基于深度學(xué)習(xí)的公路路面病害智能化檢測(cè)系統(tǒng)

余 俊，吳海軍，王武斌，張宗堂

(1.成都工業(yè)職業(yè)技術(shù)學(xué)院 現(xiàn)代軌道交通應(yīng)用技術(shù)研究中心，四川 成都 610000；2.湖南省交通科學(xué)研究院有限公司，湖南 長(zhǎng)沙 410015；3.西南交通大學(xué) 陸地交通地質(zhì)災(zāi)害防治技術(shù)國(guó)家工程實(shí)驗(yàn)室，四川 成都 610000；4.湖南科技大學(xué) 巖土工程穩(wěn)定控制與健康監(jiān)測(cè)湖南省重點(diǎn)實(shí)驗(yàn)室，湖南 湘潭 411201)

1 概述

公路交通作為一種重要的交通方式，對(duì)我國(guó)的政治、經(jīng)濟(jì)、軍事發(fā)展有著重大的作用，也對(duì)人民生活水平的提高有著重要的意義。對(duì)任何一個(gè)國(guó)家而言，公路都至關(guān)重要。

近年來(lái)，隨著公路的持續(xù)使用和極端天氣的影響，公路路面會(huì)出現(xiàn)不同程度的病害，導(dǎo)致大量公路進(jìn)入維護(hù)階段[1-3]。如果對(duì)公路路面病害的處理不夠及時(shí)，不僅會(huì)減少公路的使用壽命，導(dǎo)致更嚴(yán)重的病害，還會(huì)造成巨額的后期維護(hù)費(fèi)用，甚至引發(fā)交通事故，危及出行人員的生命安全[4-6]。

因此，安全高效的公路路面病害檢測(cè)方法對(duì)及時(shí)維護(hù)公路、保持公路路面路面狀態(tài)良好有著重要意義。傳統(tǒng)的人工檢測(cè)公路路面病害方法效率低且誤差大。因此，研究者提出了許多基于圖像處理和機(jī)器學(xué)習(xí)的方法進(jìn)行公路路面病害檢測(cè)。

通過(guò)激光掃描可以獲取公路路面病害圖，并進(jìn)行公路路面病害檢測(cè)分析。BOYKO[7]等分析了不同時(shí)間點(diǎn)疊加掃描的三維離散數(shù)據(jù)，提取出了公路路面病害的特征。GUAN[8]等掃描了公路路面病害圖像，并將圖像進(jìn)行分割，根據(jù)形態(tài)學(xué)算法得到病害特征。

在早期研究中，研究者多采用傳統(tǒng)的圖像處理算法。如BO[9]等利用形態(tài)學(xué)濾波算法對(duì)公路路面病害進(jìn)行檢測(cè)，HU[10]等提出局部二值算法來(lái)檢測(cè)公路路面病害。但隨著機(jī)器學(xué)習(xí)的快速發(fā)展，精度更高、提取特征效果更好的機(jī)器學(xué)習(xí)算法被應(yīng)用于公路路面病害檢測(cè)。SHI[11]等利用一種基于結(jié)構(gòu)隨機(jī)森林的算法對(duì)公路路面病害特征進(jìn)行提取，李楠[12]應(yīng)用LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)對(duì)公路路面病害進(jìn)行檢測(cè)，張寧[13]使用Faster R-CNN進(jìn)行公路路面病害檢測(cè)，分類效果良好。

本文介紹了一種智能檢測(cè)公路路面病害的方法，能夠準(zhǔn)確并高效地對(duì)公路路面病害圖像進(jìn)行處理和分類，提取特征。該方法包括異常檢測(cè)、異常提取和公路路面病害分類3個(gè)組成部分。首先，在異常檢測(cè)階段構(gòu)建卷積自動(dòng)編碼器訓(xùn)練異常檢測(cè)器，快速在大量圖像中檢測(cè)到公路路面病害。然后，在異常提取階段通過(guò)閾值分割法提取公路路面病害特征。最后，進(jìn)行公路路面病害分類。在給圖像添加標(biāo)簽后，利用ResNet結(jié)構(gòu)訓(xùn)練模型并根據(jù)交叉驗(yàn)證選取分類器。

2 圖像數(shù)據(jù)集

本文用佳能EOS 500D、7D和77D對(duì)公路路面病害拍攝了200幅圖像，并分別以3 168×4 752、3 456×5 184和4 000×6 000像素分辨率存儲(chǔ)。在適當(dāng)情況下，需使用三腳架和穩(wěn)定器來(lái)保證圖像質(zhì)量。為了消除不同公路路面中環(huán)境變化帶來(lái)的影響，需通過(guò)各種拍攝角度、照明和攝像機(jī)距離來(lái)獲取公路路面病害圖，從而最大程度地提高分類器的適應(yīng)性。由于GPU內(nèi)存的限制，無(wú)法將完整的高分辨率圖像直接用作輸入。因此，需將圖像裁剪成較小的圖塊，并通過(guò)深度學(xué)習(xí)模型逐塊對(duì)公路路面病害進(jìn)行檢測(cè)和分類。圖1顯示了針對(duì)不同類別公路路面病害的圖塊(裁剪圖像)示例，有關(guān)訓(xùn)練和測(cè)試階段數(shù)據(jù)準(zhǔn)備的更多詳細(xì)信息，請(qǐng)參見(jiàn)下一部分。

(a) 正常公路路面

3 人工智能識(shí)別流程詳述

圖 2展示了本文采用的智能檢測(cè)流程的架構(gòu)，該流程有3個(gè)核心組成步驟，即異常檢測(cè)、異常提取和公路路面病害分類。首先執(zhí)行異常檢測(cè)來(lái)生成異常圖。根據(jù)異常圖，可以提取可疑公路路面病害，并過(guò)濾未損壞的區(qū)域。然后，將提取的圖塊分類為適當(dāng)?shù)牟『︻悇e。該流程使用Python編程語(yǔ)言編寫(xiě)，基于TensorFlow編寫(xiě)深度學(xué)習(xí)模型，并在Nvidia 2080-ti圖形處理單元上執(zhí)行。

圖2 智能檢測(cè)流程示意圖

3.1 異常檢測(cè)

作為檢查流程的第一步，異常檢測(cè)可以快速可靠地從大量圖像數(shù)據(jù)集中檢測(cè)公路路面病害。在本項(xiàng)研究中，公路路面病害屬于異常情況，而正常(未損壞)的公路路面和公路路面中發(fā)現(xiàn)的其他物體則被歸為正常。本文通過(guò)構(gòu)建卷積自動(dòng)編碼器(一種基于重構(gòu)的深度學(xué)習(xí)模型)來(lái)訓(xùn)練異常檢測(cè)器。在現(xiàn)有的研究中，這種異常檢測(cè)技術(shù)已用于其他領(lǐng)域，例如，紡織物表面的缺陷檢測(cè)，交通控制和監(jiān)視的視頻監(jiān)控，及從熱圖像中異常溫度區(qū)域的檢測(cè)。其他基于重構(gòu)的深度學(xué)習(xí)模型也可用于異常檢測(cè)。例如，變分自動(dòng)編碼器(VAEs)、生成對(duì)抗網(wǎng)絡(luò)與其擴(kuò)展已廣泛應(yīng)用于臨床成像和航空安全檢查。但是，在使用這些高級(jí)模型進(jìn)行異常檢測(cè)具有一定的局限性。訓(xùn)練深度生成模型時(shí)，模式坍塌經(jīng)常發(fā)生。此外，生成器僅能夠生成有限種類的樣本，導(dǎo)致分類器可能無(wú)法區(qū)分正常樣本和異常樣本。HENDRYCKS[14]等提出VAEs和其他深度生成模型學(xué)習(xí)的概率分布可能無(wú)法對(duì)訓(xùn)練數(shù)據(jù)的真實(shí)可能性進(jìn)行建模。因此，根據(jù)CHOW[15]等提出的內(nèi)容，本文決定應(yīng)用卷積自動(dòng)編碼器對(duì)公路路面病害進(jìn)行異常檢測(cè)。主要特征描述如下。

卷積自動(dòng)編碼器是一個(gè)編碼器-解碼器網(wǎng)絡(luò)[16]。編碼器從輸入數(shù)據(jù)中學(xué)習(xí)并提取有用的特征，然后解碼器對(duì)編碼后的特征進(jìn)行反向映射，從而重建輸入數(shù)據(jù)。編碼后得到的特征維度(也稱為瓶頸)通常比輸入維度小得多，以防止卷積自動(dòng)編碼器直接復(fù)制。利用大量的正常類圖像，對(duì)卷積自動(dòng)編碼器進(jìn)行訓(xùn)練，以使其盡可能完整地重建正常實(shí)例。由于沒(méi)有事先學(xué)習(xí)任何異常特征，這種訓(xùn)練會(huì)導(dǎo)致公路路面病害的重建效果不佳，重建誤差較高。

在編碼器中，將輸入數(shù)據(jù)輸入連續(xù)的卷積塊，并在每個(gè)下采樣步驟中將通道數(shù)量加倍，以增強(qiáng)編碼特征。在出現(xiàn)瓶頸(也稱為代碼/潛在空間，即具有50個(gè)神經(jīng)元的全連接層)之前，將特征圖展平并下采樣到具有100個(gè)神經(jīng)元的全連接層，使特征之間具有良好的一致性。解碼器是編碼器的反向操作，逐步執(zhí)行上采樣以重建輸入數(shù)據(jù)。在最后一層引入雙曲正切函數(shù)，將每個(gè)神經(jīng)元的值壓縮到-1和1之間。

對(duì)于每個(gè)像素，計(jì)算輸入和輸出(即重構(gòu)的輸入)之間的平方差，以評(píng)估重構(gòu)質(zhì)量。這種誤差稱為重建誤差e：

(1)

為了人為地創(chuàng)建不同比例的圖塊，增強(qiáng)深度模型學(xué)習(xí)的特征，本文在原始訓(xùn)練數(shù)據(jù)集(即約200張高分辨率圖像)中，應(yīng)用無(wú)重疊的滑動(dòng)窗口將圖像裁剪為不同大小的較小正方形塊(256×256、384×384、512×512和768×768像素)，然后將所有圖塊重新縮放為256×256像素。選擇正常類別的樣本作為異常檢測(cè)的訓(xùn)練數(shù)據(jù)集(剩余的公路路面病害圖塊用于分類器的監(jiān)督訓(xùn)練)。該訓(xùn)練數(shù)據(jù)集由約42 000個(gè)256×256像素的圖塊組成。訓(xùn)練數(shù)據(jù)還包括公路路面中可能發(fā)現(xiàn)的其他物體。

根據(jù)RONNEBERGER[17]等的方法，利用鏡像技術(shù)將圖塊放大到320×320像素(即卷積自動(dòng)編碼器的輸入大小)，以確保在后續(xù)測(cè)試階段中無(wú)縫生成異常圖。將每個(gè)像素的值歸一化為-1.0到1.0之間，然后為模型訓(xùn)練準(zhǔn)備圖塊。選擇均方誤差即圖塊重建誤差的平均值作為損失函數(shù)，并選擇ADAM[18]作為優(yōu)化算法以最小化重建損失。由于卷積自編碼器會(huì)盡可能完美地重建訓(xùn)練數(shù)據(jù)集(即正常類)，因此無(wú)需采用過(guò)多的正則化。一旦損失值收斂并變得穩(wěn)定，訓(xùn)練過(guò)程就完成了。根據(jù)上述設(shè)置，該訓(xùn)練過(guò)程大約花費(fèi)12 h。由于標(biāo)簽就是圖像本身，該訓(xùn)練屬于無(wú)監(jiān)督訓(xùn)練過(guò)程。因此，對(duì)于這種費(fèi)力且視覺(jué)密集的標(biāo)注任務(wù)，可以節(jié)省大量的時(shí)間和人力。

在測(cè)試階段，將滑動(dòng)窗口應(yīng)用于測(cè)試圖像，使其達(dá)到所需的尺寸，然后重新縮放為256×256像素的圖塊。將裁剪的圖塊進(jìn)行放大和標(biāo)準(zhǔn)化來(lái)生成異常圖，其中每個(gè)像素代表重建誤差。然后進(jìn)行拼接以生成整個(gè)圖像的異常圖；整個(gè)測(cè)試過(guò)程不到一分鐘即可生成高分辨率圖像(3 456×5 184像素)的異常圖。

3.2 異常提取

得到異常圖后，需要根據(jù)異常分?jǐn)?shù)來(lái)確定如何分割和提取圖塊中的公路路面病害。一方面，如果將閾值設(shè)置得太高，可能會(huì)出現(xiàn)分割不足的情況，其中提取的公路路面病害可能會(huì)分散并且不完整。另一方面，如果將閾值設(shè)置得太低，可能會(huì)導(dǎo)致過(guò)度分割，從而浪費(fèi)計(jì)算資源和時(shí)間。

由于在不同測(cè)試位置上公路路面病害的屬性大不相同，隨機(jī)選擇異常分?jǐn)?shù)作為閾值的方法是無(wú)效的。本文根據(jù)異常分?jǐn)?shù)計(jì)算得到多個(gè)閾值，以促進(jìn)可疑公路路面病害的異常提取。結(jié)合局部閾值(基于單個(gè)圖像，TL)與全局閾值(基于整個(gè)圖像數(shù)據(jù)集，TG)來(lái)提取病害圖塊，并過(guò)濾正常的公路路面圖像。以正常公路路面圖像為例，無(wú)論局部閾值取什么異常分?jǐn)?shù)，都只能提取幾個(gè)圖塊。因此需引入全局閾值，以避免不必要的信息影響后續(xù)數(shù)據(jù)分析。

根據(jù)CHOW[15]等的研究，全局閾值TG的值對(duì)于不同的訓(xùn)練數(shù)據(jù)集可能有所不同，本文根據(jù)訓(xùn)練集的異常分?jǐn)?shù)分布將TG默認(rèn)值設(shè)為0.5。首先對(duì)圖像的所有像素的異常分?jǐn)?shù)進(jìn)行排序，然后選擇與要求的百分位數(shù)相對(duì)應(yīng)的異常分?jǐn)?shù)，如下所示：

(2)

其中,APG代表百分位數(shù)PG的異常得分；ni代表圖像i的總像素；N代表圖像總數(shù)。如果APG大于默認(rèn)TG值，則更新TG值。接下來(lái)，根據(jù)所有像素的異常分?jǐn)?shù)確定TL，如下所示：

(3)

其中,PL代表用于計(jì)算TL的選定百分比；n代表圖像的總像素。然后，為了降低閾值，確保提取的圖塊數(shù)量與實(shí)際有病害的圖塊數(shù)量之間達(dá)到最佳平衡，借助降低系數(shù)α(0<α<1)將TL與TG進(jìn)行比較來(lái)確定最終閾值T。根據(jù)異常分?jǐn)?shù)確定閾值T的過(guò)程概述如下：

① 將TG的默認(rèn)值設(shè)置為0.5。

② 根據(jù)選定的百分位數(shù)PG計(jì)算APG。

③ 如果APG大于默認(rèn)值，則更新TG值。

④ 根據(jù)選定的百分位PL計(jì)算TL。

跟吳梅見(jiàn)面回來(lái)，心里莫明其妙地?zé)Ｇ『贸燥垥r(shí)，偉翔說(shuō)了句這個(gè)菜有點(diǎn)咸了，我便啪地把筷子扔在了餐桌上，我說(shuō)：“李偉翔，你把我林薇當(dāng)成老媽子了吧？”

⑤ 判斷是否有TL>αTG。如果式子成立，選擇TL作為閾值T，否則，選擇TG作為閾值T。

在確定閾值T的值之后，將圖像劃分為大小相等的正方形塊(例如256×256； 512×512像素)。如果圖塊中一個(gè)像素的任何異常分?jǐn)?shù)大于T，則提取對(duì)應(yīng)的圖塊以進(jìn)行后續(xù)公路路面病害分類。

3.3 公路路面病害分類

智能檢測(cè)流程的最后一步是公路路面病害分類。構(gòu)造分類器并對(duì)其進(jìn)行訓(xùn)練，可以將圖像分為3類，即無(wú)病害、開(kāi)裂和剝落。

3.3.1標(biāo)簽準(zhǔn)備

與之前的異常檢測(cè)類似，在標(biāo)注標(biāo)簽之前，將高分辨率圖像裁剪為不同的尺寸，即256×256、384×384、512×512、768×768像素，再重新縮放為256×256像素(即分類器輸入層的尺寸)，以便針對(duì)不同的比例創(chuàng)建公路路面病害的圖塊，并使分類器具有適用性。由于放大的圖塊不能適當(dāng)代表公路路面病害的特征，本文沒(méi)有使用小于256像素的圖像。例如，放大的圖像可能過(guò)于黑暗導(dǎo)致無(wú)法分辨物體，繼而在分類過(guò)程中引起混亂。接下來(lái)，為每個(gè)裁剪的圖塊分配一個(gè)標(biāo)簽，整數(shù)值0、1和2代表無(wú)病害、開(kāi)裂和剝落；圖2中給出了每個(gè)類別的示例?？偣矘?biāo)注了18 165個(gè)圖塊，其中無(wú)病害、開(kāi)裂和剝落的比例為4∶3∶3。僅將無(wú)病害圖塊的一部分(即約42 000個(gè)圖塊中的7 266個(gè))用作公路路面病害分類的訓(xùn)練數(shù)據(jù)集，以避免不平衡數(shù)據(jù)集對(duì)分類性能的嚴(yán)重影響。

3.3.2網(wǎng)絡(luò)架構(gòu)

在訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)時(shí)經(jīng)常會(huì)遇到衰退問(wèn)題，導(dǎo)致較大的訓(xùn)練和測(cè)試誤差。這是因?yàn)榇嬖谔荻认У膯?wèn)題，使得在反向傳播時(shí)模型不能進(jìn)行優(yōu)化。為了解決此問(wèn)題，ResNet提出了殘差學(xué)習(xí)的概念，當(dāng)某一層的損失值開(kāi)始增大時(shí)，在后面的層與層之間添加恒等映射，避免模型衰退。通過(guò)將上一層中的重要信息傳播到下一層，增強(qiáng)了網(wǎng)絡(luò)的表示能力，從而最大程度地減少信息損失并保證訓(xùn)練的準(zhǔn)確性。此外，為了避免使用過(guò)多的參數(shù)，ResNet中廣泛采用“瓶頸”結(jié)構(gòu)來(lái)呈現(xiàn)深層網(wǎng)絡(luò)。用1×1、3×3和1×1的3層卷積結(jié)構(gòu)替代常用的2個(gè)連續(xù)的3×3卷積層。在本文中，考慮到計(jì)算資源和所需的訓(xùn)練時(shí)間，采用了由50個(gè)卷積層組成的ResNet-50。

3.3.3模型訓(xùn)練

應(yīng)用5折交叉驗(yàn)證來(lái)評(píng)估和驗(yàn)證ResNet-50在分類公路路面病害方面的性能。將圖像數(shù)據(jù)集劃分為5個(gè)大小相等的子集，并且在每次訓(xùn)練中選取其中一個(gè)子集用作驗(yàn)證數(shù)據(jù)集。即驗(yàn)證集是一個(gè)子數(shù)據(jù)集(即3 633個(gè)圖塊)，而訓(xùn)練集是其余的4個(gè)子數(shù)據(jù)集(即14 532個(gè)圖塊)。然后在k個(gè)交叉驗(yàn)證中，選取性能最好(即驗(yàn)證集損失值最低)的模型來(lái)作為智能檢測(cè)的分類器。

在模型訓(xùn)練之前，為了便于數(shù)據(jù)歸一化，分別計(jì)算訓(xùn)練集和驗(yàn)證集的均值和標(biāo)準(zhǔn)差。除了應(yīng)用不同的裁剪規(guī)模外，為了進(jìn)一步提高分類器的魯棒性和適應(yīng)性，本文還進(jìn)行了實(shí)時(shí)數(shù)據(jù)擴(kuò)充，在將圖像發(fā)送到ResNet模型之前立即實(shí)施數(shù)據(jù)擴(kuò)充。為了增強(qiáng)對(duì)不變表示的學(xué)習(xí)，通過(guò)幾何運(yùn)算和譜運(yùn)算將訓(xùn)練數(shù)據(jù)集的圖像進(jìn)行隨機(jī)變換，使分類器在每個(gè)時(shí)間點(diǎn)都使用不同的不變圖像數(shù)據(jù)集進(jìn)行訓(xùn)練。比如，首先對(duì)圖像進(jìn)行水平或垂直的隨機(jī)翻轉(zhuǎn)，再隨機(jī)旋轉(zhuǎn)90°。然后，通過(guò)在適當(dāng)范圍內(nèi)隨機(jī)調(diào)整其對(duì)比度、亮度和銳度來(lái)對(duì)圖像的光譜空間進(jìn)行擾動(dòng)。最后進(jìn)行歸一化，即用均值減去變換后的圖像，然后除以標(biāo)準(zhǔn)差。

此外，本文標(biāo)簽采用的是獨(dú)熱編碼，將標(biāo)簽的數(shù)值轉(zhuǎn)換為具有3個(gè)元素的一維向量。例如，將開(kāi)裂圖像的標(biāo)簽(數(shù)值1)轉(zhuǎn)換為向量(<0，1，0>)。這表示圖像屬于開(kāi)裂類別的概率為1.0，而屬于其他2個(gè)類別的概率為0.0。這樣的變換可以將分類器的預(yù)測(cè)結(jié)果與轉(zhuǎn)換后的標(biāo)簽進(jìn)行比較，從而利用反向傳播以優(yōu)化模型參數(shù)。

損失函數(shù)采用分類交叉熵(CC)。將每個(gè)類別標(biāo)簽的損失之和作為圖像的損失值，如下所示：

(4)

其中,l=0、1和2代表無(wú)病害、開(kāi)裂和剝落的類別；yl表示類別l的獨(dú)熱編碼標(biāo)簽；p1表示分類器預(yù)測(cè)的屬于l類的概率，因此p0+p1+p2=1.0。本文采用小批量訓(xùn)練，并使用ADAM[18]作為優(yōu)化算法。為了確保結(jié)果平滑收斂，將初始學(xué)習(xí)率設(shè)置為0.001，且每10次迭代學(xué)習(xí)率會(huì)以0.9的基本因子呈指數(shù)衰減。此外，為了降低性能在迭代過(guò)程中對(duì)權(quán)重的嚴(yán)重依賴、改善通過(guò)網(wǎng)絡(luò)的梯度流、正則化分類器，在每個(gè)卷積層之后立即應(yīng)用批處理進(jìn)行歸一化[15]。在分類器中還應(yīng)用了Dropout[21](比率為0.5)和L2正則化(比率為0.000 1)來(lái)防止過(guò)擬合。

3.3.4模型驗(yàn)證和測(cè)試

每次在模型訓(xùn)練之后需進(jìn)行一次模型驗(yàn)證。與訓(xùn)練階段不同，這一階段沒(méi)有數(shù)據(jù)增強(qiáng)和模型優(yōu)化，將歸一化后的原始圖塊逐個(gè)輸入到分類器中來(lái)計(jì)算分類交叉熵和精確度。根據(jù)驗(yàn)證集損失值來(lái)決定是否終止訓(xùn)練過(guò)程，如果驗(yàn)證損失值在連續(xù)30次迭代訓(xùn)練中都沒(méi)有降低，則終止模型訓(xùn)練。選取具有最小驗(yàn)證集損失值的模型作為最佳模型。每次訓(xùn)練和驗(yàn)證過(guò)程約耗時(shí)3 min。

除了考慮異常提取中檢測(cè)到的可疑公路路面病害，測(cè)試階段與驗(yàn)證階段類似。為了得到圖像屬于無(wú)病害、開(kāi)裂或剝落的概率，將歸一化的圖塊依次發(fā)送給5折交叉驗(yàn)證得到的5個(gè)分類器。然后，概率值最大的類就是圖塊最有可能屬于的類。分類結(jié)果如圖3所示。

圖3 裂縫圖像識(shí)別結(jié)果

3.3.5分類器性能評(píng)估

一次交叉驗(yàn)證的損失值和平均精確度的變化如圖4所示。盡管訓(xùn)練階段的損失值持續(xù)減小，但為了確保不會(huì)發(fā)生嚴(yán)重的過(guò)擬合，本文選擇最小驗(yàn)證損失處的權(quán)重參數(shù)。此外，本文總結(jié)了交叉驗(yàn)證所有折的每個(gè)類的驗(yàn)證精確度。其中，開(kāi)裂和剝落的分類性能較好，分別在94.2%～96.1%和92.8%～94.5%范圍內(nèi)。然而，無(wú)病害類別的準(zhǔn)確性略低，約為90.6%～92.8%。這是由于圖像子集包括不同照相距離、照明和拍攝角度獲得的無(wú)病害圖像和不同公路路面中的物體圖像，子集較為復(fù)雜。

圖4 一次交叉驗(yàn)證的損失值和精確度變化

3.4 應(yīng)用實(shí)例分析

公路路面病害識(shí)別的最終目的是對(duì)路面病害信息進(jìn)行統(tǒng)計(jì)和匯總，為公路路面的養(yǎng)護(hù)提供充足的數(shù)據(jù)支持。因此，為了分析本文提出的基于深度學(xué)習(xí)的路面病害智能化檢測(cè)系統(tǒng)的有效性，本文對(duì)長(zhǎng)沙市內(nèi)多條城市道路主干道(云棲路羅家嘴立交橋至長(zhǎng)潭高速路段)進(jìn)行了深度學(xué)習(xí)病害檢測(cè)。為了對(duì)檢測(cè)結(jié)果進(jìn)行對(duì)比，同時(shí)對(duì)該路段進(jìn)行了人工視覺(jué)病害檢測(cè)。所識(shí)別的路面病害結(jié)果樣例見(jiàn)圖 5。

(a) 開(kāi)裂識(shí)別結(jié)果

表1與表2所示為路面開(kāi)裂和剝落的檢測(cè)結(jié)果，其中人工檢測(cè)對(duì)開(kāi)裂和剝落同時(shí)進(jìn)行，因此根據(jù)開(kāi)裂和剝落的比例計(jì)算分別的耗時(shí)；智能檢測(cè)耗時(shí)包括采集的數(shù)據(jù)進(jìn)行處理、模型訓(xùn)練和測(cè)試的全過(guò)程。對(duì)比結(jié)果中人工檢測(cè)和智能檢測(cè)結(jié)果可得：

a.人工檢測(cè)和智能檢測(cè)結(jié)果基本一致，各項(xiàng)檢測(cè)指標(biāo)準(zhǔn)確率誤差不超過(guò)10%，滿足我國(guó)工程檢測(cè)的需求。相比于人工檢測(cè)，智能檢測(cè)耗時(shí)更短，且不會(huì)影響正常公路交通。

(b) 剝落識(shí)別結(jié)果

b.與人工檢測(cè)結(jié)果相比，智能檢測(cè)結(jié)果相對(duì)粗糙，但準(zhǔn)確率仍高于90%。造成誤差的原因主要包括：① 沿途拍照獲取數(shù)據(jù)集不夠全面；② 部分病害特征提取不完整，尤其是部分病害圖像。

表1 開(kāi)裂病害統(tǒng)計(jì)結(jié)果Table 1 Statistical results of cracking類別準(zhǔn)確率/%耗時(shí)/h人工檢測(cè)9949智能檢測(cè)92.416

表2 剝落病害統(tǒng)計(jì)結(jié)果Table 2 Statistical results of spalling類別準(zhǔn)確率/%耗時(shí)/h人工檢測(cè)9932智能檢測(cè)90.714

4 結(jié)論

本文提出了一種基于深度學(xué)習(xí)的公路路面病害智能化檢測(cè)系統(tǒng)。首先，拍攝了200張公路路面病害圖并通過(guò)裁剪將圖像轉(zhuǎn)化成256×256像素的圖塊，以此為訓(xùn)練集。整個(gè)公路路面病害檢測(cè)系統(tǒng)包括3個(gè)階段：異常檢測(cè)、異常提取和公路路面病害分類。在異常檢測(cè)階段，構(gòu)建卷積編碼器從大量公路路面圖像中提取出病害圖。然后，在異常提取階段，利用閾值分割法提取公路路面病害特征。最后，在公路路面病害分類階段，利用ResNet結(jié)構(gòu)訓(xùn)練模型來(lái)確定公路路面病害所屬的分類。結(jié)果表明，該方法一次模型訓(xùn)練約3 min，且分類準(zhǔn)確率在90%以上。對(duì)公路路面的實(shí)例研究表明，本文提出的智能化檢測(cè)方法可以大量節(jié)約人力，并提高檢測(cè)效率。