王元元,李仁杰,劉燕燕,張亨通,劉德政

(1.湖北文理學(xué)院 純電動汽車動力系統(tǒng)設(shè)計與測試湖北省重點實驗室,湖北 襄陽441053;2.湖北文理學(xué)院 機械工程學(xué)院,湖北 襄陽441053;3.重慶交通大學(xué) 材料科學(xué)與工程學(xué)院,重慶400074)

0 引 言

路面抗滑性能是影響道路交通安全的重要因素,且與路面紋理關(guān)系緊密,路面摩擦力的形成直接取決于其表面三維紋理粗糙特性[1-2]。路面三維紋理的精確測量是全面分析路面抗滑性能、減少交通事故率、服務(wù)交通安全的基礎(chǔ)。

隨著現(xiàn)代測量技術(shù)與信息化技術(shù)的發(fā)展,產(chǎn)生了大量的路面三維紋理測量方法。光度立體重構(gòu)與雙目重構(gòu)方法因分辨率高、構(gòu)造簡單,在路面三維紋理測量領(lǐng)域應(yīng)用廣泛。SUN Lu等[3]基于光度立體技術(shù),采用六光源并引入多光源修正和低秩分解算法對傳統(tǒng)方法加以改進,用以測量瀝青路面構(gòu)造深度,取得了較好的瀝青路面三維紋理測量效果。但光度立體技術(shù)其抗光干擾能力差,對測量場景內(nèi)的光照條件有嚴(yán)格要求,相比于光度立體重構(gòu),雙目重構(gòu)的抗光干擾能力更強,P.N.HONG等[4]將傳統(tǒng)雙目重構(gòu)技術(shù)應(yīng)用于路面三維紋理測量,但由于圖像噪聲、同名像素點間匹配精度較低等影響因素,測量結(jié)果并不理想;為解決此問題,王元元等[5]、LIU Yanyan等[6]利用多條激光約束將待測區(qū)域分割成多個子區(qū)域,通過激光約束間的強制匹配,提出區(qū)域分割匹配算法,提升了立體匹配精度,且在6條激光約束下算法測量偏差最小,但該算法僅在5～350 lux光照范圍表現(xiàn)穩(wěn)定,在更大光照強度下特征不明顯,導(dǎo)致激光約束目標(biāo)難以完整提取,影響算法精度。

近年來卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)的發(fā)展使得深度學(xué)習(xí)算法在道路工程領(lǐng)域應(yīng)用廣泛。CNN在目標(biāo)檢測中主要完成特征提取,輸出含有特征信息的特征圖,為后續(xù)的分類與回歸提供基礎(chǔ)[7]。學(xué)者在路面裂縫、溝槽等病害目標(biāo)識別提取中引入CNN,因其基于大量的樣本數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練,使得深度學(xué)習(xí)算法在不同的測量環(huán)境中依然保持較好的穩(wěn)定性[8-10],驗證了深度學(xué)習(xí)算法對于待測路面進行激光約束目標(biāo)識別提取的可行性。

為解決待測路面激光約束目標(biāo)在變化光照下的魯棒提取問題,筆者引入卷積神經(jīng)網(wǎng)絡(luò)算法對激光約束雙目重構(gòu)算法進行改進,擴大原激光約束雙目重構(gòu)算法光照適用范圍,以期實現(xiàn)5～1 050 lux光照范圍內(nèi)的路面三維紋理測量,進一步提升算法的抗光干擾能力。

1 激光約束識別模型的構(gòu)建

1.1 訓(xùn)練數(shù)據(jù)的采集

選擇瀝青路面面層常用的3種路面類型：連續(xù)密級配瀝青混凝土(AC)、瀝青瑪蹄脂碎石 (SMA)和排水式開級配磨耗層 (OGFC)。在實驗室成型AC-13、AC-16、SMA-13、OGFC-13共4種級配類型的馬歇爾試件,用于激光約束識別模型訓(xùn)練圖像的采集。試件級配見表1。

表1 各類型試件瀝青混合料級配構(gòu)成Table 1 Composition of gradation of asphalt mixtures for various types of specimens

在照度測量儀的控制下調(diào)節(jié)補強光源,通過雙目攝像機分別拍攝在6條激光約束下4種級配試件在5、50、150、250、350、450、550、650、750、900、1 050 lux共11種光照強度下的左右圖像對,如圖1,共1 056張。對于神經(jīng)網(wǎng)絡(luò)模型,過大的圖像尺寸會加大訓(xùn)練量,延緩訓(xùn)練速度,所以預(yù)先將所拍攝圖像尺寸等比例縮小為320 pixel×240 pixel,并對圖像中試件表面的激光約束進行標(biāo)記。

圖1 訓(xùn)練圖像的采集Fig.1 Collection of training images

1.2 激光約束識別模型

相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法,Faster-RCNN由于檢測準(zhǔn)確率較高,是目前主流的目標(biāo)檢測算法之一[11]。在Faster-RCNN中引入?yún)^(qū)域生成網(wǎng)絡(luò)(RPN),代替?zhèn)鹘y(tǒng)生成候選區(qū)域的方法,很大程度上提升了區(qū)域生成速度,降低了網(wǎng)絡(luò)模型訓(xùn)練時間[12]。筆者基于Faster-RCNN構(gòu)建激光約束識別模型,其具體結(jié)構(gòu)參數(shù)如下：

輸入層：輸入樣本圖片大小為32 pixel×32 pixel×3,與模型訓(xùn)練數(shù)據(jù)集中的最小樣本大小相似;

中層間：由兩層卷積核大小為3 pixel×3 pixel,步長為1 pixel,填充為1 pixel的卷積層,輸出分別經(jīng)過Relu函數(shù),再經(jīng)過一層內(nèi)核大小為3 pixel×3 pixel、步長為2 pixel的最大池化層;

最終層：由輸出維度為64的全連接層經(jīng)Relu函數(shù)輸入到輸出維度為2的全連接層,最后經(jīng)由Softmax函數(shù)輸入分類層;

將輸入層、中間層、最終層相互連接,構(gòu)建激光約束識別模型,模型結(jié)構(gòu)及參數(shù)如表2。

表2 激光約束識別模型結(jié)構(gòu)參數(shù)Table 2 Structural parameters of laser constraint identification model

1.3 模型訓(xùn)練與識別效果

試驗硬件采用Intel Core i5-8300H 2.30 GHz處理器,配置8 GB內(nèi)存及NVIDIA GeForce GTX 1050 Ti顯卡。操作系統(tǒng)為windows 10專業(yè)版(64位),模型訓(xùn)練編程環(huán)境為MATLAB 2020a。

激光約束識別模型訓(xùn)練分為4個步驟進行。前2個步驟訓(xùn)練該區(qū)的RPN和檢測網(wǎng)絡(luò),訓(xùn)練參數(shù)設(shè)置為：初始學(xué)習(xí)率(Inital learnrate)為0.000 1,學(xué)習(xí)率保持不變。當(dāng)epoch運行到17次時,Minibatchloss已無明顯變化,故將Max epoch值設(shè)置為17;Minibatchsize值設(shè)置為1,每次迭代都會從一個訓(xùn)練區(qū)域處理多個區(qū)域;后2個步驟為微調(diào)步驟,僅修改初始學(xué)習(xí)率為0.000 01,其它訓(xùn)練參數(shù)不變。

通過對1 056張光照范圍在5～1 050 lux的激光約束下馬歇爾試件圖像所組成的數(shù)據(jù)集進行訓(xùn)練,得到激光約束識別模型的識別平均精確度為0.97,精度-召回曲線如圖2。

圖2 精度-召回曲線Fig.2 Precision-recall curve

通過照度測量儀測量光照強度,在5～1 050 lux光照強度范圍內(nèi)隨機選擇不同光照強度下的試件,對其表面激光約束目標(biāo)進行識別,如圖3。

圖3 不同光照強度下激光約束目標(biāo)識別效果Fig.3 Laser-constrained target recognition effect under different light intensities

可以看出,激光約束識別模型在不同光照強度下都表現(xiàn)出準(zhǔn)確的識別效果;尤其是在1 050 lux的光照強度下,試件表面的激光約束目標(biāo)已被光照抑制,特征不明顯,但激光約束識別模型的識別結(jié)果依然準(zhǔn)確。

2 激光約束下雙目重構(gòu)算法改進

2.1 改進算法步驟

為解決待測路面激光約束目標(biāo)在變化光照下的魯棒提取問題,引入激光約束識別模型對原激光約束雙目重構(gòu)算法加以改進。激光約束目標(biāo)識別與提取過程主要包括：激光約束識別模型的構(gòu)建、左右幅圖像激光約束區(qū)域坐標(biāo)獲取、左右幅圖像激光約束區(qū)域剪切、激光約束目標(biāo)逐條提取、激光約束目標(biāo)逐條插入分割模板共5個步驟,具體流程如圖4。

圖4 測量路面三維紋理的激光約束雙目魯棒算法流程Fig.4 Flow chart of laser-constrained binocular robust algorithm for measuring 3D texture of pavement

2.2 三維紋理重構(gòu)效果分析

在照度測量儀的控制下,使光照強度維持在1 050 lux左右,對2種算法的激光約束目標(biāo)提取與三維重構(gòu)效果進行對比分析。

以AC-13馬歇爾試件為例,在1 050 lux左右的光照強度下,由于待測試件表面的激光約束目標(biāo)被光照抑制,顏色特征不再明顯,原激光約束雙目重構(gòu)算法針對左右幅圖像進行激光約束目標(biāo)提取困難,難以完整提取出試件表面的6條激光約束目標(biāo),其左幅圖像提取效果如圖5(a)。

筆者改進算法通過激光約束識別模型對試件表面激光約束目標(biāo)區(qū)域進行識別,然后對激光約束目標(biāo)區(qū)域逐條剪切后單條提取,提取完畢后將激光約束目標(biāo)逐條插入分割模板中的原坐標(biāo)位置,其左幅提取效果如圖5(b)。筆者改進算法縮小了激光約束目標(biāo)的提取的空間范圍,使得激光約束目標(biāo)特征在較小的空間范圍內(nèi)更加顯著,更有利于提取出完整的激光約束目標(biāo);并且激光約束識別模型僅對左右幅圖像中試件表面區(qū)域進行識別,省去了對原圖像進行圖像去背景的過程,降低了試件表面區(qū)域以外的背景對激光約束目標(biāo)提取的影響。

圖5 1 050 lux光照強度下激光約束目標(biāo)提取效果Fig.5 Extraction effect of laser-constrained target under 1 050 lux illumination intensity

原激光約束雙目重構(gòu)算法在1 050 lux光照強度下的6條激光約束目標(biāo)沒有完整提取,各子區(qū)域間立體匹配精度降低,造成試件表面三維紋理重構(gòu)效果較差,如圖6(a)。

筆者改進算法在1 050 lux的光照強度下對6條激光約束目標(biāo)提取得更加完整,試件表面三維紋理重構(gòu)效果也明顯優(yōu)于原算法,如圖6(b)。

圖6 1 050 lux光照強度下三維紋理重構(gòu)效果Fig.6 3D texture reconstruction effect under 1 050 lux light intensity

3 改進算法抗光干擾能力分析

為驗證筆者改進算法的抗光干擾能力,選取AC-13、AC-16、SMA-13、OGFC-13共4種級配類型的試件,采用原激光線束雙目重構(gòu)算法與筆者改進算法分別對同一試件在5～1 050 lux光照范圍內(nèi)測量其平均構(gòu)造深度(MTD),對比2種算法的波動誤差與平均波動誤差,并分別開展2種算法同鋪砂法之間的相關(guān)性分析。

3.1 MTD計算方法

為避免三維重構(gòu)中邊緣噪聲對MTD測量結(jié)果的影響,選取矩形待測區(qū)域(圖7)進行MTD計算。

圖7 待測區(qū)域Fig.7 Schematic diagram of the area to be tested

通過雙目重構(gòu)算法可以獲取待測區(qū)域表面三維點云數(shù)據(jù),得到待測區(qū)域高程矩陣,斷面輪廓高程示意如圖8。H為高程矩陣中高程最大值,n為高程矩陣元素總數(shù),h1,h2,…,hi,…,hn為高程矩陣中各點高程。

圖8 斷面輪廓高程Fig.8 Sectional profile elevation diagram

高程最大值H與各點高程hi之間差值之和的均值即為待測區(qū)域平均構(gòu)造深度IMTD值,即：

(1)

3.2 結(jié)果驗證分析

根據(jù)式(1)通過計算4種級配類型的試件分別在5、50、250、550、1 050 lux共5種光照強度下的IMTD值,結(jié)果見表3。表3中波動誤差為同一算法在不同光照強度下針對同一試件測量結(jié)果的最大差值,以評價算法的測量穩(wěn)定性。

表3 IMTD值測量結(jié)果Table 3 IMTD value measurement results mm

根據(jù)表3中測量數(shù)據(jù),選取4種級配試件在1 050 lux光照強度下2種算法測量的MTD值,分別繪制與鋪砂法測量的MTD值之間的散點圖,整體走勢呈現(xiàn)較強的線性正相關(guān),如圖9。

由圖9可知：在1 050 lux光照強度下,筆者改進算法與鋪砂法MTD測量結(jié)果的擬合系數(shù)R2為0.987,優(yōu)于原激光約束雙目重構(gòu)算法的0.887,說明筆者改進算法在更大光照強度下的測量結(jié)果可靠性更高。在5～1 050 lux光照范圍內(nèi),原激光約束雙目重構(gòu)算法的IMTD最大波動誤差與平均波動誤差分別為0.475、0.371 mm;相比之下,筆者改進算法的最大波動誤差與平均波動誤差分別為0.141 mm和0.084 mm,較原激光約束雙目重構(gòu)算法分別下降了70.20%和76.83%,說明筆者改進算法在5～1 050 lux光照范圍內(nèi)具有更穩(wěn)定的測量效果和更好的抗光干擾能力。

圖9 鋪砂法與兩種算法MTD測量值線性關(guān)系Fig.9 The linear relationship between the sand paving method and the MTD measurement values of the two algorithms

4 結(jié) 論

為提高原激光約束雙目重構(gòu)算法的抗光干擾能力,解決變化光照下激光約束目標(biāo)的魯棒提取問題,基于Faster-RCNN構(gòu)建激光約束識別模型對原激光約束雙目重構(gòu)算法加以改進,得到如下結(jié)論：

1)在1 050 lux光照強度下,激光約束被光照抑制,表現(xiàn)出顏色特征不明顯,但筆者的激光約束識別模型卻表現(xiàn)出較好激光約束目標(biāo)的識別效果。

2)筆者改進算法能夠在5～1 050 lux光照范圍內(nèi)對待測試件表面的6條激光約束目標(biāo)實現(xiàn)完整提取,激光約束目標(biāo)提取效果與三維紋理重構(gòu)效果均優(yōu)于原激光約束雙目重構(gòu)算法。

3)筆者改進算法測量的MTD與鋪砂法的擬合系數(shù)R2為0.987,優(yōu)于原激光約束雙目重構(gòu)算法的0.887。同時,在5～1 050 lux光照范圍內(nèi),改進算法的最大波動誤差與平均波動誤差分別為0.141 mm和0.084 mm,較原激光約束雙目重構(gòu)算法分別降低了70.20%和76.83%,表明所提改進算法具有更穩(wěn)定的測量效果和更好的抗光干擾能力。