環境污染下基于DeepLabv3 + 的道路病害檢測研究

文章編號：1674-6139（2025）06-0124-05

中圖分類號：X734文獻標志碼：B

Research on Road Disease Detection Based on DeepLabv3 + Under Environmental Pollution

Long Xing ^1，2 ，Liu Zhiyun3，Huang Huaping4，Wang Yi⁴ ，Guo Yuqing

（1.China Railway Construction Investment Group Co.，Ltd，Zhuhai 519031，China;2.School of Human Settlementsand Civil Engineering，Xi'an Jiaotong University，Xi'an 710o49，China；3.Geological Engineering and Geomatics，Chang'an University，Xi'an 710o54，China；4.China Railway Eryuan Engineering Group Co.Ltd，Chengdu 61OO36，China；5.Wuhan TianjihangInformation Technology Co.，Ltd.，Wuhan 43OO74，China）

Abstract：Regardingtherapiddevelopmentofthetransportationroadsystem，thedensityofroadconstructionnetworkcontiuesto expand，andthefrequentdingofeicleshasledtofrequentanddeepeingroadsurfcediseasesTsuetepeforanceofig waypavementandvehicledrivingsfetysemanticgmentatioodelusingdroerialpotogaphyanddeepexperimetstdied anditsnetworksructureisoptimizedformagedetectionofroaddiseases，timelydetectionandrepairofoaddiseaseproblemsTheexperimentalresultssowthattesmanticsegmentationmodeloftheimproveddeepexperimentalerieshasdetectioaccracyndreal rate of 86.34% and 92.44% forroad potholes，indicatingthe superiority of its improved model inroad diseasedetection.Therefore，the roaddiseasedetectionmodel hasfeasibilityandtechnical referencefor highwaynetwork constructionandvehiclesafety.

Keywords：environmentalpolution；semanticsegmentationmodel；highwayconstruction；roaddiseases；detectionmodel

前言

隨著城市化的推進，交通基礎設施逐漸完善，多種道路的建設滿足了不同地形和使用需要[1]。同時道路建設和舊路改建通常需要迎合經濟的發展，大量公路網的建設對土地資源、礦產資源的利用較多，從而導致環境污染和資源浪費[2]。并且由于公路路面的長期使用，自然因素和人為因素均會造成道路不同程度的受損，并出現各種病害問題，從而降低道路駕駛的安全度[3]。目前，大多數道路為瀝青路面結構，經過車輛負載、自然氣候等因素的長期影響，瀝青結構會呈現出裂縫、變形及松散等病害，從而影響道路結構的連貫性和支撐強度，進而導致道路面的承載能力降低，發生嚴重的安全事故[4]。傳統的人工檢測和道路檢測車輛的檢測方法對路面病害類型的檢測效率較低，且檢測車所耗費的能源和成本較高[5]。無人機采集的圖像具有比較豐富的背景信息，容易干擾圖像檢測的準確性。基于此，研究使用深度實驗（Deeplaboratory，DeepLab）系列的語義分割模型，即DeepLabv3 + 模型，并創新性地引人MobileNetv3網絡和Ghost卷積，注意力模塊和損失函數的優化設計促使模型完成輕量化，從而構建基于改進DeepLabv3 + 模型的道路病害檢測方法，旨在提高公路路面病害的檢測精度和效率，并為道路養護和車輛行駛提供詳細數據和安全保障。

1道路病害檢測任務及語義分割模型構建

1.1DeepLabv3 + 模型結構優化設計

由于航拍圖像中道路病害顯示較小，背景場景比較復雜進而影響圖像檢測算法的魯棒性和精確性[6-7]。因此研究利用深度學習的語義分割模型來檢測道路病害的航拍圖像，通過語義分割對圖像的每個像素進行分類和語義標簽。DeepLabv3 + 模型在Xception主干特征提取網絡中，卷積模塊主要針對圖像的特征提取。當卷積模塊中的核數量與圖像的通道數量一致時，卷積模塊對圖像進行特征提取。同時在最大池化層替換為Xception網絡的空洞卷積，并在每個卷積后添加局部歸一化層和ReLU激活函數，以提高模型性能。通過DeepLabv3+ 模型的網絡結構和參數計算，網絡中的圖像特征提取能力不斷增強，輸入的圖像經特征提取后可獲取不同尺寸的特征圖?？斩纯臻g金字塔池（AtrousSpatialPyramidPooling，ASPP）模塊首先對最下層的特征圖進行特征提取和卷積操作，其次對圖像進行特征提取和拼接，最后 1×1 的卷積塊可將特征圖的通道轉換為256，從而實現模型的圖像處理過程。

1.2基于DeepLabv3 + 的道路病害檢測模型構建

由于DeepLabv3 + 模型中的Xception主干特征提取網絡能夠有效地提高輸入圖像的分割精度，但所包含的網絡層和計算量較多，增加了模型的復雜程度，從而導致模型的尺寸受限[8-9]。研究對于航拍道路病害圖像的復雜特征，提出一種基于改進的DeepLabv3 + 檢測模型。對Xception主干特征提取網絡和卷積進行結構改進，見圖1。

從圖1中看出DeepLabv3 + 模型的主干提取網絡為MobileNetv3網絡，以降低網絡的參數量和占用空間。另外采用ASPP模塊中的普通卷積來替換原來的卷積塊，從而使模型輕量化，但為確保模型的分割精度，研究添加條形池模（StripPoolingMoudle，SPM）以優化其結構。同時利用淺層特征融合（ShallowFeatureFusion，SFF）結構來改善高效通道注意力（EfficientChannelAttention，ECA）模塊，從而優化模型的預測能力和精確度。

在Ghost卷積中，輸入特征圖會通過 1×1 的卷積塊減少輸出圖的通道數量，再使用計算量較少的深度可分離卷積對特征圖多余部分進行去除，最后經過圖像拼接得出兩組特征圖[10]。ECA 模塊作為一種高效且精確的注意力模塊，能夠自適應調整圖像特征目標，從而增加模型對特征的提取能力。其中ECA模塊如式（1）所示：

式（1）中， h 代表卷積核的尺寸， T 為通道數量。n 和 α 為常數，且分別為1和2，從而調整通道數 T 與卷積核尺寸 h 之間的比例， ||_odd 表示為卷積核尺寸h 僅為奇數。

研究中道路病害數據集中圖像類型不一，檢測模型的分類樣本和分割像素較多，會增加模型預測能力的困難程度。因此研究采用交叉熵損失（CrossEntropy，CE）和集合相似度度量函數Dice損失聯合的混合損失函數，來降低訓練數據集的分割像素，改善模型精確性。其中CE損失函數如式（2）所示：

式（2）中， n 表示檢測圖像的類別數， b_i 為輸入圖像的第 i 個單元的定義值， g_i 為第 i 個單元的預計可能性結果。CE損失函數在多目標分類任務中，能夠有效地平衡標簽和預測值的相似度，而Die損失則適合訓練類別不平衡的圖像分割，如式（3）所示：

式（3）中， b_i 為訓練圖像中第 i 個像素點的標簽值， g_i 為預測概率值。由于Die損失函數對圖像周圍噪聲比較敏感，同時忽視圖像的邊界信息，從而導致圖像邊界分割失誤和過擬合，因此將式中 φ 設為1，以加快函數收斂。將兩種損失函數聯合的混合損失函數如式（4）所示：

Loss=Loss（CE）+Loss（Dice）

式（4）中，Loss表示混合損失函數，綜合兩種損失函數的有效性能，對航拍圖像的病害像素進行高度檢測和分割的訓練效果，從而實現改進DeepLabv3 + 檢測模型的魯棒性。

2 基于改進的DeepLabv3 + 道路病害檢測模型分析

2.1路病害檢測模型檢測效果分析

交通公路網的施工建設及病害問題會對土地資源造成直接的環境污染，前期施工建設中礦產資源和土地資源的大量開發，會破壞礦山開采和土壤結構，從而產生一系列環境污染問題。根據 DeepLabv3 + 模型的結構優化，研究使用計算機、Python編程語言和PyTorch機器學習庫來設置道路病害圖像檢測的實驗環境。其中包括Ubuntul6.04系統，英特爾（R）至強處理器E5系列 2680v4 的產品，同時主頻參數為 2.40GHz 。顯卡配置為NVIDIAGe-foreGTX306012G，整體系統的內存為 14GB 。為合理提高模型的精確性和魯棒性，研究輸入圖像的分辨率為 512×512 ，訓練樣本批處理以及迭代次數分別為8和100，訓練參數的基礎學習率為0.0005，并且訓練的優化器為Adam。對這六種網絡方法進行消融驗證，同時分別為道路病害的裂縫圖像和坑槽圖像進行分析，結果見圖2。

從圖2（a）中得出不同改進方法對道路裂縫病害的評價結果，方法E和 F 的指標結果為最高。其中方法E為MobileNetv3網絡和Ghost卷積，并結合SPM、ECA和SFF模塊，交并比為 63.08% ，精確率和召回率分別為 72.35% 和 82.51% 。然而方法F則在E的基礎上引入了損失函數，結果分別為63.78%.73.61% 和 82.08% 。在圖2（b）中得出不同方法整體對道路坑槽病害的識別精確率最高為95.33% ，即Xception網絡的檢測模型。但前幾種改進方法的評價指標結果較為分散，識別結果具有不穩定性。在檢測模型中融合多種優化設計的改進模型，對坑槽圖像的精確率和召回率分別為 92.44% 和 92.03% ，整體表現也較為優秀。在圖2（c）中得出改進方法對道路病害的平均幀率較低，基于改進方法的模型結果為13.75，同時參數量和平均交并比為41.13MB和 82.92% ，綜合以上指標，得出通過網絡結構的不斷優化，檢測效果不斷提升。

2.2道路病害檢測模型評價指標分析

之后在道路病害產生時，瀝青路面層老化，使整體路況質量下降，車輛行駛的噪聲和揚塵增加，進而影響周圍居民的生活質量。而長期的道路病害問題，會加大破壞土壤地質結構，瀝青層在一定程度上會影響地下水文條件，因此道路建設和病害防治可在后續中減輕病害問題帶來的環境污染。因此研究將改進DeepLabv3 + 模型與傳統模型、其他金字塔場景分析網絡模型（Pyramid Scene ParseingNetwork，PSPNet）和卷積結構網絡U-Net進行評價指標的對比。在評價指標中召回率的提高能夠減少病害漏檢和誤檢的概率，以制定有效的道路養護舉措。見圖3。

從圖3（a）中得出改進DeepLabv3 + 模型的交并比結果為 82.83% ，為比較模型的最高值，檢測精確度和召回率分別為 92.35% 和 92.04% ，整體檢測結果較好，而PSPNet網絡模型的召回率較低，分別為 82.07% 和 83.38% 。在圖3（b）中得出不同模型對道路病害的參數量和平均幀數結果存在明顯差異。其中傳統DeepLabv3 + 模型的參數量最高為20.69MB，其次為R-PSPNet模型的177.41 MB，從而說明二者對圖像檢測的計算量較大，模型不夠輕量化。而M－PSPNet模型改進DeepLabv3 + 模型的參數量較少，分別為9.29MB和13.66MB，同時這兩種模型的平均幀率分別為 78.21% 和41.04% ，從而表明改進DeepLabv3 + 模型的運行效率較高。

2.3道路病害檢測模型性能分析

最后考慮到道路病害對車輛行駛安全具有重要影響，同時道路建設中施工條件受自然環境影響較大，淤泥地質上含水量多但透水性較差，在長期的車輛負載下容易導致地基沉降、路面坑槽等問題。因此研究將航拍道路病害的圖像用于檢測模型，并與實際病害圖像進行結果比較，以檢驗模型的有效性和可行性。結果見表1。

從表1中得出檢測模型對航拍道路病害的100張圖像進行特征處理和語義分割，對病害圖像的檢測指標進行分析。其中實際圖像存在道路病害的圖像有63張，而普通圖像處理方法檢測結果為73張，語義分割方法檢測的病害圖像為65張。并且普通的圖像處理方式對病害圖像檢測的精確率為 85.46% ，誤檢率和漏檢率分別為 12.00% 和 3.00% 。然而研究采用的語義分割方式的檢測模型，對道路病害檢測的精確度為 98.00% ，同時誤檢率和漏檢率為2.00% 和 0.00% 。綜合所有模型的指標比較結果，證明了基于改進DeepLabv3 + 模型在道路病害檢測的優越性。

3結論

針對道路病害檢測和識別問題，研究利用無人機航拍攝影對公路區域進行圖像采集，通過深度學習的語義分割DeepLabv3 + 模型對道路病害圖像進行識別檢測，以實時記錄公路病害問題。通過改進方法的消融實驗對網絡算法的檢測性能進行比較，得出替換MobileNetv3網絡和Ghost卷積的檢測方法，對裂縫圖像的檢測精度為 78.66% ，召回率為 73.21% 。基于改進DeepLabv3 + 模型的檢測結果較為優秀，精確率和召回率分別 73.61% 和 82.08% ，召回率越高則說明檢測模型的誤檢漏檢率較低。之后將改進DeepLabv3 + 模型與其他檢測模型進行病害圖像的性能比較，得出改進DeepLabv3 + 模型的檢測精確率和召回率分別為92.35% 和 92.04% ，參數量為13.66MB，召回率遠高于M－PSPNet模型的結果，二者的參數量差距不大，所提出的基于改進DeepLabv3 + 模型對道路病害檢測具有優越性。

參考文獻：

[1]吳寅愷，王虹.跨行政區域公路交通的一體化對區域經濟發展的影響[J].公路，2024，69（4）：208-215.

[2]謝泓毅，劉杰，高玉健，等.區域高速公路建設資源環境承載力評價方法與應用[J].公路，2022，67（9）：407-412.

[3]潘寧，杜豫川，岳勁松，等.基于點云數據的道路變形類病害自動化檢測方法[J].同濟大學學報（自然科學版），2022，50（3）：399-408.

[4]嚴建財，朱駿，梁遠路，等.考慮碳排放的瀝青路面養護策略優化[J].公路，2022，67（12）：375-381.

[5]黎琮瑩，周玉松.基于雷達數據和樸素貝葉斯模型的道路養護區車輛軌跡預測[J].公路，2023，68（11）：338-341.

[6]梁鎮鋒，夏海英.一種面向無人機航拍圖像的快速拼接算法[J].廣西師范大學學報（自然科學版），2023，41（3）：41-52.

[7]張家盛，梁進興.基于深度學習的無人機巡檢架空輸電線路金具銹蝕缺陷檢測方法[J].湖南電力，2022，42（5）：75-78.

[8]王云艷，羅帥，王子健.基于改進MobileNetV3的遙感目標檢測[J].陜西科技大學學報，2022，40（3）：164-171.

[9]陳嘉，季雪，闕云，等.改進型VGG算法對小樣本路面破損的分類識別[J].湖南大學學報（自然科學版），2023，50（3）：206-216.

[10]袁紅春，臧天祺.基于注意力機制及Ghost-YOLOv5的水下垃圾目標檢測[J].環境工程，2023，41（7）：214-221.