基于三維激光的車轍表面紋理特征研究

陸樹榮

(湖州市交通規(guī)劃設(shè)計院， 浙江 湖州 313000)

車轍是道路輪跡帶處由車輛荷載所引起的縱向持久下凹變形，表現(xiàn)為路面上留下的車輪的壓痕，輪跡處的深度是衡量路面受車轍破壞程度的一個重要指標(biāo)。車轍是高等級路面上最常見的病害之一，若車轍病害嚴(yán)重到一定程度將影響乘車舒適性和行車安全性；同時它也是路面進(jìn)一步破損的誘因，若不及時養(yǎng)護(hù)，當(dāng)瀝青的延展性達(dá)到極限時可能造成其他病害龜裂、塊狀裂縫、松散等的產(chǎn)生[1]。

對車轍的傳統(tǒng)研究主要是在道路檢測方法的探究上。路面車轍檢測的方法從形式上大致可以分為接觸式和非接觸式兩種。接觸式測量是把檢測設(shè)備與路面直接接觸進(jìn)行檢測，記錄相對應(yīng)的數(shù)據(jù)。主要檢測設(shè)備有：路面橫斷面儀/尺，精密水準(zhǔn)測量儀，表面高程計等。非接觸式檢測的設(shè)備傳感器不與被檢測的路面直接接觸，可快速地進(jìn)行車轍檢測，主要的檢測方法有超聲波檢測和激光檢測[2-3]。其中，激光檢測又分為點激光和線激光[4-5]。目前主要研究集中在激光線的提取方法，如圖像處理方法和光條灰度重心法。2013年，李莉和孫立軍[6]等提出了適應(yīng)瀝青路面紋理特征和技術(shù)狀況的線結(jié)構(gòu)光圖像處理流程，包括路面橫斷面曲線提取和車轍特征參數(shù)提取。其中路面橫斷面曲線提取由光心提取、光心連接和光心曲線平滑實現(xiàn)；2015年，張磊[7]通過圖像去噪以及準(zhǔn)確地提取出光條中心坐標(biāo)來實現(xiàn)圖像處理，采用最小二乘法解二維成像方程來進(jìn)行系統(tǒng)標(biāo)定。

激光檢測主要用于檢測路面構(gòu)造深度[8]，路面表面紋理以預(yù)測瀝青路面性能[9]。然而，目前諸多的研究都沒有涉及對車轍表面紋理特征的研究，隨著基于激光的3D相機(jī)技術(shù)的發(fā)展和精度的提升，研究對象不斷精細(xì)化，為探究車轍表面紋理提供了理論支持，對車轍表面紋理的檢測有助于路面養(yǎng)護(hù)決策[10-11]。該文采用精度為1 mm的激光深度相機(jī)對車轍的表面紋理特征進(jìn)行探究，并設(shè)計對照試驗與原始路面進(jìn)行對比，觀測車轍在細(xì)觀結(jié)構(gòu)的變化，為進(jìn)一步精細(xì)化研究車轍提供理論依據(jù)。

1 數(shù)據(jù)采集方法與流程

1.1 試驗設(shè)備

采用Ranger3高速3D 相機(jī)，通過激光束三角測量法測量物體 3D 形狀，測量經(jīng)過相機(jī)視域的物體，然后把測量結(jié)果發(fā)送至計算機(jī)進(jìn)行再處理?？赏ㄟ^計算機(jī)啟動與停止測量，并由編碼器與光電傳感器在視覺系統(tǒng)中予以觸發(fā)。在每次測量中，3D 相機(jī)沿著面前物體的剖面進(jìn)行測量。測量結(jié)果是輪廓圖，其中包括沿著剖面每個測量點的數(shù)值——例如沿著寬度的物體高度。若要使相機(jī)測量整個物體，則應(yīng)移動物體(或是相機(jī)與光源)，使相機(jī)能沿著物體實施一系列測量。此類測量的結(jié)果是一系列輪廓圖，其中每份包含沿著輸送方向的特定位置剖面測量。

1.2 試驗過程

(1) 制作車轍板試件(300 mm×300 mm)，并在其上方進(jìn)行小型加速加載試驗。

(2) 對試驗完畢的車轍板進(jìn)行掃描。攝像頭由吸盤固定住，線激光發(fā)射器由支架固定并垂直向下，二者保持不動，車轍板在移動平臺的帶動下與攝像頭進(jìn)行相對運動。

(3) 數(shù)據(jù)標(biāo)定。對采集的試件采用鋸齒標(biāo)定法進(jìn)行標(biāo)定。通過單鋸齒的齒寬和齒高標(biāo)定輪廓的x方向和z方向的值，y方向的值通過編碼器或者內(nèi)部時鐘獲得。標(biāo)定后的數(shù)據(jù)在軟件中進(jìn)行模型重構(gòu)。

(4) 數(shù)據(jù)切割。將每塊車轍板通過標(biāo)記點進(jìn)行區(qū)域分割，將一塊車轍板分成多個分區(qū)，對是否為車轍面貼上標(biāo)簽。

(5) 數(shù)據(jù)導(dǎo)出。通過相機(jī)自帶軟件將采集的數(shù)據(jù)設(shè)為文本格式，數(shù)據(jù)格式為帶有x、y、z3個坐標(biāo)軸的點云數(shù)據(jù)。

1.3 數(shù)據(jù)預(yù)處理

使用的數(shù)據(jù)處理軟件為Matlab，將點云數(shù)據(jù)讀入后，需要進(jìn)行以下預(yù)處理：

(1) 數(shù)據(jù)網(wǎng)格化：原始點云是離散的，無法進(jìn)行有效的矩陣運算。因此，該文根據(jù)切割的數(shù)據(jù)樣本大小，劃分了1 260×760個以0.1 mm為間隔的網(wǎng)格，并通過插值的方法填充網(wǎng)格數(shù)值。

(2) 數(shù)據(jù)降噪：由于路面紋理的深陷點會受到遮擋，因此在一些凹槽處會出現(xiàn)數(shù)據(jù)缺失或異常的現(xiàn)象。該文采用二維中值濾波對數(shù)據(jù)進(jìn)行降噪，將每一點的z值設(shè)置為該點某鄰域窗口內(nèi)的所有z值的中值。

2 表面特征紋理參數(shù)

選用平均構(gòu)造深度MPD以及紋理的功能和體積參數(shù)對路面表面特征進(jìn)行描述。

2.1 平均構(gòu)造深度MPD

平均構(gòu)造深度MPD是最為廣泛使用的路面紋理參數(shù)之一。將獲取的路面斷面輪廓曲線均分為100 mm的曲線，計算每段曲線的斷面深度，把所有斷面深度平均值稱之為平均斷面深度。其計算方法如圖1所示。

圖1 MPD計算示意圖

2.2 功能參數(shù)

由于車轍存在集料壓縮的情況，因此，體積參數(shù)可一定程度反映壓縮的情況。體積參數(shù)是通過負(fù)載輪廓計算得出的參數(shù)。負(fù)載面積率是指某個高度h以上的區(qū)域面積與全體的比例。沿著負(fù)載輪廓從負(fù)載面積率0%起，取負(fù)載面積率的差為40%的負(fù)載輪廓割線，割線斜率最平緩的位置叫做負(fù)載輪廓的中央部分。與縱軸方向偏差的平方和最小的直線叫做等價直線。從測量表面的定義區(qū)域中，去除等價直線負(fù)載面積率0～100%高度范圍區(qū)域之外的部分后的表面叫做中心部。從中心部向上突出的部分叫做突出峰部，下陷的部分叫做突出谷部。中心部、突出峰部、突出谷部的定義如圖2所示。

圖2 中心部、突出峰部、突出谷部示意圖

利用Matlab進(jìn)行計算，首先根據(jù)已有的三維坐標(biāo)數(shù)據(jù)繪制出負(fù)載輪廓，為實現(xiàn)計算的便捷，考慮到利用3D相機(jī)掃描的優(yōu)勢——數(shù)據(jù)的充沛性(每76 mm×126 mm有60余萬個坐標(biāo)點)，將負(fù)載面積率這一比率轉(zhuǎn)化為坐標(biāo)點個數(shù)的比例。

得到負(fù)載面積率-高度曲線之后，根據(jù)等價直線的定義，尋找曲線上割線斜率最平緩的位置(中心部分)，相對于中心部分的直線即為等價直線。最后，利用負(fù)載輪廓與等價直線，按照表1參數(shù)的定義計算各項功能參數(shù)。

表1 功能參數(shù)定義

2.3 體積參數(shù)

體積參數(shù)是使用負(fù)載輪廓計算出的與體積、容積有關(guān)的參數(shù)。各項體積參數(shù)可轉(zhuǎn)化為負(fù)載面積率-高度曲線圖中對應(yīng)部分的面積，如圖3所示。定義中實體體積與空隙體積均為每單位面積的體積，即為體積與總面積之比，而體積為高度與對應(yīng)面積的乘積，面積負(fù)載率為區(qū)域面積即對應(yīng)面積與總面積的比值，不難得出體積參數(shù)為高度與負(fù)載面積率的乘積。則實體體積或空隙容積即為負(fù)載輪廓曲線圖的面積，利用Matlab進(jìn)行積分等計算得出。體積參數(shù)的定義如表2所示。

表2 體積參數(shù)定義

圖3 體積參數(shù)示意圖

在使用體積參數(shù)時，必須指定分離中心部與突出峰部的負(fù)載面積率(Smr1)、分離中心部與突出谷部的負(fù)載面積率(Smr2)。但通過功能參數(shù)已經(jīng)計算出Smr1與Smr2的具體數(shù)值，因此直接利用計算功能參數(shù)得出的Smr1與Smr2進(jìn)行體積參數(shù)的計算。

3 結(jié)果分析

試驗選取了4塊不同級配的車轍板進(jìn)行試驗，每塊車轍板分為3個區(qū)域，區(qū)域1、2為沒有車轍的路面，即原始路面。區(qū)域3為有車轍的路面。MPD和功能參數(shù)及體積參數(shù)的計算結(jié)果如表3所示。MPD的計算結(jié)果顯示：無車轍的MPD比有車轍的數(shù)值較小。而對于功能參數(shù)，Sk、Spk和Sxp沒有表現(xiàn)出統(tǒng)一的規(guī)律，而有車轍的Svk值普遍小于無車轍的值。體積參數(shù)的計算結(jié)果顯示：有車轍的Vvv值明顯小于無車轍值，而其他參數(shù)并無明顯規(guī)律。

表3 MPD和功能參數(shù)及體積參數(shù)的計算結(jié)果

續(xù)表3

由表3可以看出能較好地區(qū)別有無車轍的表面特征參數(shù)為MPD、Svk和Vvv，均是有車轍的比無車轍的小。而其他參數(shù)并不能很好地看出有無車轍的差別。

4 車轍預(yù)測模型

根據(jù)上述分析，選取了MPD、Svk和Vvv作為參數(shù)建立車轍的判斷模型，將有車轍的設(shè)為標(biāo)簽1，無車轍的設(shè)為標(biāo)簽2，通過支持向量機(jī)(SVM)對車轍進(jìn)行預(yù)估，利用5折交叉檢驗的方法計算車轍判斷的準(zhǔn)確度為91.7%，AUC值為0.81。圖4為SVM分類器的結(jié)果，其中·代表預(yù)測正確，×代表預(yù)測失敗(由于試驗數(shù)據(jù)較少，在之后的研究中需補(bǔ)充更多的試驗數(shù)值以驗證其準(zhǔn)確率)。

圖4 SVM預(yù)測結(jié)果

5 結(jié)語

通過試驗?zāi)M車轍的形成過程，計算車轍的表面紋理特征參數(shù)，與無車轍的結(jié)果進(jìn)行數(shù)值對比。經(jīng)計算結(jié)果分析，平均構(gòu)造深度MPD、突出谷部高度Svk、谷部的空隙容積Vvv能較好地區(qū)分有無車轍，有車轍的MPD、Svk和Vvv數(shù)值均小于無車轍。利用這三者為主要參數(shù)建立SVM的車轍判斷預(yù)估模型，判斷準(zhǔn)確率可達(dá)91.7%。