楊依霖，黃 浩，胡永明，王德志，李岳彬

（湖北大學(xué) 物理與電子科學(xué)學(xué)院，湖北 武漢 430062）

0 引 言

隨著車(chē)輛數(shù)量和公路運(yùn)輸量的迅猛增長(zhǎng)，車(chē)輛大型化趨勢(shì)明顯，超限、超載車(chē)輛不斷增多，大多數(shù)路面暴露出承載能力不足的問(wèn)題，嚴(yán)重影響了現(xiàn)有公路的使用壽命周期和結(jié)構(gòu)安全，公路養(yǎng)護(hù)管理難度和成本逐年加大[1]。截至2019年，中國(guó)公路總里程已達(dá)484.65萬(wàn)千米，高速公路達(dá)14.26萬(wàn)千米；《中國(guó)公路運(yùn)輸大數(shù)據(jù)報(bào)告》顯示中國(guó)公路運(yùn)輸?shù)氖袌?chǎng)規(guī)模超過(guò)6萬(wàn)億，隨著公路事業(yè)和運(yùn)輸業(yè)的發(fā)展，路面承受的壓力也越來(lái)越大，對(duì)公路路面的質(zhì)量和維護(hù)要求也越來(lái)越高[2]。目前大部分地區(qū)的道路養(yǎng)護(hù)檢測(cè)仍然以人工現(xiàn)場(chǎng)調(diào)查為主，由巡查人員駕駛車(chē)輛對(duì)路面進(jìn)行觀察和記錄。這種方式工作效率低下，投入時(shí)間和人力物力成本過(guò)大，且結(jié)果受主觀因素影響較大[2]。人工巡檢方式已無(wú)法滿(mǎn)足日趨常態(tài)化的道路檢測(cè)工作，智能化監(jiān)測(cè)迫在眉睫。

目前，許多國(guó)家陸續(xù)建立的道路養(yǎng)護(hù)管理系統(tǒng)大多依賴(lài)于豐富的硬件設(shè)備，大量設(shè)備在使用時(shí)費(fèi)時(shí)、費(fèi)力，且對(duì)交通影響較大，有些甚至破壞了路面結(jié)構(gòu)的完整性[3-4]。

路面病害識(shí)別問(wèn)題屬于圖像識(shí)別技術(shù)的典型應(yīng)用[5]。隨著圖像識(shí)別技術(shù)的發(fā)展和計(jì)算機(jī)視覺(jué)技術(shù)的興起，卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域有著不俗的表現(xiàn)[3,5]。本文將計(jì)算機(jī)視覺(jué)技術(shù)以及卷積神經(jīng)網(wǎng)絡(luò)引入路面病害識(shí)別領(lǐng)域，提出一種基于LeNet卷積神經(jīng)網(wǎng)絡(luò)的路面病害自動(dòng)檢測(cè)方法，可有效監(jiān)測(cè)路面缺陷，更加貼近實(shí)際。此舉可有效替代人工進(jìn)行高速可靠的檢測(cè)工作，減輕人力、物力、財(cái)力壓力，使檢測(cè)工作更加智能化、自動(dòng)化。

1 方法介紹

1.1 功能介紹

傳統(tǒng)的路面檢測(cè)方法為隨機(jī)選點(diǎn)及人工檢測(cè)等。常規(guī)方法存在很大的局限性：隨機(jī)選擇被測(cè)點(diǎn)往往會(huì)使得檢測(cè)結(jié)果缺乏代表性[6-7]；人工檢測(cè)需要投入大量的人力和時(shí)間。

本文提出一種基于LeNet卷積神經(jīng)網(wǎng)絡(luò)的路面病害自動(dòng)檢測(cè)方法，可自動(dòng)識(shí)別路面圖像的損害程度，相比當(dāng)前人工檢測(cè)方法，其具備安全性高、效率高、成本低等優(yōu)點(diǎn)。本方法可用于檢測(cè)路面破損信息，極大地提升公路日常養(yǎng)護(hù)巡檢的工作效率和安全性。計(jì)算機(jī)識(shí)別可以取代類(lèi)似人工路面巡查等低效、低安全性的工作方式，大幅降低檢測(cè)成本。

1.2 檢測(cè)流程

本文提出的路面病害檢測(cè)方法包括病害數(shù)據(jù)采集、病害的檢測(cè)分析和識(shí)別等。基于圖像分析的路面病害檢測(cè)流程：首先獲取路面圖像，然后進(jìn)行圖像預(yù)處理，最后進(jìn)行病害檢測(cè)。檢測(cè)流程如圖1所示。

圖1 檢測(cè)流程

在實(shí)際生活中，路面圖像數(shù)據(jù)通過(guò)攝像機(jī)拍攝獲得，但由于光線(xiàn)、路面狀況的復(fù)雜性，以及路面雜物等環(huán)境因素的影響，這些不利因素會(huì)給后續(xù)模型檢測(cè)帶來(lái)困難[8]。因此，本文提出的方法首先需要做一些預(yù)處理工作，通過(guò)采用一些圖像預(yù)處理方法從一定程度上提高圖像質(zhì)量，減少不利因素的影響，使得路面圖像光照均勻，并增強(qiáng)病害目標(biāo)，以便進(jìn)一步處理。

2 方法設(shè)計(jì)及原理

2.1 路面圖像獲取

路面圖像數(shù)據(jù)采集于合徐高速北上行路段，由已校準(zhǔn)的高精度攝像頭獲取，圖片分辨率統(tǒng)一為1 920×1 080像素。

2.2 路面圖像預(yù)處理

有效的圖像預(yù)處理可以大大提升后續(xù)檢測(cè)的準(zhǔn)確率。本文提出的圖像預(yù)處理方法主要包括圖像去噪、圖像銳化及圖像分割。圖像預(yù)處理流程如圖2所示。

圖2 圖像預(yù)處理流程

在進(jìn)行圖像去噪處理時(shí)，可以對(duì)路面圖像進(jìn)行濾波處理。本文利用中值濾波法對(duì)路面圖像進(jìn)行濾波處理，選取一定尺寸的濾波窗口后，將其在濾波初始位置處的灰度值由所設(shè)濾波窗口鄰域的中值替代，使得濾波窗口周?chē)南袼刂蹈咏咏鎸?shí)值，以消除孤立的噪聲點(diǎn)。

中值濾波的本質(zhì)是將一個(gè)圖像矩陣中的像素進(jìn)行排序后，將矩陣的中心點(diǎn)賦值為矩陣中所有像素的中值，以達(dá)到平滑圖像的目的。

在一個(gè)3×3矩陣中，中值濾波的公式如下：

在進(jìn)行圖像銳化處理時(shí)，通過(guò)調(diào)整濾波后的路面圖像的對(duì)比度，來(lái)擴(kuò)大壞損區(qū)域和路面特征之間的差異，以便后續(xù)處理和壞損判斷[8]。將原始RGB路面圖像分別轉(zhuǎn)換到HSV顏色空間，相對(duì)于RGB顏色空間，HSV空間能夠非常直觀地表達(dá)色彩的明暗、色調(diào)以及鮮艷程度，便于對(duì)比。

將圖像從RGB空間轉(zhuǎn)換到HSV空間的方法：（r，g，b）分別是顏色的紅、綠、藍(lán)坐標(biāo)，值為0到1之間的實(shí)數(shù)，max和min分別為r，g，b三者中的最大值和最小值。

利用直方圖均衡化對(duì)濾波后路面圖像中像素個(gè)數(shù)多的灰度級(jí)進(jìn)行展寬，對(duì)像素個(gè)數(shù)少的灰度級(jí)進(jìn)行縮減，像素集中后，灰度范圍變大，對(duì)比度變大，清晰度變高，可有效增強(qiáng)圖像[9]。

直方圖均衡化處理流程如圖3所示。

圖3 直方圖均衡化處理流程

直方圖均衡化映射方法的函數(shù)如下：

式中：n表示所有像素點(diǎn)的個(gè)數(shù)；nj表示灰度值為j的像素的個(gè)數(shù)；Sk為得到的新的灰度級(jí)。

將優(yōu)化后的路面圖像進(jìn)行網(wǎng)絡(luò)模型檢測(cè)之前，在圖像預(yù)處理時(shí)將優(yōu)化后的路面圖像再次進(jìn)行圖像分割處理，生成多個(gè)路面像素塊。其中，路面像素塊標(biāo)記有位置標(biāo)識(shí)，位置標(biāo)識(shí)為路面像素塊在優(yōu)化后的路面圖像中的位置。

2.3 網(wǎng)絡(luò)模型及檢測(cè)

本文使用基于卷積神經(jīng)網(wǎng)絡(luò)的技術(shù)對(duì)公路路面病害進(jìn)行分類(lèi)檢測(cè)。

卷積神經(jīng)網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)的三個(gè)重要特點(diǎn)是局部感受野、權(quán)值共享和下采樣。局部感受野可以發(fā)現(xiàn)圖像的局部特征，例如一個(gè)角或者是一個(gè)弧，將局部信息綜合到全局信息；權(quán)值共享可以有效減少參數(shù)；下采樣保證了局部不變性。這些特點(diǎn)使得在進(jìn)行大型圖像識(shí)別時(shí)，卷積神經(jīng)網(wǎng)絡(luò)可以有非常出色的表現(xiàn)[10]。

本文提出的方法基于LeNet網(wǎng)絡(luò)架構(gòu)，其采用一個(gè)相對(duì)較小的CNN網(wǎng)絡(luò)，由4個(gè)具有交替卷積和最大池層的塊和2個(gè)完全連接層構(gòu)成。LeNet網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

本文采用的卷積神經(jīng)網(wǎng)絡(luò)共16層：

（1）第1層為卷積核大小為5×5的卷積層，卷積核個(gè)數(shù)為32；

（2）第2層為池化區(qū)域?yàn)?×2的池化層；

西洋哲學(xué)-講師為肥羅諾薩。使用華萊士(譯者注：William Wallace)的英譯本，講授自康德哲學(xué)至黑格爾哲學(xué)的展開(kāi)，以及黑格爾的論理學(xué)。

（3）第3層為系數(shù)為0.3的dropout層；

（4）第4層為卷積核大小為5×5的卷積層，卷積核個(gè)數(shù)為64；

（5）第5層為池化區(qū)域?yàn)?×2的池化層；

（6）第6層為系數(shù)為0.3的dropout層；

（7）第7層為卷積核大小為5×5的卷積層，卷積核個(gè)數(shù)為128；

（8）第8層為池化區(qū)域?yàn)?×2的池化層；

（9）第9層為系數(shù)為0.5的dropout層；

（10）第10層為卷積核大小為5×5的卷積層，卷積核個(gè)數(shù)為256；

（11）第11層為池化區(qū)域?yàn)?×2的池化層；

（13）第13層為Flatten層，將多維數(shù)據(jù)一維化，用在卷積層到全連接層的過(guò)渡中；

（14）第14層為全連接層；

（15）第15層為系數(shù)為0.5的dropout層；

（16）第16層為全連接層。

圖4 LeNet網(wǎng)絡(luò)結(jié)構(gòu)

通過(guò)卷積和池化，得到了模型的眾多特征，全連接層的每一個(gè)節(jié)點(diǎn)都與這些特征節(jié)點(diǎn)相連構(gòu)成一個(gè)性能良好的檢測(cè)網(wǎng)絡(luò)。

LeNet模型中，每個(gè)卷積層和最大池化層的疊加通過(guò)卷積運(yùn)算使原信號(hào)特征增強(qiáng)，并降低噪音，通過(guò)池化操作降低網(wǎng)絡(luò)訓(xùn)練參數(shù)以及模型的過(guò)擬合參數(shù)。

為降低過(guò)擬合，加入dropout正則化，dropout會(huì)遍歷網(wǎng)絡(luò)的每一層，并設(shè)置消除神經(jīng)網(wǎng)絡(luò)中節(jié)點(diǎn)的概率。本文提出的方法中，dropout概率為0.3和0.5。每個(gè)節(jié)點(diǎn)得以保留和消除的概率均為0.3或0.5，隨機(jī)消除一些節(jié)點(diǎn)后，得到一個(gè)節(jié)點(diǎn)更少、規(guī)模更小的網(wǎng)絡(luò)，可有效提高模型的泛化能力[11]。

本文提出的方法模型可以對(duì)路面像素塊中是否存在損壞區(qū)域進(jìn)行判斷，如果有，則標(biāo)記出損壞對(duì)應(yīng)的區(qū)域。模型輸出的是一系列跟病害有關(guān)的點(diǎn)的坐標(biāo)，將點(diǎn)存在一個(gè)數(shù)組中。創(chuàng)建一個(gè)與原圖同尺寸的黑色背景圖，將病害點(diǎn)標(biāo)注在背景圖中，再將背景圖與原圖混合，即可在原圖中顯示出損壞部分的對(duì)應(yīng)區(qū)域。

3 結(jié)果驗(yàn)證

3.1 檢測(cè)線(xiàn)狀裂縫

當(dāng)測(cè)試樣張中有明顯線(xiàn)狀裂縫時(shí)，本方法可完全檢測(cè)出測(cè)試圖像中的線(xiàn)狀裂縫。檢測(cè)線(xiàn)狀裂縫效果如圖5所示。

圖5 檢測(cè)線(xiàn)狀裂縫效果

3.2 檢測(cè)網(wǎng)狀裂縫

針對(duì)有明顯網(wǎng)狀裂縫病害的圖片，本方法能夠準(zhǔn)確識(shí)別。檢測(cè)網(wǎng)狀裂縫效果如圖6所示。

圖6 檢測(cè)網(wǎng)狀裂縫效果

3.3 檢測(cè)網(wǎng)狀裂縫及沉降

針對(duì)不止有一種病害的測(cè)試圖片，如同時(shí)存在網(wǎng)狀裂縫與沉降斑點(diǎn)時(shí)，本方法可以準(zhǔn)確識(shí)別。檢測(cè)網(wǎng)狀裂縫及沉降效果如圖7所示。

圖7 檢測(cè)網(wǎng)狀裂縫及沉降效果

3.4 檢測(cè)網(wǎng)狀裂縫及坑洞

針對(duì)具有坑洞和網(wǎng)狀裂縫的路面，本方法可以完全檢測(cè)出測(cè)試圖像中的坑洞以及周?chē)霈F(xiàn)的網(wǎng)狀裂縫。檢測(cè)網(wǎng)狀裂縫及坑洞效果如圖8所示。

圖8 檢測(cè)網(wǎng)狀裂縫及坑洞效果

3.5 檢測(cè)補(bǔ)丁及裂縫

當(dāng)測(cè)試圖像中有路面補(bǔ)丁與裂縫時(shí)，本方法可以完全檢測(cè)出測(cè)試圖像中的補(bǔ)丁與裂縫。檢測(cè)補(bǔ)丁及裂縫效果如圖9所示。

圖9 檢測(cè)補(bǔ)丁及裂縫效果

本文提出的方法基于Python語(yǔ)言實(shí)現(xiàn)，為了方便測(cè)試，利用PyQt編寫(xiě)了一個(gè)用戶(hù)友好的檢測(cè)界面，如圖10所示。

圖10 檢測(cè)界面

將本文提出的人工智能檢測(cè)方法與現(xiàn)有的幾種路面檢測(cè)技術(shù)進(jìn)行比較，發(fā)現(xiàn)傳統(tǒng)方式在評(píng)價(jià)路面破損狀況時(shí)，技術(shù)人員常用人工方式對(duì)路面圖像進(jìn)行評(píng)價(jià)，產(chǎn)生定量或者定性指標(biāo)[12-14]。傳統(tǒng)方式得到的結(jié)果受主觀因素影響較大，且效率低下。

本文提出的方法與現(xiàn)有技術(shù)的對(duì)比見(jiàn)表1所列。

表1 技術(shù)對(duì)比

4 結(jié) 語(yǔ)

隨著人工智能技術(shù)的基礎(chǔ)理論及應(yīng)用日益成熟，本文將人工智能技術(shù)方法應(yīng)用到傳統(tǒng)的路面檢測(cè)中。通過(guò)預(yù)訓(xùn)練模型的自動(dòng)檢測(cè)，可以快速準(zhǔn)確地識(shí)別路面病害?；贚eNet卷積神經(jīng)網(wǎng)絡(luò)的路面病害自動(dòng)檢測(cè)方法可以大大降低路面病害識(shí)別成本。同時(shí)該方法能夠方便道路路面養(yǎng)護(hù)管理部門(mén)及時(shí)了解路面狀態(tài)，并對(duì)其進(jìn)行有效養(yǎng)護(hù)，提高路面的質(zhì)量，確保道路的使用壽命和良好的使用性，減少交通事故的發(fā)生，為群眾出行安全提供有效保障。