人工智能在路面病害研究中的應用文獻綜述

羅延生

摘 要：傳統(tǒng)的檢測路面病害的方法有著檢測速度慢，耗時高等缺點，隨著近代技術的發(fā)展，人工智能（BP算法、遺傳算法、神經(jīng)網(wǎng)路、圖像增強技術等）運用到了路面檢測。使得檢測耗時更短、效率更高。

關鍵詞：道路工程;路面病害;人工智能

中圖分類號：U418.6 文獻標識碼：A

0 引言

隨著中國高等級公路建設的快速發(fā)展，對路面的質(zhì)量監(jiān)控體系越來越完善，要求的檢測水平也越來越高，對行駛的安全性要求也越來越高。由于車輛在高等級公路上行駛時對路面的平整度、路面完好率要求很高，當路面出現(xiàn)凹凸、裂縫等病害時應及時進行維修。因此，如何高效的獲取路面病害數(shù)據(jù)、抗滑數(shù)據(jù)，已成為發(fā)展交通事業(yè)亟待解決的問題。隨著科學技術的發(fā)展，一些高效的算法被運用到路面工程上來，比如遺傳算法、神經(jīng)網(wǎng)絡、BP算法等。

1 BP算法在路面裂縫上的運用

1.1 BP算法在路面裂縫的檢測

樊?，|[1]等人對傳統(tǒng)BP算法進行了改進，并將其運用到了路面裂縫的檢測中去。新的BP算法采用分組批處理的訓練方式，而不是每輸入一個樣本就調(diào)整一次學習率。

對于各分組中Pi（1≤i≤n）個訓練樣本，神經(jīng)網(wǎng)絡實際輸出值（）與理想輸出值（）間的全局均方誤差函數(shù)E可表示為：

同時，在BP改進算法中，選擇傾斜度參數(shù)α的雙曲正切S形函數(shù)作為隱含層的傳遞函數(shù)：

改進BP算法采用了一種分層動態(tài)調(diào)整不同學習率的新方法，即分開調(diào)整輸出層的學習率和隱含層的學習率，從而替代了傳統(tǒng)算法中固定不變的學習率，并且還對對于、進行修正;對隱含層各神經(jīng)元的連接權值ωij和閾值進行修正。

1.2 在路面裂縫檢測的運用

對于樣本圖像中任意感興趣的區(qū)域（一般都是有裂縫的部分），用任意矩形框?qū)⒃搮^(qū)域框起來后，只需要對該矩形框區(qū)域內(nèi)的所有像素點從右到左、從下到上進行掃描，就可計算出各像素點的灰度值，并提取該矩形框區(qū)域內(nèi)圖像的NMI特征、低階不變矩（IM1、IM2、IM3、IM4）特征、矩形框區(qū)域所有像素點的灰度平均值（Avg）和灰度方差值（Var）共7個特征量作為裂縫圖像的特征矢量。通過BP網(wǎng)絡訓練后，系統(tǒng)能在很短時間內(nèi)檢測出該矩形框區(qū)域內(nèi)是否存在缺輸出層各神經(jīng)元的連接權值和閾值進行修正。若接近缺陷的程度越趨向于0，則表明路面缺陷程度越重;若接近缺陷的程度越趨向于1，則表明路面缺陷程度越輕。

2 圖像處理系統(tǒng)對路面裂縫的研究應用

2.1 數(shù)字圖像處理原理

數(shù)字圖像處理技術的原理是基于CCD攝像機將光學信號轉化為電信號，由于計算機視頻、計算機圖像技術的發(fā)展，通過視頻采集卡和圖像采集卡即可將CCD攝像機的視頻信號采集到計算機的內(nèi)存中，實時或離線進行數(shù)據(jù)處理。

數(shù)字圖像處理的過程一般是把獲取的每一幀圖像轉化為二維的數(shù)字矩陣，將圖像的變換處理轉化為矩陣的運算。數(shù)字圖像處理概括地說主要包括以下幾項內(nèi)容：幾何處理、算術處理、圖像增強、圖像復原、圖像重建、圖像編碼、圖像識別及圖像理解等。圖像獲取后，經(jīng)過相關的變換處理后，分析提取有效的數(shù)據(jù)或相關信息，對原始圖像實現(xiàn)目標特征識別和評價。

2.2 基于數(shù)字圖像處理技術的路面裂縫識別技術

孫朝云、張娟等[2-4]人將數(shù)字圖像處理技術運用到路面裂縫的檢測中去，張爭奇[5]則運用到了路面的離析中，其中孫朝云的DSP技術設計出了融合PSO與局部鄰域搜索的新算法，有效的平衡了全局搜索和局部搜索。完成了對裂縫的面積、周長、類型、長度、平均寬度、裂縫的百分比等主要參數(shù)的提取。

DSP技術采用的是TMS320C6416快速圖像處理系統(tǒng)，為了滿足采集信息時的光源充足，選擇了德國BASLER公司的L402K線掃描CCD攝像機，MeteorⅡ-Camera Link圖像采集卡，尼康攝像機鏡頭等專用設備，開發(fā)了輔助線性LED前向光源照明系統(tǒng)和攝像機固定支架。

DSP圖像數(shù)據(jù)處理，首先對路面圖像進行預處理增強（灰度化，灰度處理，濾波），圖像分析提取需要的參數(shù)，進而圖像數(shù)據(jù)的理解。由于天氣、噪聲、光線強度等會對圖像處理帶來很大的難度（特別是閾值的選取）。所以采取了一種新的閾值的選取方法，具體如下：

while （1）{//計算迭代閥值 hist[i]直方圖數(shù)組

for （i = 0; i < t1 + 1; i++）{

sum0 += hist[i]* i;

num0 += hist[i]; }

for （i = t1 + 1; i < 256; i++）{

sum1 += hist[i]* i;

num1 += hist[i];}

t1 = （sum0 /num0 + sum1 / num1） / 2;

// 看迭代結果是否已收斂

if （t0 == t1） break;

else t0 = t1;}...

3 基于神經(jīng)網(wǎng)絡的圖像處理技術對路面裂縫的提取

宋蓓蓓[6]等人利用脈沖神經(jīng)網(wǎng)絡系統(tǒng)，考慮裂縫比路面背景更暗的特點，采用結合賦時矩陣的脈沖耦合神經(jīng)網(wǎng)絡模型，實現(xiàn)了路面圖像分割和裂縫的粗提取;利用裂縫比雜質(zhì)面積大的特點，提出一種基于數(shù)字形態(tài)學的連通區(qū)域提取算法，通過計算每個區(qū)域包含的像素數(shù)量，采用閾值方法剔除雜質(zhì)，實現(xiàn)了裂縫的精提取，顯著提高了路面裂縫檢測的準確性;徐婷[7]等人改進的神經(jīng)網(wǎng)絡方法應用到道路路面缺陷檢測中，設計了一種檢測圖像內(nèi)任意區(qū)域?qū)崟r檢測算法。可以適應路面龜裂、橫裂、縱裂、塊裂等多種缺陷以及缺陷并存的復雜道路樣本圖像，采用多個面陣CCD攝像頭同步采集運動狀態(tài)下的路面圖像，提取破損圖像的各類特征量，結合人工神經(jīng)網(wǎng)絡，實現(xiàn)對路面病害的智能化檢測與分類;柯文豪[8]等人采用廣義回歸神經(jīng)網(wǎng)絡（general regression neural network，GRNN）建立瀝青路面裂縫預測模型，對瀝青路面裂縫的不同影響因素進行分析。

4 結論

隨著我國道路的發(fā)展，對于高智能化、道路檢測正由人工化向自動化、有損檢測向無損檢測發(fā)展，可實現(xiàn)更快捷的道路質(zhì)量評估，提供更加合理和經(jīng)濟的道路養(yǎng)護方法。國內(nèi)外許多研究人員對道路檢測技術開展了深入的研究，例如BP算法、神經(jīng)網(wǎng)絡、圖像處理技術等開始廣泛運用到路面破損狀態(tài)的檢測中來，這些技術讓檢測的效率更高，耗時更短、更加安全。

參考文獻：

[1]樊海瑋，張國翊，丁愛玲，等.BP改進算法及其在路面裂縫檢測中的應用[J].長安大學學報（自然科學版），2010，30（01）：46-53.

[2]孫朝云，溫世文，段宗濤.基于DSP的瀝青路面裂縫圖像處理系統(tǒng)研究[J].計算機工程與設計，2010，31（07）：1481-1483+1557.

[3]張娟，沙愛民，孫朝云，等.路面裂縫自動識別的圖像增強技術[J].中外公路，2009，29（04）：301-305.

[4]張娟，沙愛民，高懷鋼，等.基于數(shù)字圖像處理的路面裂縫自動識別與評價系統(tǒng)[J].長安大學學報（自然科學版），2004（02）：18-22.

[5]張爭奇，徐耀輝，胡紅松，等.瀝青路面離析的數(shù)字圖像評價方法[J].湖南大學學報（自然科學版），2016，43（09）：129-135.

[6]宋蓓蓓，韋娜.基于脈沖耦合神經(jīng)網(wǎng)絡的路面裂縫提取[J].長安大學學報（自然科學版），2011，31（05）：33-37.

[7]徐婷，祝站東.基于改進神經(jīng)網(wǎng)絡的機器視覺的路面破損檢測系統(tǒng)研究[J].公路，2012（09）：210-214.

[8]柯文豪，陳華鑫，雷宇，等.基于GRNN神經(jīng)網(wǎng)絡的瀝青路面裂縫預測方法[J].深圳大學學報（理工版），2017，34（04）：378-384.