智能巡查設(shè)備在公路日常巡查中的應(yīng)用探討

摘要 人工智能技術(shù)作為數(shù)字化轉(zhuǎn)型的強力工具，已逐漸成為公路養(yǎng)護數(shù)字化轉(zhuǎn)型中最重要的技術(shù)之一。在高速公路智能巡查方面，多數(shù)以巡查車輛、無人機等載具為載體，搭配高清攝像頭、傳感器，輔以人工智能算法和可視化平臺，實現(xiàn)對高速公路病害數(shù)據(jù)資產(chǎn)的數(shù)字化管理。但在實際應(yīng)用過程中，智能巡查在諸多技術(shù)和管理方面仍存在較多亟待解決的問題，文章基于人工智能技術(shù)在公路養(yǎng)護病害巡查中的實際應(yīng)用，對智能巡查在公路養(yǎng)護應(yīng)用過程中需要解決的問題進行了剖析，并提出了相應(yīng)建議。

關(guān)鍵詞 公路養(yǎng)護；智能巡查；智慧養(yǎng)護管理；對策與建議

中圖分類號 U418 文獻標識碼 A 文章編號 2096-8949（2024）24-0011-03

0 引言

截至2023年底，我國公路總里程達544.1萬公里，其中高速公路18.4萬公里，交通網(wǎng)的不斷完善和日益增加的通行量對高速公路日常巡查提出較大挑戰(zhàn)。高速公路日常巡查主要針對公路路面、橋涵、隧道、交通工程及沿線設(shè)施的表觀和日常使用狀態(tài)，以及影響通行安全的病害、損毀及其他異常情況，為公路日常養(yǎng)護提供主要依據(jù)[1]。傳統(tǒng)人工巡查高速公路存在如下問題：（1）為保障通行安全，路面日常巡查對巡查車輛車速要求較高，特別是車流量較大路段，頻繁的上下車導(dǎo)致安全風(fēng)險高。（2）受車速和通行影響，巡查的識別率和準確率均較低，無法滿足科學(xué)養(yǎng)護決策分析所需的數(shù)據(jù)量和數(shù)據(jù)精度。（3）針對高速公路的橋梁、邊坡，人工日常巡查方式費時費力且存在較多視覺盲區(qū)，導(dǎo)致巡查質(zhì)量差、效率和識別率低，且存在高空作業(yè)安全隱患。（4）人工紙質(zhì)記錄、二次數(shù)據(jù)上傳和研判，可能導(dǎo)致數(shù)據(jù)處理不及時、數(shù)據(jù)丟失、數(shù)據(jù)歸集困難等。（5）缺乏統(tǒng)一的基礎(chǔ)設(shè)施和病害數(shù)據(jù)管理平臺，難以對日常養(yǎng)護提供數(shù)據(jù)支撐。以上問題均表明傳統(tǒng)人工巡查模式很難適用于高速公路的日常巡查工作。

人工智能概念自1943年提出，發(fā)展至今已經(jīng)歷了專家系統(tǒng)時代、機器學(xué)習(xí)時代及深度學(xué)習(xí)革命階段。特別是自2010年后深度學(xué)習(xí)技術(shù)的突破，使得人工智能能夠借助大型神經(jīng)網(wǎng)絡(luò)和海量數(shù)據(jù)在圖像識別、語音識別、自然語言處理等領(lǐng)域取得了重大突破。基于此，多數(shù)學(xué)者基于人工智能實現(xiàn)了公路基礎(chǔ)設(shè)施資產(chǎn)、病害數(shù)據(jù)等的統(tǒng)計和識別分析，且已在較多高速公路得到應(yīng)用。該文將基于智能巡查設(shè)備在高速公路路面、橋梁和邊坡中的實際應(yīng)用，對其在實際應(yīng)用過程中存在的諸多問題進行剖析，為高速公路運營企業(yè)普及智能化巡查設(shè)備與智能養(yǎng)護平臺建設(shè)提供對策與建議。

1 高速公路智能巡查系統(tǒng)研究及應(yīng)用現(xiàn)狀

智能巡查系統(tǒng)是由軟硬件結(jié)合的綜合型設(shè)備，其中硬件設(shè)備包含載具、云臺相機、GNSS天線、智能終端及附屬功能型傳感器等[2]，軟件部分主要由“人工智能算法+智能管控平臺”組成。人工智能算法作為智能巡查設(shè)備的核心軟件組成，主要通過人工智能技術(shù)完成二維病害圖像的分析與處理，其需要大量的訓(xùn)練集對算法進行不斷的調(diào)參、優(yōu)化，進而提高其準確度?；谌斯ぶ悄苄枰髷?shù)據(jù)進行訓(xùn)練與優(yōu)化的這一特性，可按病害信息采集難易程度將其劃分為以下三種類型：

第一類為沿高速公路行駛可通視觀察的病害。病害類型主要包含路面?zhèn)鹘y(tǒng)病害，如裂縫、坑槽、龜裂、車轍、擁包、沉降等，交安設(shè)施的損壞、缺失、遮擋等，綠化植被傾倒、缺失等。因路面、交安設(shè)施均處于路面標高以上且無雜物遮擋，此類病害數(shù)據(jù)收集較為簡單，病害的易搜集特性為人工智能算法的開發(fā)和優(yōu)化提供了強有力的數(shù)據(jù)保障。因此，此類病害識別的準確率和精確度均能達到較高水準，其日常巡查方式已從傳統(tǒng)人工巡查與填報，發(fā)展到智能手機巡查系統(tǒng)，再至基于人工智能技術(shù)的智能巡查設(shè)備[3]。也有學(xué)者采用無人機用于道路病害的智能識別，但其存在續(xù)航短、病害識別率低、對攝像設(shè)備要求高等問題，難以達到此類病害連續(xù)不間斷的巡查要求，適用效果較差[4]。現(xiàn)今大多巡檢設(shè)備都是以巡查車輛作為載具，開發(fā)輕量化車載路面巡查系統(tǒng)，技術(shù)較為成熟，已成為此類病害巡查設(shè)備的代表，并已在多條高速公路得到應(yīng)用與實踐[5-7]。

第二類是在高速公路路面設(shè)計標高以上或以下部分，無法從路面進行通視觀察的病害。此類病害多出現(xiàn)在橋梁、邊坡，特別是橋梁下部結(jié)構(gòu)、邊坡排水系統(tǒng)。隨著民用無人機產(chǎn)業(yè)發(fā)展逐漸成熟，依托其靈活性高、成本相對較低、測量精度高及不受地形限制等優(yōu)勢，已在高速公路邊坡、橋梁的日常巡查和安全評估中得到大量應(yīng)用，成為此類巡查設(shè)備的代表[8-9]，特別是在鋼結(jié)構(gòu)的銹蝕、混凝土結(jié)構(gòu)的裂縫與蜂窩麻面、邊坡滑坡、邊坡坍塌、邊坡截排水系統(tǒng)堵塞、地基沖刷等病害的巡查上表現(xiàn)尤為突出。近期，也有學(xué)者針對無人機路線規(guī)劃與人工智能算法搭配后臺管控系統(tǒng)，使其能夠執(zhí)行病害的智能識別、分類與統(tǒng)計分析[10-11]。然而，雖有強大的人工智能算法提供技術(shù)保障，但橋梁、邊坡病害信息復(fù)雜，人員難以抵達，病害搜集較為困難，導(dǎo)致算法的病害識別率和準確率均無法滿足現(xiàn)有高速公路日常巡查和科學(xué)養(yǎng)護決策的數(shù)據(jù)需求。目前無人機在高速公路巡查中的應(yīng)用，多數(shù)僅停留在代替人工巡查階段，在智能識別領(lǐng)域應(yīng)用程度不足。

第三類是無法通過表觀采集的深層次隱藏病害。這類病害通常潛藏于路面基層、路基深處或隧道的拱墻結(jié)構(gòu)內(nèi)部，如基層脫空、路基下陷、拱墻內(nèi)部空洞等，它們不易察覺，卻對公路結(jié)構(gòu)的穩(wěn)定性和安全性構(gòu)成嚴重威脅。與第一類、第二類顯性病害不同，深層次病害的檢測與評估要求更為精密的技術(shù)手段和深入的分析能力。此類深層次病害需基于探地雷達（Ground Penetrating Radar， GPR）或其他無損檢測設(shè)備，以捕捉到空洞、水分積聚、材料分層等引起的電磁波反射差異，從而得到原始數(shù)據(jù)。然而，GPR原始數(shù)據(jù)復(fù)雜且富含噪聲，直接解讀困難，需要經(jīng)過專業(yè)的信號處理與分析才能準確識別病害特征。此時，人工智能可通過機器學(xué)習(xí)和深度學(xué)習(xí)算法，通過標記樣本數(shù)據(jù)的不斷訓(xùn)練和優(yōu)化，對GPR采集的大量數(shù)據(jù)進行高效處理，識別出具有病害特征的特定信號模式，能夠從雜亂的回波信號中提取出有用信息，實現(xiàn)對深層次病害的精確定位和分類。這一過程不僅提高了病害檢測的準確性和效率，還減少了人工分析的主觀性和誤差。

綜上所述，針對第一類病害，現(xiàn)階段主要智能巡檢設(shè)備為車載輕量化智能巡查系統(tǒng)，由巡檢車輛、云臺相機、GNSS天線、智能巡檢終端和可視化平臺等組成。第二類病害類型，主要以無人機為代表的智能巡檢系統(tǒng)，其是由無人機自帶定位系統(tǒng)、相機作為硬件，輔以開發(fā)人工智能算法、可視化管理平臺，實現(xiàn)邊坡、橋梁等位置的病害智能識別與管理。第三類則是通過機器學(xué)習(xí)和人工智能算法，對GPR等無損檢測設(shè)備得到的原始數(shù)據(jù)進行分析處理，結(jié)合無損檢測過程中得到的樁號信息，實現(xiàn)病害類型判別和精確定位。由于第三類病害的檢測通常應(yīng)用于公路定期檢查或?qū)ｍ棛z查過程，主要用于指導(dǎo)公路修復(fù)養(yǎng)護和專項養(yǎng)護工程，對日常養(yǎng)護決策的指導(dǎo)意義較小。因此，該文主要針對前兩類智能巡查系統(tǒng)進行討論。

2 智能巡查設(shè)備問題分析及對策建議

2.1 車載智能巡查設(shè)備

針對現(xiàn)階段智能巡查系統(tǒng)的實際應(yīng)用，經(jīng)過調(diào)查和分析，發(fā)現(xiàn)路面、交安類智能巡查設(shè)備存在的問題如下：

（1）平臺對接不完善?，F(xiàn)階段科技公司開發(fā)相關(guān)巡查設(shè)備往往與自身管理系統(tǒng)緊密捆綁，導(dǎo)致第三方運營或養(yǎng)護公司在嘗試將此類設(shè)備集成到自身智慧運營管理系統(tǒng)時，遇到病害數(shù)據(jù)無法對接的難題。特別是在通車時間長、路況復(fù)雜的高速公路，病害種類繁多、信息量龐大，即使通過API接口實現(xiàn)數(shù)據(jù)交換，也會導(dǎo)致海量病害篩選任務(wù)艱巨，使得養(yǎng)護單位難以在限時間內(nèi)完成必要的病害維修工作，影響通行安全。

（2）管理模式的多樣性導(dǎo)致病害信息數(shù)據(jù)處理的復(fù)雜化。不同高速公路管理模式差異，直接反映在病害記錄的標準與細節(jié)上，這種不一致性不僅造成數(shù)據(jù)的無效或缺失，還會加大跨路段、跨平臺數(shù)據(jù)整合的難度。例如：因跨平臺病害字段信息不同，可能導(dǎo)致任務(wù)單下發(fā)、交竣工驗收的病害數(shù)據(jù)信息缺失。特別是基于機器視覺的二維圖像識別技術(shù)，雖能快速捕捉病害圖像，卻往往因為缺乏深度信息而難以精確測量病害的三維尺寸，進而影響工程量估算的準確性，可能導(dǎo)致資源配置不當，增加養(yǎng)護成本。

（3）病害定位信息的準確性受巡查車速影響較大?，F(xiàn)有的輕量化車載巡查設(shè)備，其定位病害樁號的位置信息可分為差分法定位和衛(wèi)星定位，前者是通過采集公里牌、百米牌位置信息后通過差分法計算出病害的位置信息，后者則是通過北斗或GPS定位確定病害位置信息。無論哪種模式都難以擺脫車輛行駛速度對定位精度的影響，車輛行駛過快時，定位信息的誤差會顯著增大，導(dǎo)致病害樁號的位置偏差較大，對養(yǎng)護人員在實地復(fù)查時造成較大困難，降低了修復(fù)效率。

（4）人工智能在病害識別的誤判或不準確問題。盡管AI技術(shù)在不斷進步，但其基本原理都是通過大量數(shù)據(jù)的不斷訓(xùn)練達到智能識別目的。在二維圖像層面上，面對復(fù)雜多變的路面狀況，仍難以避免將類似特征但不同的病害類型進行混淆，如將微表處脫落誤認為坑槽、忽略長縱裂縫等。這些問題要求AI模型需要持續(xù)優(yōu)化，結(jié)合更多維度的數(shù)據(jù)輸入，以及引入人工審核機制，進而提高識別的準確率。

2.2 無人機智能巡查設(shè)備

無人機技術(shù)因其靈活性高、成本相對較低及視角獨特等優(yōu)勢，廣泛應(yīng)用于橋梁、邊坡等關(guān)鍵基礎(chǔ)設(shè)施的日常巡查與安全評估，但其在實際應(yīng)用過程中面臨多重挑戰(zhàn)，在執(zhí)行相關(guān)任務(wù)時遇到的主要難題和對策如下：

（1）衛(wèi)星導(dǎo)航信號易丟失。以北斗或GPS為代表的全球?qū)Ш叫l(wèi)星系統(tǒng)，在山區(qū)或橋梁下方等復(fù)雜地形中，信號容易受到遮擋，導(dǎo)致定位精度大幅下降乃至完全失去信號。這對于依賴精確導(dǎo)航進行定點巡查與數(shù)據(jù)采集的無人機而言，無疑增加了任務(wù)的難度和風(fēng)險。因此，研究與應(yīng)用增強型導(dǎo)航技術(shù)，如差分GPS和多系統(tǒng)融合的定位技術(shù)，成為提升無人機在信號差環(huán)境下可靠性的

關(guān)鍵[12]。

（2）邊坡環(huán)境復(fù)雜。這不僅體現(xiàn)在地形地貌上，還涉及周邊的人造設(shè)施。特別是邊坡局部供電線路的密集分布，對無人機的安全飛行構(gòu)成嚴重威脅，無人機與高壓電線間的最小安全距離難以保證，微小的操作失誤都可能導(dǎo)致嚴重的安全事故[13]。因此，優(yōu)化飛行路徑規(guī)劃，采用避障傳感器與智能算法預(yù)測并規(guī)避潛在危險，是提高無人機在復(fù)雜環(huán)境下作業(yè)安全性的必要措施。

（3）無線電干擾信號較多。隨著通信基礎(chǔ)設(shè)施的迅速擴張，大量通信基站的建設(shè)導(dǎo)致無人機操控所依賴的無線電信號經(jīng)常遭遇干擾，從而限制遙控距離，甚至導(dǎo)致無人機飛行過程的失衡與撞機。開發(fā)抗干擾通信技術(shù)和采用專有頻段是減少此類風(fēng)險的有效途徑。

（4）飛行空間束縛。無人機防碰撞系統(tǒng)多數(shù)需保障與障礙物的水平距離在3～6 m，狹窄的橋下空間與密集排列的橋墩、護坡，限制了無人機的自由移動范圍，尤其是在對支座、箱梁底部等關(guān)鍵部位執(zhí)行細致觀測時。這就要求無人機配備更為先進的感知與避障系統(tǒng)，能在有限的空間內(nèi)靈活機動，同時探索利用超聲波、激光雷達（LiDAR）、定點巡航等技術(shù)增強無人機在低光照和復(fù)雜環(huán)境中的飛行能力。

（5）續(xù)航時長受限。橋梁、邊坡巡查多采用旋翼無人機，其續(xù)航一般為20～45 min，頻繁更換電池不僅增加操作成本、降低工作效率，還可能因操作失誤增加安全隱患。建立固定式或移動式飛行平臺可有效提升無人機作業(yè)效率和連續(xù)工作能力，但其建設(shè)成本往往較高。

（6）法律法規(guī)和空域管理導(dǎo)致無人機在高速公路中的日常巡查實施難以開展。根據(jù)國務(wù)院、中央軍委《無人駕駛航空器飛行管理暫行條例》相關(guān)要求，高速公路屬于無人機空域飛行管控區(qū)，需上報當?shù)乜罩薪煌ü芾頇C構(gòu)報批后方可飛行，在公路沿線的軍事管控區(qū)飛行受限更為嚴格，從而影響緊急巡查的開展與降低管養(yǎng)單位的快速響應(yīng)能力[14]。

此外，市場上的智能巡查設(shè)備供應(yīng)商多且雜，智能巡查設(shè)備的病害數(shù)據(jù)信息缺乏統(tǒng)一的病害綜合分析處理，不利于高速公路的科學(xué)養(yǎng)護決策和養(yǎng)護單位集約化施工工作的開展。探索建立統(tǒng)一的數(shù)據(jù)交換標準與病害評估體系、預(yù)留平臺對接接口，達到跨平臺的數(shù)據(jù)共享與協(xié)同分析，為高速公路養(yǎng)護單位提供全面、準確、及時的病害信息，實現(xiàn)養(yǎng)護工作的高效管理，進而提升養(yǎng)護質(zhì)量與經(jīng)濟效益。

3 結(jié)語

該文基于公路智能巡檢設(shè)備研究及應(yīng)用現(xiàn)狀，將智能巡查設(shè)備按照病害數(shù)據(jù)采集的難易程度，將其按照公路基礎(chǔ)設(shè)施進行劃分，并將其在實際應(yīng)用過程中亟待解決的問題進行了總結(jié)、分析，為智能巡查設(shè)備制造廠家和公路運營管理單位提供了問題解決方向。

參考文獻

[1]公路養(yǎng)護技術(shù)標準： JTG 5110—2023[S].北京，人民交通出版社， 2023.

[2]羅夢琪，崔培強，郭建，等.人工智能技術(shù)在高速公路運營期的場景應(yīng)用探討[J].交通節(jié)能與環(huán)保， 2024（2）：172-177.

[3]薛鵬濤，馮志慧，許金良，等.基于智能手機的干線公路養(yǎng)護巡查系統(tǒng)[J].河南農(nóng)業(yè)大學(xué)學(xué)報， 2012（4）：434-437.

[4]孫成輝，王立軍，林海成，等.無人機在公路養(yǎng)護中的應(yīng)用研究[J].運輸經(jīng)理世界， 2023（33）：131-133.

[5]常光照.車載輕量化道路智能巡檢系統(tǒng)探析[J].中國安防， 2020（9）：100-104.

[6]王剛，于麗麗.基于多目視覺的農(nóng)村公路視頻巡查技術(shù)研究[J].運輸經(jīng)理世界， 2020（12）：89-90.

[7]朱曉峰.車載式高速公路路面異物智能檢測系統(tǒng)研

究[D].福州：福建農(nóng)林大學(xué)， 2023.

[8]黃海峰.無人機在公路養(yǎng)護巡查中的應(yīng)用前景展

望[C].2014全國公路養(yǎng)護技術(shù)學(xué)術(shù)年會論文集路面卷.中國公路學(xué)會養(yǎng)護與管理分會.2015：254-256.

[9]谷雷.無人機在高速公路邊坡日常養(yǎng)護巡查中的運

用[J].交通世界， 2020（12）：14-15+41.

[10]蘭建雄，潘勇.基于無人機的高速養(yǎng)護智能巡檢系統(tǒng)設(shè)計[J].中國公路，2023（8）：50-53.

[11]靳朝，林富生，宋志峰，等.基于A星算法的無人機高速公路巡檢應(yīng)用研究[J].江蘇科技信息， 2022（6）：32-35.

[12]朱鋒.GNSS/SINS/視覺多傳感器融合的精密定位定姿方法與關(guān)鍵技術(shù)[D].武漢：武漢大學(xué)， 2020.

[13]高昆，謝亮，呂夢.高速公路邊坡無人機巡查問題分析與探討[J].科技視界， 2018（14）：122-123.

[14]中華人民共和國國務(wù)院，中華人民共和國中央軍事委員會.無人駕駛航空器飛行管理暫行條例[J].中華人民共和國公安部公報， 2023（4）：44-54.