惠 冰， 郭 牧， 王 洲， 蔡宜長,3

(1.長安大學 公路學院，陜西 西安 710064；2.中交通力建設股份有限公司，陜西 西安 710075；3.佐治亞理工學院 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，還嚴重影響路面使用壽命[1-3].快速、準確的坑槽檢測結果是路面破損狀況科學評價的基礎，是確定養(yǎng)護措施與時機的重要依據[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進行路面坑槽檢測與評價，通過對像素點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確度[7-10].因此，為保證檢測的準確性，目前普遍由技術人員依據經驗或病害手冊，對路面圖像中的坑槽范圍進行人工描繪，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，無法準確掌握深度或體積等多維度信息.

為了實現路面坑槽多維度指標的自動、準確提取，Zhang等[13]和Chan等[14]分別采用立體視覺相機獲取路表面的視差值，通過表面擬合實現三維重構，進而計算坑槽面積和體積指標；Jog等[15]利用密集重建算法進行坑槽三維重構，通過計算坑槽寬度與深度指標進行嚴重程度識別；He等[16]提出了一種通過三維投影變換原理計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計算的準確性和可靠性有待進一步提高.隨著激光檢測技術逐步應用于路面檢測，Chang等[17]采用靜態(tài)激光設備提取路表紋理結構特征，結合聚類算法計算坑槽面積；Li等[18]采用三維激光技術獲取的坑槽橫斷面數據，計算最大隆起與凹陷點高差用以確定坑槽最大深度；Li Feng[19]利用三維激光設備對碗狀光滑模具進行檢測，計算了模具的深度、寬度和體積指標.上述研究表明三維激光技術具有獲取坑槽面積、深度、寬度或體積等多維度指標的可行性，但現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致的激光點云數據不完整或不均勻問題，同時未提出準確、有效的坑槽多維度指標自動提取算法.

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

1 三維激光檢測原理與設備

1.1 檢測原理

三維激光檢測技術基于三角法原理，由一個激光發(fā)射器和一個包含電耦合裝置(charge coupled device,CDD)傳感器的數字照相機組成.采集數據時，激光發(fā)射器向掃描對象表面發(fā)出激光線，照相機以圖像的方式獲取激光線.然后，應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，將激光的形變轉化為物體表面的形變.根據三角測量原理，凹槽的深度h可以通過下式計算：

式中：a為激光器與被測物體表面虛擬交點至透鏡的距離;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 檢測設備

本文采用的室內三維激光檢測系統(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)射器可沿橫梁進行往復運動，且橫梁的高度可在1.0～2.0 m內調節(jié).為了保證室內三維激光檢測精度，試驗設備架設高度為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

1.3 坑槽多維度指標計算方法

通過三維激光檢測系統(tǒng)掃描室內坑槽模型，獲取激光點云數據，采用Matlab軟件對點云數據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，分割點云并提取病害區(qū)域數據，生成網格化的坑槽三維重構模型；利用高程二值化識別坑槽上、下閉合輪廓線，計算坑槽的深度，面積，體積指標，各指標具體計算步驟如下：

(1)等高線提取坑槽三維重構模型中的數據，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據點連成的閉合輪廓線，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云數據等間距提取等高線邊界.

圖1 室內三維激光檢測系統(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個高度相同的近似梯形，積分計算坑槽面積S:

圖3 坑槽面積計算示意

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 坑槽體積計算示意

通過上述的步驟(1)～(4)即可由三維激光檢測點云數據構建的坑槽三維重構模型，計算坑槽病害的深度、面積、體積多維度指標.

2 試驗結果與分析

2.1 室內坑槽模型制作

本文制作了兩個不同尺寸的室內坑槽模型，分別采用0.01 mm精度游標卡尺、標準計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，如圖6所示，用以驗證三維激光技術與多維度指標提取算法的精度.

2.2 試驗結果與誤差分析

將坑槽模型放置三維激光發(fā)射器下方，設定儀器參數的移動速度為200 mm·s-1，曝光值為1 200 us，發(fā)射頻率為最大值788.289 Hz；設定基準平面后開始檢測，待完成一個行程的檢測后，復位系統(tǒng)準備下一次檢測.為防止激光點缺失導致的重構坑槽三維模型失真，本文采用缺失點驗算激光點云數據有效性，即當激光點云數據缺失率小于1%時，即可認為進行了一次有效檢測[19].

a 灌滿水泥砂漿鋁碗

b 松鋪車轍板試模

a 標準計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)射器輸出的室內坑槽部分原始數據，如表2所示.第一行為激光各點的橫坐標，從表中可以看出激光左、右端點的坐標分別為-296.17和300.57，即有效檢測寬度約600 mm，激光點與點之間間距約為0.5 mm；第一列為激光線沿檢測前進方向的縱向間距，可以看出縱坐標起、終點分別為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的(x,y)點的Z坐標，即高程數據.

表2 室內坑槽檢測部分原始數據

基于Matlab2015a軟件平臺開發(fā)的坑槽多維度指標計算程序中，將激光點云數據輸入經TIN平面插值后重構坑槽三維模型，檢測結果見圖7.在此基礎上，采用contour3(X,Y,Z)提取等高線后進行坑槽多維度指標計算，分別見圖8和圖9.

為排除三維激光設備受光照強度、溫濕度等環(huán)境因素的影響，保證試驗的可重復性與準確性，采用室內三維激光檢測系統(tǒng)(圖2)，激光線縱向間距設定為1 mm，在早、中和晚三個時間段分別對相同架設高度、曝光值的室內坑槽模型進行3次重復檢測，重構坑槽三維模型并計算多維度指標，檢測結果見表3.

由表3可知，對于坑槽1#，其深度、面積、體積檢測的標準差分別為0.03、1.30、1.25，相比于坑槽2#,其深度、面積、體積檢測的標準差分別為0.05、1.35、1.20，表明坑槽檢測結構離散程度非常小，三維激光技術對坑槽多維度指標檢測的重復性高；與室內人工檢測結果相比，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、高密度技術特性，其誤差主要是瀝青混合料構造深度導致；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，這是由于采用近似梯形積分方法，將小單元結果累加計算所產生的誤差累積.檢測結果表明了三維激光技術對坑槽多維度指標檢測具有較高的準確性和可重復性；上述結果將為有效指導路面坑槽養(yǎng)護的修補面積、最大深度和修補體積指標的準確計算提供參考.

表3 坑槽多維度指標檢測結果

圖7 坑槽激光點云數據

圖8 等高線提取

圖9 多維度指標計算

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)射器根據車輪轉動控制的重要可調節(jié)參數之一，縱向間距越小所獲取的單位面積內路表點云數據量越大，病害描述越細密；若激光線縱向間距過小，不僅會增加數據存儲空間，還會影響后續(xù)數據處理效率；因此，合理的激光線縱向間距是提高檢測效率的重要參數.

本文為研究不同激光線縱向間距對坑槽三維模型重構與指標計算精度影響，在圖7坑槽三維模型重構時采用1 mm間距基礎上，分別增加了5、10和20 mm三個不同縱向間距參數，重復掃描并構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，當激光線間距為1 mm時，坑槽三維模型較細密，具有近乎真實的坑槽形態(tài)；當激光線間距為20 mm時，坑槽三維模型出現部分缺失.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了部分缺失，從而導致多維度指標檢測誤差的增大.不同激光線縱向間距對坑槽多維度指標檢測誤差影響，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、面積和體積指標的檢測相對誤差均逐漸增大.當激光線間距為1 mm時，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%；當激光線間距增大為5 mm時，兩個坑槽的深度、面積和體積相對誤差最大分別為4.65%、6.32%和7.17%；當間距增大為10 mm時，三個指標相對誤差最大為5.80%、10.26%和14.41%，雖然深度指標相對誤差較小，但面積和體積誤差均超過10%；當激光線間距增大至20 mm時，兩個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

進一步分析表明，隨著激光線間距不斷增大，坑槽深度指標的誤差增速較小，這是由于室內坑槽模型采用碗狀模具，底部較平整；而面積和體積指標的相對誤差增長較大，這是由于坑槽三維重構模型出現部分缺失，導致閉合等高線不完整，導致?lián)擞嬎愕拿娣e和體積指標誤差較大.因此，為保證坑槽多維度指標檢測準確度建議激光線縱向間距小于5 mm.

3 結論

(1)利用三維激光檢測技術所獲取動態(tài)的高精度、高密度激光點云數據，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與多維度指標計算方法；對兩個不同尺寸室內坑槽模型檢測表明，坑槽深度、面積和體積指標的最大相對誤差分別為3.96%、4.58%和4.74%，表明三維激光技術對坑槽多維度指標檢測具有較高的準確性和可重復性.

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

(3)利用三維激光技術獲取的坑槽多維度指標可以為路面結構層損傷判別、坑槽嚴重程度評價以及修補材料用量預估提供參考，進一步的為研究坑槽演化與成因、科學合理的養(yǎng)護決策奠定基礎.但是本文采用的坑槽形狀與嚴重程度單一，目前成果仍需大量現場試驗研究才能達到實際應用的目標.

[1] 孫立軍,張宏超,劉黎萍，等.瀝青路面初期損壞特點和機理分析——重交通瀝青路設計方法之一[J].同濟大學學報(自然科學版),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)護決策混合遺傳優(yōu)化方法[J].交通運輸工程學報, 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, 李學紅,張畢超.瀝青路面預防性養(yǎng)護時機綜合評價指標體系[J] .交通運輸工程學報, 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備的技術探究[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.