基于滲水性差異的路面隱性剝落點(diǎn)智能識別

摘要 該文提出一種基于滲水性差異的路面隱性剝落點(diǎn)智能識別方法，通過路面的滲水性差異，可以將隱性剝落點(diǎn)與正常路面明顯區(qū)分開來。采用YOLOv8進(jìn)行識別模型訓(xùn)練，可實(shí)現(xiàn)路面隱性剝落點(diǎn)的大范圍、快速、準(zhǔn)確識別，實(shí)地測試和驗(yàn)證結(jié)果表明：該方法在實(shí)際道路環(huán)境中具有較高的準(zhǔn)確性和可靠性。該方法的應(yīng)用可以幫助道路養(yǎng)護(hù)部門更早地識別和評估路面的坑槽病害，提高道路安全性，減少交通事故，并降低道路維護(hù)成本，具有重要的應(yīng)用價(jià)值和研究意義。

關(guān)鍵詞 公路工程；隱形剝落點(diǎn)；病害識別；YOLOv8

中圖分類號 U416 文獻(xiàn)標(biāo)識碼 A 文章編號 2096-8949（2025）01-0001-03

0 引言

在重載、路面老化的因素的耦合作用下，公路路面面臨嚴(yán)重的病害威脅，坑槽等病害頻發(fā)，在目前的道路養(yǎng)護(hù)體系中，坑槽的識別和修復(fù)往往發(fā)生在坑槽已經(jīng)形成并對交通產(chǎn)生影響之后，這樣的滯后性處理方式導(dǎo)致了更高的維修成本和潛在的安全風(fēng)險(xiǎn)[1-4]。而通過早期診斷和及時修復(fù)，可以避免坑槽進(jìn)一步擴(kuò)大，從而節(jié)省大量的維修成本，減少由于路面坑槽造成的交通風(fēng)險(xiǎn)，保護(hù)行車和行人安全。

該文將坑槽發(fā)展的早期階段，集料發(fā)生明顯剝落之前的路面狀態(tài)，定義為路面隱性剝落點(diǎn)，通過路面的滲水性差異，可以將隱性剝落點(diǎn)與正常路面明顯區(qū)分開來。該文基于這一特性，利用機(jī)器視覺技術(shù)，提出一種路面隱性剝落點(diǎn)智能識別方法，以實(shí)現(xiàn)路面隱性剝落點(diǎn)大范圍快速智能識別的目標(biāo)[5-8]。

1 識別原理

路面坑槽的形成和發(fā)展會影響路面的滲水和蒸發(fā)行為，在路面坑槽發(fā)展期間，路面結(jié)構(gòu)的變化會導(dǎo)致局部的滲水性能存在差異。具體而言，正常路面和隱性剝落點(diǎn)的滲水特征不同，其滲水能力與損傷程度成正相關(guān)。在降雨時，路面損傷嚴(yán)重的區(qū)域會積聚更多的水分，降雨過后，在太陽輻射、風(fēng)力和車輛通行等外部因素的作用下，路面水分會逐漸蒸發(fā)。在此過程中，正常路面的水分蒸發(fā)速率較快，其次是早期損傷區(qū)域，而已經(jīng)出現(xiàn)剝落的坑槽區(qū)域蒸發(fā)速度最慢，該蒸發(fā)速率的差異導(dǎo)致路面呈現(xiàn)出不同的濕潤性。在干燥條件下難以發(fā)現(xiàn)的早期損傷，可在此時識別出來，而已經(jīng)剝落較嚴(yán)重的坑槽，除了較濕潤以外，還會呈現(xiàn)出明顯的坑洼，并可能有積水。通過高分辨率的圖像采集設(shè)備，可以捕捉到這些差異，進(jìn)而利用圖像處理和機(jī)器學(xué)習(xí)算法對這些特征進(jìn)行分析，實(shí)現(xiàn)對路面隱性剝落點(diǎn)的大范圍、快速、準(zhǔn)確識別。

2 智能識別模型訓(xùn)練

2.1 訓(xùn)練目標(biāo)

（1）高精度識別：模型需要具備高準(zhǔn)確率，能夠準(zhǔn)確區(qū)分隱性剝落點(diǎn)與其他路面病害如裂縫、坑槽、修補(bǔ)等，以及路面上的正常結(jié)構(gòu)物，比如井蓋、減速帶等。（2）強(qiáng)泛化能力：模型應(yīng)具備在一般光照條件下的識別能力，即使在復(fù)雜的背景或不同的路面條件下也能有效工作。（3）低資源消耗：模型設(shè)計(jì)應(yīng)考慮部署環(huán)境的計(jì)算資源限制，盡量減少模型的計(jì)算復(fù)雜度和內(nèi)存消耗，使其能夠在邊緣設(shè)備上運(yùn)行。（4）可解釋性和可調(diào)試性：模型應(yīng)提供一定程度的決策解釋能力，以便研究人員能理解模型的決策過程，并在需要時對模型進(jìn)行調(diào)整和優(yōu)化。

2.2 模型算法

YOLO（You Only Look Once）是一種流行的實(shí)時對象檢測系統(tǒng)，最初由Joseph Redmon等人提出[9]。YOLO的主要優(yōu)點(diǎn)是速度快，適合實(shí)時應(yīng)用[10，11]。其在檢測時只需對圖像進(jìn)行一次前向傳播，就可以得到所有對象的位置和類別，這與那些需要多次傳遞圖像的方法形成鮮明對比。自從YOLO的首次提出以來，其已經(jīng)經(jīng)歷了多個版本的改進(jìn)和迭代，每個版本都在檢測精度、速度和模型大小方面做出了不同程度的優(yōu)化和平衡。YOLO系列的模型在計(jì)算機(jī)視覺領(lǐng)域得到了廣泛的應(yīng)用，包括視頻監(jiān)控、自動駕駛、圖像分析等多個領(lǐng)域，該文采用最新版本的YOLOv8進(jìn)行模型訓(xùn)練。

2.3 考慮的分類

為將隱性剝落點(diǎn)與路面其他病害和結(jié)構(gòu)物區(qū)分開來，該文結(jié)合病害和路面結(jié)構(gòu)物體的形狀特征，共考慮9種病害類型：隱性剝落點(diǎn)、坑槽、橫向裂縫、縱向裂縫、龜裂、橫向條狀修補(bǔ)、縱向條狀修補(bǔ)、網(wǎng)狀修補(bǔ)、塊狀修補(bǔ)。4種路面結(jié)構(gòu)物：窨井蓋、橫向伸縮縫1型、橫向伸縮縫2型、橡膠減速帶。其簡稱及數(shù)字代號如表1所示。

2.4 訓(xùn)練流程

（1）數(shù)據(jù)收集：在雨天后，選擇一個路面還未完全干燥的時間，使用圖像采集裝置收集各分類的圖片，保證每個類別有足夠多的訓(xùn)練圖片數(shù)量。（2）數(shù)據(jù)標(biāo)注：使用標(biāo)注工具為圖片中的目標(biāo)對象繪制邊界框并標(biāo)注類別，該文采用Labelme進(jìn)行標(biāo)注[12]，標(biāo)注的結(jié)果保存為TXT（YOLO格式）文件。（3）分割數(shù)據(jù)集：將數(shù)據(jù)集分為訓(xùn)練集、驗(yàn)證集和測試集，以在訓(xùn)練過程中驗(yàn)證模型的性能，并在訓(xùn)練完成后評估模型的準(zhǔn)確度。（4）安裝依賴：安裝YOLO所需的庫和依賴，該文使用CUDA進(jìn)行模型訓(xùn)練，大大減少了模型訓(xùn)練時間。（5）預(yù)處理數(shù)據(jù)：創(chuàng)建或修改配置文件，包括類別數(shù)、訓(xùn)練參數(shù)、網(wǎng)絡(luò)結(jié)構(gòu)等。（6）選擇預(yù)訓(xùn)練模型：該文選擇yolov8n.pt基礎(chǔ)模型全新開始訓(xùn)練。（7）調(diào)整模型參數(shù)：根據(jù)數(shù)據(jù)集和需求調(diào)整模型的參數(shù)，例如學(xué)習(xí)率、批處理大小、迭代次數(shù)等。（8）訓(xùn)練模型：使用準(zhǔn)備好的數(shù)據(jù)集和配置文件開始訓(xùn)練模型。在訓(xùn)練過程中，監(jiān)控?fù)p失函數(shù)的值和驗(yàn)證集上的性能指標(biāo)。（9）使用測試集評估：在訓(xùn)練完成后，使用測試集評估模型的性能。根據(jù)測試結(jié)果，回到模型配置階段進(jìn)行調(diào)整，進(jìn)一步提高模型的性能。

2.5 訓(xùn)練結(jié)果

訓(xùn)練所得的智能識別模型，其損失和性能指標(biāo)如圖1所示。

模型訓(xùn)練輸出結(jié)果表明：模型準(zhǔn)確地學(xué)習(xí)到了目標(biāo)檢測任務(wù)的關(guān)鍵特征，能夠精確地定位和識別驗(yàn)證集中的隱性剝落點(diǎn)，成功區(qū)分隱性剝落點(diǎn)與其他常見的路面病害或結(jié)構(gòu)物，模型在目標(biāo)檢測方面的性能表現(xiàn)出色。

3 實(shí)地測試與驗(yàn)證

在實(shí)際道路環(huán)境中測試模型性能，通過精確度-召回率曲線驗(yàn)證其準(zhǔn)確性和可靠性，結(jié)果如圖2所示。曲線下的面積（0～1）是模型性能評估的一個重要指標(biāo)。一般來說，曲線下面積越大，模型的性能越好，在隱性剝落點(diǎn)的識別上其曲線下面積為0.995，表明該處實(shí)地應(yīng)用效果突出，在很大程度上得益于滲水性差異導(dǎo)致的隱性剝落點(diǎn)圖像特征明顯。

4 結(jié)論

該文使用YOLO算法訓(xùn)練的智能識別模型，可在降雨后的路面條件下，快速準(zhǔn)確地識別出路面隱性剝落點(diǎn)。訓(xùn)練的模型主要針對隱性剝落點(diǎn)的智能識別，在后續(xù)的研究中根據(jù)實(shí)際應(yīng)用需求對識別模型進(jìn)一步優(yōu)化。

該文提出的方法可以幫助道路養(yǎng)護(hù)部門更早地識別和評估路面的坑槽病害，從而制定出更加有效的養(yǎng)護(hù)決策。這不僅有助于提高道路安全性，減少因路面病害造成的交通事故，還能夠降低道路維護(hù)的長期成本，提高道路基礎(chǔ)設(shè)施的使用壽命，在道路養(yǎng)護(hù)領(lǐng)域具有重要的應(yīng)用價(jià)值和研究意義。

參考文獻(xiàn)

[1]張宏超，孫立軍.瀝青路面早期損壞的現(xiàn)象與試驗(yàn)分析[J].同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2006（3）：331-334.

[2]張艷紅，郭偉彤，張斌，等.基于灰色模型的路面行駛質(zhì)量指數(shù)分析[J].公路， 2023（12）：22-28.

[3]余俊，吳海軍，王武斌，等.基于深度學(xué)習(xí)的公路路面病害智能化檢測系統(tǒng)[J].公路工程， 2022（5）：71-77.

[4]張寧.基于Faster R-CNN的公路路面病害檢測算法的研究[D].南昌：華東交通大學(xué)， 2019.

[5]龍伍丹，彭博，胡節(jié)，等.基于加強(qiáng)特征提取的道路病害檢測算法[J].計(jì)算機(jī)應(yīng)用， 2024（7）：2264-2270.

[6]易鈺程，王靖智，朱路，等.路面缺陷智能檢測系統(tǒng)與方法綜述[J].華東交通大學(xué)學(xué)報(bào)， 2023（5）：19-31.

[7]馮志楊.基于無人機(jī)巡航的道路裂縫視覺檢測方法研究[D].西安：長安大學(xué)， 2020.

[8]李楠.基于深度學(xué)習(xí)框架Caffe的路面裂縫識別研究[J].工程技術(shù)研究， 2017（3）：20+28.

[9]Redmon J， Divvala S， Girshick R， et al. You only look once： Unified， real-time object detection[C]. Proceedings of the IEEE conference on computer vision and pattern recognition， 2016：779-788.

[10]楊振，李林，羅文婷，等.改進(jìn)YOLOv5的瀝青路面病害檢測算法[J].計(jì)算機(jī)工程與設(shè)計(jì)， 2023（11）：3360-3372.

[11]鮮榮，劉天成，朱超，等.基于YOLOv5和DeepLabv3+的橋梁結(jié)構(gòu)病害智能識別技術(shù)[J].公路， 2023（12）：

368-374.

[12]Russell B C， Torralba A， Murphy K P， et al. LabelMe： a database and web-based tool for image annotation[J]. International journal of computer vision， 2008：157-173.

收稿日期：2024-05-30

作者簡介：范嘯（1973—），男，本科，高級工程師，研究方向：道路工程。