人工智能在路面病害研究中的應(yīng)用文獻(xiàn)綜述

羅延生

摘 要：傳統(tǒng)的檢測路面病害的方法有著檢測速度慢，耗時(shí)高等缺點(diǎn)，隨著近代技術(shù)的發(fā)展，人工智能（BP算法、遺傳算法、神經(jīng)網(wǎng)路、圖像增強(qiáng)技術(shù)等）運(yùn)用到了路面檢測。使得檢測耗時(shí)更短、效率更高。

關(guān)鍵詞：道路工程;路面病害;人工智能

中圖分類號：U418.6 文獻(xiàn)標(biāo)識碼：A

0 引言

隨著中國高等級公路建設(shè)的快速發(fā)展，對路面的質(zhì)量監(jiān)控體系越來越完善，要求的檢測水平也越來越高，對行駛的安全性要求也越來越高。由于車輛在高等級公路上行駛時(shí)對路面的平整度、路面完好率要求很高，當(dāng)路面出現(xiàn)凹凸、裂縫等病害時(shí)應(yīng)及時(shí)進(jìn)行維修。因此，如何高效的獲取路面病害數(shù)據(jù)、抗滑數(shù)據(jù)，已成為發(fā)展交通事業(yè)亟待解決的問題。隨著科學(xué)技術(shù)的發(fā)展，一些高效的算法被運(yùn)用到路面工程上來，比如遺傳算法、神經(jīng)網(wǎng)絡(luò)、BP算法等。

1 BP算法在路面裂縫上的運(yùn)用

1.1 BP算法在路面裂縫的檢測

樊海瑋[1]等人對傳統(tǒng)BP算法進(jìn)行了改進(jìn)，并將其運(yùn)用到了路面裂縫的檢測中去。新的BP算法采用分組批處理的訓(xùn)練方式，而不是每輸入一個(gè)樣本就調(diào)整一次學(xué)習(xí)率。

對于各分組中Pi（1≤i≤n）個(gè)訓(xùn)練樣本，神經(jīng)網(wǎng)絡(luò)實(shí)際輸出值（）與理想輸出值（）間的全局均方誤差函數(shù)E可表示為：

同時(shí)，在BP改進(jìn)算法中，選擇傾斜度參數(shù)α的雙曲正切S形函數(shù)作為隱含層的傳遞函數(shù)：

改進(jìn)BP算法采用了一種分層動態(tài)調(diào)整不同學(xué)習(xí)率的新方法，即分開調(diào)整輸出層的學(xué)習(xí)率和隱含層的學(xué)習(xí)率，從而替代了傳統(tǒng)算法中固定不變的學(xué)習(xí)率，并且還對對于、進(jìn)行修正;對隱含層各神經(jīng)元的連接權(quán)值ωij和閾值進(jìn)行修正。

1.2 在路面裂縫檢測的運(yùn)用

對于樣本圖像中任意感興趣的區(qū)域（一般都是有裂縫的部分），用任意矩形框?qū)⒃搮^(qū)域框起來后，只需要對該矩形框區(qū)域內(nèi)的所有像素點(diǎn)從右到左、從下到上進(jìn)行掃描，就可計(jì)算出各像素點(diǎn)的灰度值，并提取該矩形框區(qū)域內(nèi)圖像的NMI特征、低階不變矩（IM1、IM2、IM3、IM4）特征、矩形框區(qū)域所有像素點(diǎn)的灰度平均值（Avg）和灰度方差值（Var）共7個(gè)特征量作為裂縫圖像的特征矢量。通過BP網(wǎng)絡(luò)訓(xùn)練后，系統(tǒng)能在很短時(shí)間內(nèi)檢測出該矩形框區(qū)域內(nèi)是否存在缺輸出層各神經(jīng)元的連接權(quán)值和閾值進(jìn)行修正。若接近缺陷的程度越趨向于0，則表明路面缺陷程度越重;若接近缺陷的程度越趨向于1，則表明路面缺陷程度越輕。

2 圖像處理系統(tǒng)對路面裂縫的研究應(yīng)用

2.1 數(shù)字圖像處理原理

數(shù)字圖像處理技術(shù)的原理是基于CCD攝像機(jī)將光學(xué)信號轉(zhuǎn)化為電信號，由于計(jì)算機(jī)視頻、計(jì)算機(jī)圖像技術(shù)的發(fā)展，通過視頻采集卡和圖像采集卡即可將CCD攝像機(jī)的視頻信號采集到計(jì)算機(jī)的內(nèi)存中，實(shí)時(shí)或離線進(jìn)行數(shù)據(jù)處理。

數(shù)字圖像處理的過程一般是把獲取的每一幀圖像轉(zhuǎn)化為二維的數(shù)字矩陣，將圖像的變換處理轉(zhuǎn)化為矩陣的運(yùn)算。數(shù)字圖像處理概括地說主要包括以下幾項(xiàng)內(nèi)容：幾何處理、算術(shù)處理、圖像增強(qiáng)、圖像復(fù)原、圖像重建、圖像編碼、圖像識別及圖像理解等。圖像獲取后，經(jīng)過相關(guān)的變換處理后，分析提取有效的數(shù)據(jù)或相關(guān)信息，對原始圖像實(shí)現(xiàn)目標(biāo)特征識別和評價(jià)。

2.2 基于數(shù)字圖像處理技術(shù)的路面裂縫識別技術(shù)

孫朝云、張娟等[2-4]人將數(shù)字圖像處理技術(shù)運(yùn)用到路面裂縫的檢測中去，張爭奇[5]則運(yùn)用到了路面的離析中，其中孫朝云的DSP技術(shù)設(shè)計(jì)出了融合PSO與局部鄰域搜索的新算法，有效的平衡了全局搜索和局部搜索。完成了對裂縫的面積、周長、類型、長度、平均寬度、裂縫的百分比等主要參數(shù)的提取。

DSP技術(shù)采用的是TMS320C6416快速圖像處理系統(tǒng)，為了滿足采集信息時(shí)的光源充足，選擇了德國BASLER公司的L402K線掃描CCD攝像機(jī)，MeteorⅡ-Camera Link圖像采集卡，尼康攝像機(jī)鏡頭等專用設(shè)備，開發(fā)了輔助線性LED前向光源照明系統(tǒng)和攝像機(jī)固定支架。

DSP圖像數(shù)據(jù)處理，首先對路面圖像進(jìn)行預(yù)處理增強(qiáng)（灰度化，灰度處理，濾波），圖像分析提取需要的參數(shù)，進(jìn)而圖像數(shù)據(jù)的理解。由于天氣、噪聲、光線強(qiáng)度等會對圖像處理帶來很大的難度（特別是閾值的選取）。所以采取了一種新的閾值的選取方法，具體如下：

while （1）{//計(jì)算迭代閥值 hist[i]直方圖數(shù)組

for （i = 0; i < t1 + 1; i++）{

sum0 += hist[i]* i;

num0 += hist[i]; }

for （i = t1 + 1; i < 256; i++）{

sum1 += hist[i]* i;

num1 += hist[i];}

t1 = （sum0 /num0 + sum1 / num1） / 2;

// 看迭代結(jié)果是否已收斂

if （t0 == t1） break;

else t0 = t1;}...

3 基于神經(jīng)網(wǎng)絡(luò)的圖像處理技術(shù)對路面裂縫的提取

宋蓓蓓[6]等人利用脈沖神經(jīng)網(wǎng)絡(luò)系統(tǒng)，考慮裂縫比路面背景更暗的特點(diǎn)，采用結(jié)合賦時(shí)矩陣的脈沖耦合神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了路面圖像分割和裂縫的粗提取;利用裂縫比雜質(zhì)面積大的特點(diǎn)，提出一種基于數(shù)字形態(tài)學(xué)的連通區(qū)域提取算法，通過計(jì)算每個(gè)區(qū)域包含的像素?cái)?shù)量，采用閾值方法剔除雜質(zhì)，實(shí)現(xiàn)了裂縫的精提取，顯著提高了路面裂縫檢測的準(zhǔn)確性;徐婷[7]等人改進(jìn)的神經(jīng)網(wǎng)絡(luò)方法應(yīng)用到道路路面缺陷檢測中，設(shè)計(jì)了一種檢測圖像內(nèi)任意區(qū)域?qū)崟r(shí)檢測算法。可以適應(yīng)路面龜裂、橫裂、縱裂、塊裂等多種缺陷以及缺陷并存的復(fù)雜道路樣本圖像，采用多個(gè)面陣CCD攝像頭同步采集運(yùn)動狀態(tài)下的路面圖像，提取破損圖像的各類特征量，結(jié)合人工神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)對路面病害的智能化檢測與分類;柯文豪[8]等人采用廣義回歸神經(jīng)網(wǎng)絡(luò)（general regression neural network，GRNN）建立瀝青路面裂縫預(yù)測模型，對瀝青路面裂縫的不同影響因素進(jìn)行分析。

4 結(jié)論

隨著我國道路的發(fā)展，對于高智能化、道路檢測正由人工化向自動化、有損檢測向無損檢測發(fā)展，可實(shí)現(xiàn)更快捷的道路質(zhì)量評估，提供更加合理和經(jīng)濟(jì)的道路養(yǎng)護(hù)方法。國內(nèi)外許多研究人員對道路檢測技術(shù)開展了深入的研究，例如BP算法、神經(jīng)網(wǎng)絡(luò)、圖像處理技術(shù)等開始廣泛運(yùn)用到路面破損狀態(tài)的檢測中來，這些技術(shù)讓檢測的效率更高，耗時(shí)更短、更加安全。

參考文獻(xiàn)：

[1]樊海瑋，張國翊，丁愛玲，等.BP改進(jìn)算法及其在路面裂縫檢測中的應(yīng)用[J].長安大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，30（01）：46-53.

[2]孫朝云，溫世文，段宗濤.基于DSP的瀝青路面裂縫圖像處理系統(tǒng)研究[J].計(jì)算機(jī)工程與設(shè)計(jì)，2010，31（07）：1481-1483+1557.

[3]張娟，沙愛民，孫朝云，等.路面裂縫自動識別的圖像增強(qiáng)技術(shù)[J].中外公路，2009，29（04）：301-305.

[4]張娟，沙愛民，高懷鋼，等.基于數(shù)字圖像處理的路面裂縫自動識別與評價(jià)系統(tǒng)[J].長安大學(xué)學(xué)報(bào)（自然科學(xué)版），2004（02）：18-22.

[5]張爭奇，徐耀輝，胡紅松，等.瀝青路面離析的數(shù)字圖像評價(jià)方法[J].湖南大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，43（09）：129-135.

[6]宋蓓蓓，韋娜.基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的路面裂縫提取[J].長安大學(xué)學(xué)報(bào)（自然科學(xué)版），2011，31（05）：33-37.

[7]徐婷，祝站東.基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的機(jī)器視覺的路面破損檢測系統(tǒng)研究[J].公路，2012（09）：210-214.

[8]柯文豪，陳華鑫，雷宇，等.基于GRNN神經(jīng)網(wǎng)絡(luò)的瀝青路面裂縫預(yù)測方法[J].深圳大學(xué)學(xué)報(bào)（理工版），2017，34（04）：378-384.