[13]。其特征融合的具體結果如下：

式中：H（x）為提取的路面圖像特征融合的結果，ω1為邊緣特征對應的權重值，ω2為紋理特征對應的權重值。

通過式（6），完成對路面圖像特征的融合，將該融合結果作為基礎，為后續生成鋪裝路面缺陷檢測算法奠定基礎[14]。至此，鋪裝路面圖像特征融合的設計完成。

1.3生成鋪裝路面缺陷檢測算法

在上述設計的基礎上，利用融合后的鋪裝路面圖像特征，生成對應的鋪裝路面缺陷檢測算法。在生成檢測算法的過程中，先根據上述提取的路面圖像特征，對其進行特征分類[15]。其具體分類過程如下：

式中：kα為計算的路面圖像特征閾值，ur為路面圖像特征均值，kg為特征閾值調節系數，σr為路面圖像特征的標準差閾值。

通過式（7），完成對特征閾值的計算。如果提取的特征特征值高于上述特征閾值，則該特征為路面缺陷特征，反之，則為正常特征[16]。將上述分類結果作為基礎，生成相應的鋪裝路面缺陷檢測算法。其檢測算法的部分代碼如圖2所示。

由圖2可知，在上述代碼中，先對輸入的路面圖像進行轉換，并提取出其中邊緣特征和紋理特征，由此確定路面缺陷的位置，并計算缺陷位置的面積，再使用正方形表示缺陷的中心，由此在原始圖像中繪制出路面缺陷的區域，完成對鋪裝路面缺陷的檢測[17]。至此，大跨徑鋼橋面瀝青混合料鋪裝路面缺陷檢測算法的設計完成。

2實驗測試及結果

將以往的缺陷檢測算法和設計的檢測算法進行對比，進行實驗測試。實驗中，本文設計的大跨徑鋼橋面瀝青混合料鋪裝路面缺陷檢測算法為算法1，傳統的路面缺陷檢測算法為算法2，基于數據分析技術的路面缺陷檢測算法為算法3。為對比上述3種算法在實際應用中的效果，設計的實驗具體如下。

2.1實驗準備

為驗證本文設計的大跨徑鋼橋面瀝青混合料鋪裝路面缺陷檢測算法在實際應用中的效果，進行實驗測試。實驗中，以某大跨徑鋼橋工程為例，該鋼橋的長度為200 m，寬度為10 m，高度為0.1 m，在施工過程中，使用的瀝青涂料為AR-13型，其配合比為碎石∶砂∶礦粉∶瀝青等于60∶25∶7∶8。本次實驗的實驗環境如圖3。

實驗中，利用無人機搭載高分辨率相機采集鋼橋路面的圖像，再利用圖像處理器對采集的路面圖像進行處理，提高圖像的質量，為后續的實驗提供質量較高的圖像。實驗中，設置的實驗參數：相機像素為0.5μm，鏡頭焦距為25 mm，光源色溫為5 000 K，光源亮度為10 000 cd，圖像采集頻率為10 Hz

同時，實驗中，對利用相機采集的路面圖像進行處理。其具體處理結果如圖3所示。

在上述圖像中，利用本文設計的算法對上述圖像進行處理，去除圖像中的干擾因素，提高圖像的質量。在本次實驗中，利用上述算法對路面圖像中的缺陷進行檢測。

2.2實驗結果討論

為驗證上述3種算法在實際應用中的效果，以算法的檢測效果為評價指標，對比3種算法的性能。實驗中，利用3種算法對實驗中采集的路面圖像進行檢測，檢測圖像中的路面缺陷，并統計相應的檢測結果。其具體檢測結果如圖4所示。

由圖4可知，針對圖像a、b、c中的路面缺陷，算法1能夠檢測出圖像中的所有缺陷，檢測效果較好。算法2僅能檢測出圖像中的部分缺陷，算法3的檢測出的缺陷位置不準確，檢測效果較差。因此，本文設計的算法在實際應用中檢測效果較好。

為進一步驗證上述3種算法在實際應用中的效果，以算法的漏檢率為評價指標，進行實驗測試。實 驗中，利用3種算法對多組路面圖像進行檢測，統計 其檢測結果的漏檢率。其具體統計結果如表1所示。

由表1可知，在對多組路面圖像進行檢測時，算法1的漏檢率較低，算法2和算法3的漏檢率較高。因此，本文設計的算法在實際應用中檢測效果較好。

3結語

在路面工程中，大跨徑鋼橋面瀝青混合料鋪裝路面的缺陷檢測是一個重要而具有挑戰性的任務。本文設計的算法能夠提高路面圖像的質量，并提取出其中與路面缺陷相關的圖像特征信息，由此對路面缺陷特征進行檢測，檢測效果較好。同時，本文設計的算法有較高的檢測準確率，能夠快速準確地檢測出路面缺陷，為路面養護和維修提供了重要的技術支持。在實際應用中，該算法還可以與其他技術相結合，如紅外熱成像、激光掃描等，以進一步提高缺陷檢測的準確性和可靠性。未來，隨著技術的不斷發展和完善，該算法有望在更多領域得到廣泛應用和推廣。

【參考文獻】

[1]沈坤燁，周曉飛，費曉波，等.基于邊緣感知深度殘差網絡的帶鋼表面缺陷檢測[J].應用科學學報，2023，41（6）：978-988.

[2]李浩，支殿楠，張勝利，等.基于機器視覺的碼垛成品煙箱表面缺陷檢測模型研究[J].制造業自動化，2023，45（11）：10-14.

[3]陳建瑜，鄒春龍，王生懷，等.改進YOLOv5的路面缺陷快速檢測方法研究[J].電子測量技術，2023，46（10）：129-135.

[4]張艷君，沈平，郭安輝，等.融合CBAM-YOLOv7模型的路面缺陷智能檢測方法研究[J].重慶理工大學學報（自然科學），2023，37（11）：213-220.

[5]FU M，WU J，WANG Q，et al.Region-based fully convolu?tional networks with deformable convolution and attention fusion for steel surface defect detection in industrial inter?net of things[J].IET Signal Process.2023，17（14）：238-255.

[6]ZHONG Z，MA Z.A novel defect detection algorithm for flexible integrated circuit package substrates[J].IEEE Transactions on Industrial Electronics，2022，14（36）：125-148.

[7]張曙文，鐘振宇，朱大虎.基于改進YOLOx網絡的金屬齒輪表面缺陷檢測方法[J].激光與光電子學進展，2023，60（22）：280-290.

[8]季娟娟，王佳，陳亞杰，等.基于改進YOLOv7的液壓閥塊表面微小缺陷檢測[J].計算機工程，2023，49（11）：302-310.

[9]蔣博，萬毅，謝顯中.改進YOLOv5s的輕量化鋼材表面缺陷檢測模型[J].計算機科學，2023，50（S2）：271-277.

[10]王慶秋，李林升，桂久琪，等.基于圖像處理與卷積神經網絡的鋰電池極片缺陷檢測與分類[J].制造業自動化，2023，45（10）：50-54.

[11]渠逸，汪誠，余嘉博，等.基于YOLOv5的表面缺陷檢測優化算法[J].空軍工程大學學報，2023，24（5）：80-87.

[12]梁海波，王怡，賈武升.基于機器學習的天然氣鋼質管道缺陷檢測方法研究[J].安全與環境學報，2023，23（10）：3528-3537.

[13]胡文娟.水泥改性乳化瀝青混合環保路面材料的性能試驗[J].粘接，2023，50（6）：60-63.

[14]鄒紅波，陳俊廷，柴延輝，等.基于改進的YOLOv7的霧天場景下絕緣子及其自爆缺陷檢測方法[J].國外電子測量技術，2023，42（10）：1-11.

[15]陳杰，安之煥，唐占元，等.基于改進YOLOv4模型的無人機巡檢圖像桿塔缺陷檢測方法研究[J].電測與儀表，2023，60（10）：155-160.

[16]李冰，白云山，趙寬，等.基于HSCA-YOLOv7的風電機組葉片表面缺陷檢測算法[J].中國電力，2023，56（10）：43-52.

[17]孫占峰，崔利功，于安琪，等.高粘高彈改性瀝青路面混合料對降噪性能的影響研究[J].粘接，2023，50（7）：64-68.

（責任編輯：張玉平）