基于綠色低碳環(huán)保理念的公路工程勘測(cè)全過程數(shù)字化平臺(tái)研究

文章編號(hào)：1674-6139（2025)08-0125-05

中圖分類號(hào)：X22文獻(xiàn)標(biāo)志碼：A

Research on Whole Process Digital Platform for Highway Engineering Survey Based on Green，Low Carbon and Environmental Protection Concept

Yan Tingzhou，TangLuosheng，Yue Min，HuangYuqun，ChangYing (Hubei Provincial Communications Planning and Design Institute Co.，Ltd.，Wuhan 43Oo51，China）

Abstract:Tocheree，lorbonndnvirometallfrendlyghaegneeingsurveyeseachroposesafared multispectralhighwaengneeingpolutionmonitoringplatfombasedonanimprovedehanceddpesidualsuper-resolutionnetwork model.Theexperimentalresultsshowthattheimprovedenhanceddepthresidualsuper-resolutionnetworkmodelcanachievesuperresolutionrecostructioofifraedmultisperalimagesItssructuralsilarityintealndpeaksigal-tooiseatioteale 0.92-0.97 and 0. 95 and 38.3-46.6 ，respectively，which are superior to other algorithms.Taking a certain area as an example，the environmentalpolutionsituationwasmonitoredthroughtheabovementionedsurveymethod，andtheesultssowedthattheCrontent in the soil of the area was basically below 90mg/kg ，which is consistent with the actual detection results.The above results indicate that theproposedhighwayengneeingsureyplatfomcaneficientlysurveytheengineeringareaandaccuratelydistinguishbetweenwater source protection areas and polluted areas.

Keywords:highway engineering；environmental survey；infraredmultispectral；mobile GIS；digital platform

前言

在公路工程勘測(cè)的傳統(tǒng)過程中，外業(yè)數(shù)據(jù)的收集工作主要依賴于人工操作。這種方法不僅效率低下，而且由于信息交換的不及時(shí)性，很難確保所收集信息的準(zhǔn)確性和真實(shí)性。此外，人工操作的局限性也可能導(dǎo)致數(shù)據(jù)的瞞報(bào)或漏報(bào)，從而影響工程決策的科學(xué)性和合理性。公路工程施工過程中，對(duì)土壤、水源等自然資源的污染和生態(tài)環(huán)境的破壞是一個(gè)不容忽視的問題[1-2]。因此，在對(duì)公路工程項(xiàng)目進(jìn)行地質(zhì)勘測(cè)時(shí)，需要仔細(xì)甄別水源保護(hù)區(qū)、土壤污染區(qū)域、巖土地質(zhì)災(zāi)害易發(fā)區(qū)域等特殊區(qū)域，以便在設(shè)計(jì)施工線路時(shí)，盡可能避開上述區(qū)域，最大限度地降低公路工程對(duì)環(huán)境的影響[3-4]。鑒于此，為了在設(shè)計(jì)和施工過程中盡可能避開這些敏感區(qū)域，降低公路工程對(duì)環(huán)境的負(fù)面影響，實(shí)現(xiàn)綠色、高效、環(huán)保的勘測(cè)目標(biāo)，研究提出了一種創(chuàng)新的解決方案，該方案構(gòu)建了一個(gè)基于改進(jìn)增強(qiáng)深度殘差超分網(wǎng)絡(luò)模型(Enhanced Deep Residual Super-Resolution networkmodel，EDSR)的紅外多光譜公路工程污染勘測(cè)平臺(tái)。該平臺(tái)創(chuàng)新地利用對(duì)EDSR模型的殘差模塊進(jìn)行了改進(jìn)，并引入了權(quán)重歸一化，以實(shí)現(xiàn)對(duì)紅外多光譜圖像的超分重建，進(jìn)而保證環(huán)境污染監(jiān)測(cè)及鑒別的準(zhǔn)確性。通過這些技術(shù)革新，極大地增強(qiáng)了勘測(cè)平臺(tái)對(duì)環(huán)境污染監(jiān)測(cè)和識(shí)別的準(zhǔn)確性。

1基于綠色低碳環(huán)保理念的公路勘測(cè)技術(shù)及平臺(tái)

1.1面向公路工程環(huán)境監(jiān)測(cè)的紅外多光譜圖像超分辨率重建技術(shù)

對(duì)于公路建設(shè)而言，其規(guī)劃區(qū)域的污染區(qū)域、水源保護(hù)區(qū)域及地質(zhì)災(zāi)害易發(fā)區(qū)域需要進(jìn)行避讓，以免對(duì)上述區(qū)域造成污染和損害。而紅外多光譜圖像具有能準(zhǔn)確測(cè)量目標(biāo)光譜及幾何特征的優(yōu)點(diǎn)，因此可被用于公路地質(zhì)勘測(cè)領(lǐng)域。但由于紅外多光譜圖像往往分辨率較低，導(dǎo)致難以準(zhǔn)確識(shí)別出地下水源保護(hù)區(qū)、地質(zhì)災(zāi)害易發(fā)區(qū)及土壤污染區(qū)等，給公路的設(shè)計(jì)和建設(shè)帶來較大影響[5]。鑒于此，研究提出了基于EDSR的紅外多光譜超分辨率重建技術(shù)，并將其集成與公路勘測(cè)數(shù)字化平臺(tái)之上，以便于公路勘測(cè)的戶外分析需求。EDSR的核心組成部分為殘差網(wǎng)絡(luò)，但與殘差網(wǎng)絡(luò)不同的是，去除了批歸一化層，以降低算法的時(shí)間復(fù)雜度。EDSR模型由殘差塊級(jí)聯(lián)而成，殘差塊內(nèi)部無批歸一化層，以提高訓(xùn)練速度。卷積層被用于提取特征映射，且可以通過增加通道數(shù)量來提高模型的性能。但由于增加通道數(shù)量會(huì)導(dǎo)致訓(xùn)練數(shù)值不穩(wěn)定，因此殘差放縮層則被用于穩(wěn)定模型性能。通過EDSR雖然能提高紅外多光譜圖像的超分重建質(zhì)量，實(shí)現(xiàn)對(duì)公路工程環(huán)境污染的監(jiān)測(cè)，但由于紅外多光譜圖像細(xì)節(jié)信息較少，導(dǎo)致難以對(duì)環(huán)境污染區(qū)域等地區(qū)的地質(zhì)特征進(jìn)行準(zhǔn)確識(shí)別[6-7]。因此，為進(jìn)一步提高紅外多光譜圖像的超分重建質(zhì)量，研究對(duì)EDSR模型進(jìn)行了改進(jìn)。首先研究優(yōu)化了EDSR模型的冗余結(jié)構(gòu)，然后對(duì)殘差模塊進(jìn)行了改進(jìn)，最后在模型中引入了權(quán)重歸一化。改進(jìn)后的EDSR模型結(jié)構(gòu)見圖1。

圖1改進(jìn)后的EDSR模型結(jié)構(gòu)

由圖1可知，相較于原始EDSR模型，改進(jìn)ED-SR模型的殘差網(wǎng)絡(luò)中冗余的卷積層劃歸至殘差模型中，以精簡EDSR模型的結(jié)構(gòu)，提高模型的訓(xùn)練速度。同時(shí)，為避免淺層信息丟失的問題，研究在殘差模塊中引入了恒等映射，以增加激活層的輸入通道。改進(jìn)EDSR模型的參數(shù)量計(jì)算公式見式（1）：

式(1)

式(1)中， W 表示EDSR模型的參數(shù)量； 表示卷積層的輸入通道數(shù)； 表示卷積層的輸出通道數(shù)； k 表示卷積核的數(shù)量； r 表示通道擴(kuò)大倍數(shù)； W₁ 表示原始的卷積層輸入通道數(shù)。由式(2）可知，當(dāng)通道擴(kuò)大倍數(shù)為r時(shí)，參數(shù)量不會(huì)發(fā)生變化。可見，通過恒等映射，可以在不增加參數(shù)量的前提下，增加殘差模塊的通道數(shù)。同時(shí)，通過引入權(quán)重歸一化，能在不降低圖像質(zhì)量的前提下，降低模型的訓(xùn)練難度，輸出計(jì)算公式見式(2)：

y=w?x+b

式（2）中， y 表示輸出； w 表示權(quán)重向量； x 表示輸入特征向量； b 表示標(biāo)量偏差。權(quán)重歸一化的重新參數(shù)化權(quán)重向量計(jì)算公式見式(3）：

式（3）中， g 表示標(biāo)量； v 表示 k 維向量。通過上述方法雖然能實(shí)現(xiàn)對(duì)紅外多光譜圖像的超分重建，有效提高對(duì)公路工程環(huán)境污染區(qū)域檢測(cè)的準(zhǔn)確性，但會(huì)導(dǎo)致過度平滑的問題，導(dǎo)致難以確認(rèn)環(huán)境污染的程度。因此，為準(zhǔn)確辨認(rèn)公路工程區(qū)域的環(huán)境污染程度，研究提出了基于DCGAN的圖像細(xì)節(jié)增強(qiáng)方法。對(duì)于DCGAN而言，池化層均被判別網(wǎng)絡(luò)或生成網(wǎng)絡(luò)替換，其中生成器網(wǎng)絡(luò)的輸入層的激活函數(shù)為ReLU函數(shù)，輸出層則為tanh函數(shù)，判別器網(wǎng)絡(luò)的激活函數(shù)為LeakyReLU函數(shù)，計(jì)算公式見式（4）：

對(duì)于生成器網(wǎng)絡(luò)而言，由4個(gè)ResNet模塊組成，各模塊之間通過反卷積層進(jìn)行連接；而判別器網(wǎng)絡(luò)則由6層卷積層組成。生成器網(wǎng)絡(luò)的損失函數(shù)見式（5）:

式(5）中， G 表示生成器網(wǎng)絡(luò)的損失函數(shù); G_l1 表示生成器網(wǎng)絡(luò)的 l₁ 損失函數(shù)； G_adv 表示生成對(duì)抗損失； m 表示圖像數(shù)量； I_real 表示真實(shí)圖像； I_gen 表示生成圖像； H 表示判別器D的交叉熵?fù)p失函數(shù)。判別器網(wǎng)絡(luò)的損失函數(shù)見式(6)：

式(6）中， D_fake 表示判別器網(wǎng)絡(luò)輸出偽圖像時(shí)的損失函數(shù)； D_real 表示判別器網(wǎng)絡(luò)輸出真實(shí)圖像時(shí)的損失函數(shù)。

1.2基于紅外多光譜的污染監(jiān)測(cè)平臺(tái)構(gòu)建

通過上述方法雖然能實(shí)現(xiàn)對(duì)紅外多光譜圖像的有效處理和污染區(qū)域的準(zhǔn)確識(shí)別，但若想實(shí)時(shí)對(duì)公路工程區(qū)域的污染情況進(jìn)行檢測(cè)，還需要構(gòu)建合適的污染監(jiān)測(cè)平臺(tái)。該平臺(tái)由污染監(jiān)測(cè)、有害物質(zhì)診斷、紅外多光譜監(jiān)測(cè)預(yù)測(cè)、紅外多光譜圖像處理、有害物質(zhì)地圖編輯及污染地圖操作等10大模塊組成，各模塊之間相互獨(dú)立。對(duì)于監(jiān)測(cè)平臺(tái)而言，由于其終端節(jié)點(diǎn)主要用于收集相關(guān)污染數(shù)據(jù)，且在平臺(tái)初始化后會(huì)同步傳輸相關(guān)污染數(shù)據(jù)[8]。鑒于此，在設(shè)計(jì)監(jiān)測(cè)平臺(tái)節(jié)點(diǎn)時(shí)，需要根據(jù)時(shí)間來觸發(fā)相關(guān)節(jié)點(diǎn)。基于紅外多光譜圖像的污染監(jiān)測(cè)平臺(tái)節(jié)點(diǎn)傳輸流程見圖2。

圖2基于紅外多光譜圖像的污染監(jiān)測(cè)平臺(tái)節(jié)點(diǎn)傳輸流程

由圖2可知，在硬件系統(tǒng)初始化成功后，平臺(tái)即可開始收集和傳輸數(shù)據(jù)。接著設(shè)置合適的操作間隔，并對(duì)采集到的污染數(shù)據(jù)進(jìn)行傳輸。在操作間隔期間，若數(shù)據(jù)傳輸完畢，則結(jié)束該流程；否則進(jìn)入休眠期間。待休眠結(jié)束后，繼續(xù)進(jìn)行污染數(shù)據(jù)的傳輸，并對(duì)相關(guān)數(shù)據(jù)進(jìn)行處理和再次傳輸后即可結(jié)束該流程。對(duì)于污染監(jiān)測(cè)平臺(tái)而言，污染監(jiān)測(cè)模塊負(fù)責(zé)對(duì)可能存在污染的區(qū)域進(jìn)行監(jiān)測(cè)并繪制相關(guān)地圖；監(jiān)測(cè)系統(tǒng)管理模塊負(fù)責(zé)相關(guān)數(shù)據(jù)進(jìn)行管理，以便管理人員能及時(shí)修正有害物質(zhì)地圖和污染地圖。有害物質(zhì)數(shù)據(jù)處理模塊負(fù)責(zé)對(duì)公路施工過程中產(chǎn)生的有害物質(zhì)相關(guān)數(shù)據(jù)進(jìn)行處理和保存，以便為后續(xù)的污染治理提供相關(guān)資料；紅外多光譜監(jiān)測(cè)預(yù)測(cè)模塊負(fù)責(zé)利用紅外多光譜對(duì)公路工程區(qū)域的污染情況進(jìn)行監(jiān)測(cè)。紅外多光譜圖像處理模塊負(fù)責(zé)對(duì)收集到的紅外多光譜圖像進(jìn)行處理，以保證污染監(jiān)測(cè)的準(zhǔn)確性。有害物質(zhì)地圖編輯模塊和污染地圖操作模塊負(fù)責(zé)對(duì)有害物質(zhì)地圖矢量文件及污染地圖進(jìn)行處理；數(shù)據(jù)庫操作模塊則負(fù)責(zé)連接監(jiān)測(cè)系統(tǒng)與數(shù)據(jù)庫。通過上述方法即可構(gòu)建出面向公路工程的污染監(jiān)測(cè)平臺(tái)，在該監(jiān)測(cè)平臺(tái)中，為了實(shí)現(xiàn)對(duì)有害物質(zhì)的診斷，研究提出了一種有害物質(zhì)診斷算法。該算法首先對(duì)圖像的彩色分量進(jìn)行提取，并以此為基礎(chǔ)區(qū)分有害物質(zhì)區(qū)域及正常區(qū)域。彩色分量的篩選標(biāo)準(zhǔn)為灰度均值和標(biāo)準(zhǔn)差。灰度均值計(jì)算公式見式（7）：

式（7）中， 表示灰度均值； M 表示目標(biāo)的總像素值； L_i 表示第 i 個(gè)像素點(diǎn)的色調(diào)。灰度標(biāo)準(zhǔn)差計(jì)算公式見式（8)：

對(duì)比污染區(qū)域的彩色分量及有害物質(zhì)區(qū)域的灰度均值和標(biāo)準(zhǔn)差，若二者差值較大，則該分量為有害物質(zhì)備用分量。通過上述方法即可初步篩選出有害物質(zhì)區(qū)域，接著即可對(duì)有害物質(zhì)特征進(jìn)行提取。有害物質(zhì)的灰度值計(jì)算公式見式(9)：

式（9）中， q(i，j) 表示有害物質(zhì)像素點(diǎn)的灰度值； h(i，j) 表示污染區(qū)域的灰度值； k 表示特征提取的準(zhǔn)確性閾值;0和1分別表示正常區(qū)域和有害物質(zhì)區(qū)域的像素值。

2公路勘測(cè)平臺(tái)測(cè)試結(jié)果

研究構(gòu)建了一個(gè)基于紅外多光譜圖像的公路工程污染勘測(cè)平臺(tái)，為了驗(yàn)證該平臺(tái)的性能，首先對(duì)平臺(tái)內(nèi)部基于改進(jìn)EDSR的紅外多光譜圖像處理功能進(jìn)行了測(cè)試，并與超分辨率卷積神經(jīng)網(wǎng)絡(luò)（Super-Resolution Convolutional Neural Network，SRCNN）、高效亞像素卷積神經(jīng)網(wǎng)絡(luò)（Efficientsub-pixelconvolutionalneuralnetwork，ESPCN)進(jìn)行比較，評(píng)價(jià)指標(biāo)為峰值信噪比（Peak Signal to Noise Ratio，PSNR）和結(jié)構(gòu)相似性（structuralsimilarity，SSIM）;同時(shí)測(cè)試了平臺(tái)的污染監(jiān)測(cè)性能。實(shí)驗(yàn)所用數(shù)據(jù)為自行采集的紅外多光譜圖像，GPU為NVIDIAGeForceGTX1080，內(nèi)存為125GB，圖像的放大因子為2。各算法的PSNR及SSIM見圖3。

圖3各算法的PSRN及SSIM

由圖3(a)可知，SRCNN模型和ESPCN模型重建圖像的SSIM區(qū)間分別 0.89～0.94 和 0.90～0.95 ，平均SSIM分別為0.92和0.93。而改進(jìn)EDSR模型重建圖像的SSIM區(qū)間為 0.92～0.97 ，平均 SSIM為0.95，均高于其他算法。由圖3(b)可知，SRCNN模型和ESPCN模型重建圖像的PSNR區(qū)間分別為34.2～42.1和 35.7～44.3 ，平均PSNR分別為37.4和38.8。改進(jìn)EDSR模型的PSNR區(qū)間為 38.3～46.6 ，平均PSNR為42.0，高于其他算法。上述結(jié)果表明，改進(jìn)EDSR模型能更好地重建紅外多光譜圖像，為公路工程污染區(qū)域及環(huán)境重點(diǎn)保護(hù)區(qū)域的識(shí)別提供有力支持。有害物質(zhì)監(jiān)測(cè)結(jié)果見表1。

表1有害物質(zhì)監(jiān)測(cè)結(jié)果

由表1可知，研究提出的污染監(jiān)測(cè)平臺(tái)對(duì)有害物質(zhì)的實(shí)際監(jiān)測(cè)結(jié)果與實(shí)際值擬合度較高。以12點(diǎn)的監(jiān)測(cè)結(jié)果為例，監(jiān)測(cè)值與實(shí)際值分別為 89*10^-6 （204號(hào)和 186*10^-6 ，二者的誤差僅為 3.5% 。上述結(jié)果表明，研究提出的污染監(jiān)測(cè)平臺(tái)能對(duì)有害物質(zhì)進(jìn)行準(zhǔn)確監(jiān)測(cè)。

為了進(jìn)一步驗(yàn)證研究提出的勘測(cè)方法對(duì)環(huán)境污染的檢測(cè)性能，研究以某地為例，對(duì)土壤重金屬污染情況進(jìn)行了監(jiān)測(cè)。監(jiān)側(cè)結(jié)果顯示，監(jiān)測(cè)區(qū)域的土壤重金屬污染程度整體較輕，Cr的含量基本均低于90mg/kg 。同時(shí)，該區(qū)域南部的土壤重金屬污染情況較為嚴(yán)重，Cr含量 500mg/kg 以上的土壤大多集中于該區(qū)域，這與土壤的實(shí)際檢測(cè)結(jié)果相一致。在監(jiān)測(cè)地區(qū)，位點(diǎn)3的污染指數(shù)最高，實(shí)際污染指數(shù)和監(jiān)測(cè)污染指數(shù)分別為2.06和2.10，相對(duì)誤差僅為1.9% 。位點(diǎn)5的污染指數(shù)最低，實(shí)際污染指數(shù)和監(jiān)測(cè)污染指數(shù)分別為1.30和1.27，相對(duì)誤差為 2.3% 。上述結(jié)果表明，研究提出的勘測(cè)方法能準(zhǔn)確對(duì)環(huán)境污染指數(shù)進(jìn)行監(jiān)測(cè)，且相對(duì)誤差不超過 3% ，可以為公路工程的綠色施工提供有力支持。

3 結(jié)束語

在公路工程建設(shè)工程中，不可避免地會(huì)對(duì)各類環(huán)境重點(diǎn)保護(hù)區(qū)域產(chǎn)生影響，同時(shí)還可能經(jīng)過地質(zhì)災(zāi)害高發(fā)區(qū)域，給交通安全帶來威脅。因此，為了保證公路建設(shè)的綠色安全高效，研究提出了基于紅外多光譜圖像的污染監(jiān)測(cè)平臺(tái)。實(shí)驗(yàn)結(jié)果顯示，SRC-NN模型、ESPCN模型和改進(jìn)EDSR模型重建圖像的SSIM區(qū)間分別 0.89～0.94，0.90～0.95 和0.92～0.97 ;PSNR區(qū)間分別為 34.2～42.1，35.7～44.3 和 38.3～46.6 。可見，改進(jìn)EDSR模型的性能優(yōu)于其他模型。此外，研究提出的勘測(cè)方法能對(duì)公路工程的環(huán)境污染情況及有害物質(zhì)進(jìn)行準(zhǔn)確監(jiān)測(cè)，相對(duì)誤差分別不超過 2.5% 和 7.0% 。上述結(jié)果表明，通過研究提出的公路工程污染監(jiān)測(cè)平臺(tái)，能有效構(gòu)建綠色環(huán)保高效的公路勘測(cè)過程，實(shí)現(xiàn)對(duì)環(huán)境重點(diǎn)保護(hù)區(qū)域或污染區(qū)域的實(shí)時(shí)監(jiān)測(cè)。

參考文獻(xiàn)：

[1]馬啟合，方立東，季志剛，等.地質(zhì)工程勘測(cè)中土壤污染實(shí)時(shí)監(jiān)測(cè)方法研究[J].環(huán)境科學(xué)與管理，2021，46(1)：117-121.

[2]季小寧，俞悅，鄭世威，等.基于野外監(jiān)測(cè)的城市河道水溫變化與管道混接評(píng)估方法研究［J].環(huán)境工程，2023，41(2)：767-773.

[3]劉景蘭，葛菲媛，石文學(xué)，等.井下電視在地下水環(huán)境監(jiān)測(cè)井調(diào)查中的應(yīng)用[J].中國錳業(yè)，2021，39(6)：72-76.

[4]李國旭，耿靜，許選虹，等.基于WorldView-3多光譜和關(guān)鍵環(huán)境變量的土壤鎘含量反演[J].農(nóng)業(yè)工程學(xué)報(bào)，2022，38(12)：224-232.

[5]章佩麗，宋亮楚，王昱，等.基于無人機(jī)多光譜的城市水體典型河道水質(zhì)參數(shù)反演模型構(gòu)建[J].環(huán)境污染與防治，2022，44(10):1351-1356.

[6]邵京，李曉松，楊珺婷，等.光學(xué)與雷達(dá)遙感協(xié)同的大尺度草地灌叢化監(jiān)測(cè)研究[J].干旱區(qū)資源與環(huán)境，2021，35（2)：130-135.

[7]史奇讓.基于遙感的近海污染物空間分布特征與污染狀況評(píng)價(jià)研究[J].環(huán)境科學(xué)與管理，2024，49(3)：190-194.

[8]高魯紅.基于無人機(jī)遙感影像的土壤重金屬污染環(huán)境監(jiān)測(cè)方法研究[J].環(huán)境科學(xué)與管理，2023，48(6)：138-142.