基于三維激光技術(shù)的路面坑槽多維度指標(biāo)檢測

惠 冰， 郭 牧， 王 洲， 蔡宜長,3

(1.長安大學(xué) 公路學(xué)院，陜西 西安 710064；2.中交通力建設(shè)股份有限公司，陜西 西安 710075；3.佐治亞理工學(xué)院 土木環(huán)境工程系，佐治亞州 亞特蘭大 30314,美國)

瀝青路面坑槽不僅直接影響行車的舒適性和安全性，還嚴(yán)重影響路面使用壽命[1-3].快速、準(zhǔn)確的坑槽檢測結(jié)果是路面破損狀況科學(xué)評價(jià)的基礎(chǔ)，是確定養(yǎng)護(hù)措施與時(shí)機(jī)的重要依據(jù)[4-6].國省干線路面破損定期檢測主要采用視頻或圖像識別技術(shù)進(jìn)行路面坑槽檢測與評價(jià)，通過對像素點(diǎn)處理后的灰度差異識別坑槽面積，但路表顏色、像素、天氣光線等因素均會影響自動識別速度與準(zhǔn)確度[7-10].因此，為保證檢測的準(zhǔn)確性，目前普遍由技術(shù)人員依據(jù)經(jīng)驗(yàn)或病害手冊，對路面圖像中的坑槽范圍進(jìn)行人工描繪，這種方法的識別效率低[11-12]，并且僅能獲取坑槽的面積指標(biāo)，無法準(zhǔn)確掌握深度或體積等多維度信息.

為了實(shí)現(xiàn)路面坑槽多維度指標(biāo)的自動、準(zhǔn)確提取，Zhang等[13]和Chan等[14]分別采用立體視覺相機(jī)獲取路表面的視差值，通過表面擬合實(shí)現(xiàn)三維重構(gòu)，進(jìn)而計(jì)算坑槽面積和體積指標(biāo)；Jog等[15]利用密集重建算法進(jìn)行坑槽三維重構(gòu)，通過計(jì)算坑槽寬度與深度指標(biāo)進(jìn)行嚴(yán)重程度識別；He等[16]提出了一種通過三維投影變換原理計(jì)算坑槽縱斷面最大深度的方法.但是，受路表面不規(guī)則紋理和顏色的影響，基于立體圖像的坑槽多維度指標(biāo)計(jì)算的準(zhǔn)確性和可靠性有待進(jìn)一步提高.隨著激光檢測技術(shù)逐步應(yīng)用于路面檢測，Chang等[17]采用靜態(tài)激光設(shè)備提取路表紋理結(jié)構(gòu)特征，結(jié)合聚類算法計(jì)算坑槽面積；Li等[18]采用三維激光技術(shù)獲取的坑槽橫斷面數(shù)據(jù)，計(jì)算最大隆起與凹陷點(diǎn)高差用以確定坑槽最大深度；Li Feng[19]利用三維激光設(shè)備對碗狀光滑模具進(jìn)行檢測，計(jì)算了模具的深度、寬度和體積指標(biāo).上述研究表明三維激光技術(shù)具有獲取坑槽面積、深度、寬度或體積等多維度指標(biāo)的可行性，但現(xiàn)有成果未解決坑槽三維模型建立過程中瀝青混合料表面紋理所導(dǎo)致的激光點(diǎn)云數(shù)據(jù)不完整或不均勻問題，同時(shí)未提出準(zhǔn)確、有效的坑槽多維度指標(biāo)自動提取算法.

本文針對坑槽三維模型的建立與多維度指標(biāo)的自動計(jì)算等問題，利用三維激光檢測技術(shù)獲取的室內(nèi)坑槽模型表面激光點(diǎn)云數(shù)據(jù)，提出了不規(guī)則三角網(wǎng)(triangulated irregular network，TIN)表面插值法結(jié)合等高線提取方法建立坑槽三維模型并編譯程序自動計(jì)算深度、面積和體積等多維度指標(biāo)，在此基礎(chǔ)上分析了激光線縱向間距對坑槽多維度指標(biāo)檢測精度的影響.研究結(jié)果可為路面坑槽損傷層位判定、嚴(yán)重程度判別和修補(bǔ)材料估算提供依據(jù).

1 三維激光檢測原理與設(shè)備

1.1 檢測原理

三維激光檢測技術(shù)基于三角法原理，由一個(gè)激光發(fā)射器和一個(gè)包含電耦合裝置(charge coupled device,CDD)傳感器的數(shù)字照相機(jī)組成.采集數(shù)據(jù)時(shí)，激光發(fā)射器向掃描對象表面發(fā)出激光線，照相機(jī)以圖像的方式獲取激光線.然后，應(yīng)用次像素峰值檢測算法來分析激光圖像，找到激光次像素的位置，將激光的形變轉(zhuǎn)化為物體表面的形變.根據(jù)三角測量原理，凹槽的深度h可以通過下式計(jì)算：

式中：a為激光器與被測物體表面虛擬交點(diǎn)至透鏡的距離;b為透鏡至CCD感光面間的距離;θ為激光束法線與成像鏡頭光軸的夾角;h′為像點(diǎn)在成像面上的位移;h為被測物體表面凹槽深度.

1.2 檢測設(shè)備

本文采用的室內(nèi)三維激光檢測系統(tǒng)由兩部分組成：①是Gocator 2380型三維激光發(fā)射器，其性能參數(shù)見表1；②是長寬高為2.5 m×1.5 m×2.0 m的鋁合金架，三維激光發(fā)射器可沿橫梁進(jìn)行往復(fù)運(yùn)動，且橫梁的高度可在1.0～2.0 m內(nèi)調(diào)節(jié).為了保證室內(nèi)三維激光檢測精度，試驗(yàn)設(shè)備架設(shè)高度為1.5 m，有效視場約為900 mm，見圖1.

表1 Gocator 2380智能傳感器性能參數(shù)

1.3 坑槽多維度指標(biāo)計(jì)算方法

通過三維激光檢測系統(tǒng)掃描室內(nèi)坑槽模型，獲取激光點(diǎn)云數(shù)據(jù)，采用Matlab軟件對點(diǎn)云數(shù)據(jù)TIN插值和均值濾波處理，再基于Sobel邊緣檢測算法識別病害區(qū)域，分割點(diǎn)云并提取病害區(qū)域數(shù)據(jù)，生成網(wǎng)格化的坑槽三維重構(gòu)模型；利用高程二值化識別坑槽上、下閉合輪廓線，計(jì)算坑槽的深度，面積，體積指標(biāo)，各指標(biāo)具體計(jì)算步驟如下：

(1)等高線提取坑槽三維重構(gòu)模型中的數(shù)據(jù)，提取間距為5 mm，受瀝青混合料表面紋理影響，同一高程平面可能得到若干相鄰數(shù)據(jù)點(diǎn)連成的閉合輪廓線，提取高程平面中閉合面積最大的等高線為該高程平面的坑槽邊界線，對上下邊界線間的點(diǎn)云數(shù)據(jù)等間距提取等高線邊界.

圖1 室內(nèi)三維激光檢測系統(tǒng)

(2)將高程最大的坑槽邊界線所在平面稱為坑槽上表面，同理將高程最低的坑槽邊界線所在平面稱為坑槽下表面，見圖2.上下表面的高差，即為坑槽的最大深度：

ΔH=Hmax-Hmin

式中：Hmax為坑槽上表面的高程；Hmin為坑槽下表面的高程；ΔH為坑槽最大深度.

圖2 坑槽深度計(jì)算示意

(3)映射各坑槽邊界線到XOY平面，圖3中虛線為坑槽邊界線，所圍成的面積即為坑槽面積.沿X軸劃分圖形為n個(gè)高度相同的近似梯形，積分計(jì)算坑槽面積S:

圖3 坑槽面積計(jì)算示意

式中：ΔX為梯形的高度；Yi-1，Yi分別為梯形的上底與下底；ΔSi為每個(gè)梯形的面積.

(4)如圖4所示，各高程平面下的坑槽面積沿Z方向積分計(jì)算坑槽體積V：

式中：ΔZ為相鄰兩平面間的距離；Sj、Sj-1分別為相鄰上、下平面的面積；ΔVi為相鄰兩平面間的體積.

圖4 坑槽體積計(jì)算示意

通過上述的步驟(1)～(4)即可由三維激光檢測點(diǎn)云數(shù)據(jù)構(gòu)建的坑槽三維重構(gòu)模型，計(jì)算坑槽病害的深度、面積、體積多維度指標(biāo).

2 試驗(yàn)結(jié)果與分析

2.1 室內(nèi)坑槽模型制作

本文制作了兩個(gè)不同尺寸的室內(nèi)坑槽模型，分別采用0.01 mm精度游標(biāo)卡尺、標(biāo)準(zhǔn)計(jì)算紙拓印坑槽上表面輪廓、鋪沙法等人工方法量測坑槽的深度、面積和體積指標(biāo)，如圖6所示，用以驗(yàn)證三維激光技術(shù)與多維度指標(biāo)提取算法的精度.

2.2 試驗(yàn)結(jié)果與誤差分析

將坑槽模型放置三維激光發(fā)射器下方，設(shè)定儀器參數(shù)的移動速度為200 mm·s-1，曝光值為1 200 us，發(fā)射頻率為最大值788.289 Hz；設(shè)定基準(zhǔn)平面后開始檢測，待完成一個(gè)行程的檢測后，復(fù)位系統(tǒng)準(zhǔn)備下一次檢測.為防止激光點(diǎn)缺失導(dǎo)致的重構(gòu)坑槽三維模型失真，本文采用缺失點(diǎn)驗(yàn)算激光點(diǎn)云數(shù)據(jù)有效性，即當(dāng)激光點(diǎn)云數(shù)據(jù)缺失率小于1%時(shí)，即可認(rèn)為進(jìn)行了一次有效檢測[19].

a 灌滿水泥砂漿鋁碗

b 松鋪車轍板試模

a 標(biāo)準(zhǔn)計(jì)算紙拓印坑槽上表面輪廓

b 灌砂法量測坑槽體積

三維激光發(fā)射器輸出的室內(nèi)坑槽部分原始數(shù)據(jù)，如表2所示.第一行為激光各點(diǎn)的橫坐標(biāo)，從表中可以看出激光左、右端點(diǎn)的坐標(biāo)分別為-296.17和300.57，即有效檢測寬度約600 mm，激光點(diǎn)與點(diǎn)之間間距約為0.5 mm；第一列為激光線沿檢測前進(jìn)方向的縱向間距，可以看出縱坐標(biāo)起、終點(diǎn)分別為0和998.29，表明有效檢測長度為998.29 mm，激光線的縱向間距約為1 mm；其余部分表示相對應(yīng)的(x,y)點(diǎn)的Z坐標(biāo)，即高程數(shù)據(jù).

表2 室內(nèi)坑槽檢測部分原始數(shù)據(jù)

基于Matlab2015a軟件平臺開發(fā)的坑槽多維度指標(biāo)計(jì)算程序中，將激光點(diǎn)云數(shù)據(jù)輸入經(jīng)TIN平面插值后重構(gòu)坑槽三維模型，檢測結(jié)果見圖7.在此基礎(chǔ)上，采用contour3(X,Y,Z)提取等高線后進(jìn)行坑槽多維度指標(biāo)計(jì)算，分別見圖8和圖9.

為排除三維激光設(shè)備受光照強(qiáng)度、溫濕度等環(huán)境因素的影響，保證試驗(yàn)的可重復(fù)性與準(zhǔn)確性，采用室內(nèi)三維激光檢測系統(tǒng)(圖2)，激光線縱向間距設(shè)定為1 mm，在早、中和晚三個(gè)時(shí)間段分別對相同架設(shè)高度、曝光值的室內(nèi)坑槽模型進(jìn)行3次重復(fù)檢測，重構(gòu)坑槽三維模型并計(jì)算多維度指標(biāo)，檢測結(jié)果見表3.

由表3可知，對于坑槽1#，其深度、面積、體積檢測的標(biāo)準(zhǔn)差分別為0.03、1.30、1.25，相比于坑槽2#,其深度、面積、體積檢測的標(biāo)準(zhǔn)差分別為0.05、1.35、1.20，表明坑槽檢測結(jié)構(gòu)離散程度非常小，三維激光技術(shù)對坑槽多維度指標(biāo)檢測的重復(fù)性高；與室內(nèi)人工檢測結(jié)果相比，對于坑槽1#和2#，其深度檢測絕對誤差分別為0.1 cm和0.15 cm，相對誤差分別為3.96%和3.62%，這是由于三維激光具有高精度、高密度技術(shù)特性，其誤差主要是瀝青混合料構(gòu)造深度導(dǎo)致；坑槽面積檢測絕對誤差分別為5.53 cm2和8.33 cm2，相對誤差分別為4.31%和4.58%；坑槽體積絕對誤差分別為14.17 cm3和25.47 cm3，相對誤差分別為4.59%和4.74%；面積和體積相對誤差大于深度指標(biāo)，這是由于采用近似梯形積分方法，將小單元結(jié)果累加計(jì)算所產(chǎn)生的誤差累積.檢測結(jié)果表明了三維激光技術(shù)對坑槽多維度指標(biāo)檢測具有較高的準(zhǔn)確性和可重復(fù)性；上述結(jié)果將為有效指導(dǎo)路面坑槽養(yǎng)護(hù)的修補(bǔ)面積、最大深度和修補(bǔ)體積指標(biāo)的準(zhǔn)確計(jì)算提供參考.

表3 坑槽多維度指標(biāo)檢測結(jié)果

圖7 坑槽激光點(diǎn)云數(shù)據(jù)

圖8 等高線提取

圖9 多維度指標(biāo)計(jì)算

2.3 激光線縱向間距影響分析

激光線縱向間距是通過動態(tài)發(fā)射器根據(jù)車輪轉(zhuǎn)動控制的重要可調(diào)節(jié)參數(shù)之一，縱向間距越小所獲取的單位面積內(nèi)路表點(diǎn)云數(shù)據(jù)量越大，病害描述越細(xì)密；若激光線縱向間距過小，不僅會增加數(shù)據(jù)存儲空間，還會影響后續(xù)數(shù)據(jù)處理效率；因此，合理的激光線縱向間距是提高檢測效率的重要參數(shù).

本文為研究不同激光線縱向間距對坑槽三維模型重構(gòu)與指標(biāo)計(jì)算精度影響，在圖7坑槽三維模型重構(gòu)時(shí)采用1 mm間距基礎(chǔ)上，分別增加了5、10和20 mm三個(gè)不同縱向間距參數(shù)，重復(fù)掃描并構(gòu)建了不同激光線縱向間距下坑槽的三維模型，見圖10.

從圖10可以看出，當(dāng)激光線間距為1 mm時(shí)，坑槽三維模型較細(xì)密，具有近乎真實(shí)的坑槽形態(tài)；當(dāng)激光線間距為20 mm時(shí)，坑槽三維模型出現(xiàn)部分缺失.隨著激光線縱向間距不斷增大，坑槽三維模型逐漸失真并出現(xiàn)了部分缺失，從而導(dǎo)致多維度指標(biāo)檢測誤差的增大.不同激光線縱向間距對坑槽多維度指標(biāo)檢測誤差影響，見圖11.

從圖11可以看出，隨著激光線縱向間距的不斷增大，坑槽的深度、面積和體積指標(biāo)的檢測相對誤差均逐漸增大.當(dāng)激光線間距為1 mm時(shí)，坑槽1和2的深度相對誤差分別為3.96%和3.62%，面積誤差分別為4.31%和4.58%，體積誤差分別4.59%和4.74%；當(dāng)激光線間距增大為5 mm時(shí)，兩個(gè)坑槽的深度、面積和體積相對誤差最大分別為4.65%、6.32%和7.17%；當(dāng)間距增大為10 mm時(shí)，三個(gè)指標(biāo)相對誤差最大為5.80%、10.26%和14.41%，雖然深度指標(biāo)相對誤差較小，但面積和體積誤差均超過10%；當(dāng)激光線間距增大至20 mm時(shí)，兩個(gè)坑槽的面積和體積相對誤差均超過15%，已無法滿足檢測精度要求.

a 激光線縱向間距1 mm

b 激光線縱向間距5 mm

c 激光線縱向間距10 mm

d 激光線縱向間距20 mm

Fig.11Effectoflongitudinalspacingonrelativeerrorofpotholesindexesdetection

進(jìn)一步分析表明，隨著激光線間距不斷增大，坑槽深度指標(biāo)的誤差增速較小，這是由于室內(nèi)坑槽模型采用碗狀模具，底部較平整；而面積和體積指標(biāo)的相對誤差增長較大，這是由于坑槽三維重構(gòu)模型出現(xiàn)部分缺失，導(dǎo)致閉合等高線不完整，導(dǎo)致?lián)擞?jì)算的面積和體積指標(biāo)誤差較大.因此，為保證坑槽多維度指標(biāo)檢測準(zhǔn)確度建議激光線縱向間距小于5 mm.

3 結(jié)論

(1)利用三維激光檢測技術(shù)所獲取動態(tài)的高精度、高密度激光點(diǎn)云數(shù)據(jù)，基于TIN平面插值和等高線提取法建立了坑槽三維模型重構(gòu)與多維度指標(biāo)計(jì)算方法；對兩個(gè)不同尺寸室內(nèi)坑槽模型檢測表明，坑槽深度、面積和體積指標(biāo)的最大相對誤差分別為3.96%、4.58%和4.74%，表明三維激光技術(shù)對坑槽多維度指標(biāo)檢測具有較高的準(zhǔn)確性和可重復(fù)性.

(2)當(dāng)激光線縱向間距從1 mm逐漸增加至20 mm時(shí)，坑槽三維模型逐漸失真并出現(xiàn)了部分缺失，導(dǎo)致坑槽多維度指標(biāo)的相對誤差均不斷增大；當(dāng)激光線間距為5 mm時(shí)，坑槽深度、面積和體積指標(biāo)的最大相對誤差分別為4.65%、6.32%和7.17%；當(dāng)激光線縱向間距大于10 mm后，部分指標(biāo)的相對誤差大于10%；因此，為保證檢測精度，三維激光檢測坑槽時(shí)的激光線縱向間距應(yīng)不大于5 mm.

(3)利用三維激光技術(shù)獲取的坑槽多維度指標(biāo)可以為路面結(jié)構(gòu)層損傷判別、坑槽嚴(yán)重程度評價(jià)以及修補(bǔ)材料用量預(yù)估提供參考，進(jìn)一步的為研究坑槽演化與成因、科學(xué)合理的養(yǎng)護(hù)決策奠定基礎(chǔ).但是本文采用的坑槽形狀與嚴(yán)重程度單一，目前成果仍需大量現(xiàn)場試驗(yàn)研究才能達(dá)到實(shí)際應(yīng)用的目標(biāo).

[1] 孫立軍,張宏超,劉黎萍，等.瀝青路面初期損壞特點(diǎn)和機(jī)理分析——重交通瀝青路設(shè)計(jì)方法之一[J].同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版),2002,30(4):416.

SUN Lijun, ZHANG Hongchao, LIU Liping,etal. Characteristics and mechanism of initial failures on asphalt pavement —design method for heavy-duty road (part1)[J].Journal of TongJi University (Natural Science),2002,30(4):416.

[2] Federal Highway Administration. Variability of pavement distress data from manual surveys[R]. Washington D C: F H A, 2000.

[3] BOGUS S M, Migliaccio G C, Cordova A A. Assessment of data quality for evaluations of manual pavement distress[J]. Transportation Research Record Journal of the Transportation Research Board, 2010, 2170(1):1.

[4] 鄒群,虞安軍,鄒國平.高速公路路面養(yǎng)護(hù)決策混合遺傳優(yōu)化方法[J].交通運(yùn)輸工程學(xué)報(bào), 2007,7(4):63.

ZOU Qun, YU Anjun, ZOU Guoping. Hybrid genetic optimization method of pavement maintenance decision-making for expressway [J].Journal of Traffic and Transportation Engineering, 2007, 7(4):63.

[5] 姚玉玲, 李學(xué)紅,張畢超.瀝青路面預(yù)防性養(yǎng)護(hù)時(shí)機(jī)綜合評價(jià)指標(biāo)體系[J] .交通運(yùn)輸工程學(xué)報(bào), 2007,7(5):48.

YAO Yuling, LI Xuehong, ZHANG Bichao. Integrative evaluation index system for preventive maintenance timing of asphalt pavement[J]. Journal of Traffic and Transportation Engineering,2007, 7(5):48.

[6] CHOU J, O′NEILL W A, CHENG H. Pavement distress evaluation using fuzzy logic and moment invariants[J]. Transportation Research Record, 1995,1505:39.

[7] LEUNG T, MALIK J. Representing and recognizing the visual appearance of materials using three-dimensional textons[J]. International Journal of Computer Vision, 2001,43(1): 29.

[8] KOCH C, BRILAKIS I. Pothole detection in asphalt pavement images[J]. Advanced Engineering Inf., 2011,25(3): 507.

[9] 侯相深,王哲人,劉振鵬. 路面損壞圖像的自動采集與處理設(shè)備的技術(shù)探究[J]. 公路,2003(2):66.

HOU Xiangshen, WANG Zheren, LIU Zhenpeng. Technology research of automatic acquisition and processing equipment for damaged pavement image [J]. Highway,2003(2):66.

[10] KOCH C, JOG G M, BRILAKIS I. Automated pothole distress assessment using asphalt pavement video data[J]. Journal of Computing in Civil Engineering, 2013, 27(4):370.

[11] BIANCHINI A, BANDINI P, SMITH D W. Interrater reliability of manual pavement distress evaluations[J]. Journal of Transportation Engineering, 2010, 136(2):165.

[12] Huang Y, Copenhaver T, Hempel P. Texas department of transportation 3D profiling system for high-speed rut measurement[J]. Journal of Infrastructure Systems, 2013, 19(2):221.

[13] ZHANG Z, AI X, CHAN C K,etal. An efficient algorithm for pothole detection using stereo vision[C]∥IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). New York: IEEE,2014: 564-568.

[14] CHAN C K, GAO Y, ZHANG Z,etal. Implementation and evaluation of a pothole detection system on TI C6678 digital signal processor[C]∥ Education and Research Conference.Clifton. New York: IEEE, 2014:297-301.

[15] JOG G M, KOCH C, GOLPAVAR-FARD M,etal. Pothole properties measurement through visual 2D recognition and 3D reconstruction[C]∥ Proc. of the 2012 ASCE International Conference on Computing in Engineering. [S.l.]: ASCE, 2012:553-560.

[16] HE Youquan, WANG Jian, QIU Hanxing,etal. A research of pavement potholes detection based on three-dimensional projection transformation [C]∥ The 4th International Congress on Image and Signal Processing. Shangkai: [s.n.], 2011: 1805-1808.

[17] CHANG K T, CHANG J R, LIU J K. Detection of pavement distresses using 3D laser scanning technology[C]∥ International Conference on Computing in Civil Engineering. Cancun: [s.n.], 2005:1-11.

[18] LI Q, YAO M, YAO X,etal. A real-time 3D scanning system for pavement distortion inspection[J]. Measurement Science & Technology, 2009, 21(1):015702.

[19] LI Feng. A methodology for characterizing pavement rutting condition using emerging 3D line laser imaging technology [D]. Atlanta: Georgia Institute of Technology, 2012.