基于三維激光的路面裂縫智能識別準確性研究

孔海望， 吳迪， 孫楊勇， 張傲南

(1.廣東省建筑科學研究院集團股份有限公司， 廣東 廣州 510500；2.廣東建科交通工程質量檢測中心有限公司，廣東 廣州 510500)

裂縫是評價路面質量的重要指標之一，是多數路面病害的早期表現形式，直接影響道路使用壽命和行車安全，及時掌握路面裂縫發展情況并進行科學管養，能有效避免裂縫進一步發展。目前多數路面裂縫檢測采用二維路面檢測系統，通過快速連續掃描獲取二維灰度圖像進行路面破損數據采集，掃描精度接近1 mm。二維圖像分析技術不僅能實現快速檢測，無需封閉交通，而且拍攝的照片能直觀反映路面的平面特征，是裂縫、坑槽等病害的有效調查手段。但該系統采用帶狀照明燈作為激發光源，較易受路面油污、標線或輪胎痕跡、陰影、光照不均等因素干擾，也無法獲取變形類病害的形變信息。目前基于二維灰度圖像的智能識別技術還不能對現場隨機采集的數據進行有效處理，大多仍釆用現場釆集、人工識別方式，效率低下?；谌S激光的路面裂縫智能識別技術利用三角位移和激光測距原理，可全斷面掃描路面各點的高程信息，利用特定算法和深度學習原理從掃描到的路面紋理中智能識別路面病害。理論上，通過二維圖像和三維數據相結合，可識別包括沉陷、擁包和坑槽等變形病害在內的所有病害。

1 三維智能路面檢測系統

采用廣東省建筑科學研究院引進美國WayLink公司技術并結合國內實際需求研發的三維智能路面檢測系統識別路面裂縫。該系統包括道路表面成像系統、道路路權成像系統、路面平整度檢測系統和車轍深度檢測系統，硬件包括GPS接收機、距離測量儀、電源、加速度計和慣性測量單元。配置有高能量線激光成像系統和特制濾光片，具有三維數據收集與拼接及病害自動化識別分析功能，可在最高100 km/h速度下采集縱橫向精度為1 mm、垂直向精度為0.5 mm的路面三維點云數據。橫向4 m范圍內平均分布4 000個像素點，主要用于路面破損、車轍、平整度、構造深度、路面磨耗、路面跳車等檢測。

為了提高裂縫識別準確率，該系統采用基于遞歸神經網絡的三維瀝青路面全自動像素級裂紋檢測方法CrackNet-R。該方法采用一種新的遞歸單元——門控遞歸多層感知器(GRMLP)更新內部存儲器，與廣泛使用的長短期存儲器(LSTM)和門控遞歸單元(GRU)不同，GRMLP通過在選通單元處進行多層非線性變換，對輸入和隱藏狀態進行更深入的抽象(見圖1)。CrackNet-R可實現序列生成和序列建模兩相序列處理，其中：序列生成是在研究中特別開發的，以找到最有可能形成裂紋模式的最佳局部路徑；序列建模預測輸入序列為裂紋模式的及時概率。在序列建模方面，GRMLP僅在每個門處使用一個以上的非線性層，略優于LSTM和GRU。除序列處理外，還設置有一個輸出層，用于基于序列預測的及時概率產生像素概率，該輸出層可實現從序列級學習到像素級學習的過渡，這對像素級的精確性至關重要。

圖1 GRMLP原理示意圖

2 準確性分析方法

目前，圖像識別領域暫無通用的對準確率進行定量描述的指標。為此，引用信息檢索和統計學分類領域的準確率、召回率和F1值指標作為衡量裂縫識別準確性的指標。

對于裂縫識別算法，要求識別結果既準確又全面，準確率、召回率正是這樣一組評價指標，其計算公式如下：

Pr=TP/(TP+FP)×100%

(1)

Re=TP/(TP+FN)×100%

(2)

式中：Pr為準確率(Precision)；TP為正確檢測出來的目標物數目(True Positive)；FP為不是目標物卻檢測為目標物的數目(False Positive)；Re為召回率(Recall)；FN為是目標物卻沒有檢測出來的數目(False Negative)。

對于道路裂縫識別算法，令集合Γ1為識別算法的檢測結果，集合Γ2為實際正確識別出的結果，Γ3為算法正確識別出的裂縫像素集合，Γ3=Γ1∩Γ2，則有：

TP=Γ3的裂縫像素數目

TP+FP=Γ1的裂縫像素數目

TP+FN=Γ2的裂縫像素數目

Pr和Re越接近于100%越好，但很多情況下二者是矛盾的：準確率高，則很難檢測出所有裂縫，即召回率降低；召回率高，即檢測結果覆蓋全面，識別到的裂縫像素多，則準確率降低。因此，需綜合考慮準確率和召回率。常用的F1值是綜合評價指標，它能總體評價識別算法的優劣，其值越高，算法越優。F1值的計算公式如下：

F1=2PrRe/(Pr+Re)×100%

(3)

在獲得識別算法檢測結果Γ1和手動標注的真實裂縫圖像Γ2之后，首先對它們的裂縫像素進行統計，分別計算各自的裂縫像素數目(TP+FP和TP+FN)；然后與Γ1和Γ2的裂縫像素進行對比，若像素(x，y)在Γ1和Γ2中均為裂縫，則該像素記為Γ3的裂縫像素，得到TP；最后計算Pr和Re。

3 準確率影響因素分析

基于三維激光的路面病害智能識別技術的準確率受檢測車速、雨水、光照強度的影響，影響方式和程度目前無統一認識。選取廣州市某工業區瀝青路面為試驗路段(該道路建成于2010年，有較多不同嚴重程度的縱橫向裂縫和網裂)，設計3種工況，研究以上因素對裂縫識別準確率的影響。三維系統測試前先進行人工檢測，作為比對的真值。

3.1 車速的影響

數據采集速度受相機拍攝頻率和數據傳輸速度限制，在保證同等數據質量的前提下，相機拍攝頻率越高、數據傳輸速度越快，最大采集速度越高。

在陰天路面干燥條件下，分別以20、40、60、80、100 km/h車速進行檢測，每級車速重復檢測3次，取準確率和召回率各自的平均值作為檢測值。檢測結果見表1、圖2、圖3。

表1 不同檢測車速下路面裂縫識別準確率

圖2 路面裂縫識別準確率隨檢測車速的變化

圖3 不同檢測速度下的自動分析效果

從表1、圖2、圖3可看出：檢測車速越小，路面裂縫識別準確率越高；車速在80 km/h以下時準確率高于90%且較穩定，能滿足規范要求；車速為100 km/h時準確率為87.8%，基本能滿足日常巡查要求。實際道路檢測中，80 km/h采集速度能滿足準確率和工效的要求。

3.2 雨水的影響

降雨過后會在道路表面形成一層水膜，激光在表面發生鏡面反射而形成噪點。因此，路面潮濕程度直接影響激光的反射效果，從而影響三維激光路面病害識別準確率。雨后路面潮濕程度在車流作用下會隨時間逐漸降低，路面潮濕程度可通過基面濕度計測量。

為研究路面潮濕程度對裂縫識別準確率的影響，分別在雨后30、60、90、120、180 min對同路段進行裂縫檢測(車速60 km/h)，并記錄當時的路面濕度，取5個區域同時段的平均值作為測試值。檢測結果見表2、圖4。

表2 不同路面濕度下路面裂縫識別準確率

圖4 路面裂縫識別準確率隨路面潮濕程度的變化

從表2、圖4可看出：大雨過后30 min內，濕度在30%左右，路面水膜明顯，對激光采集系統造成強干擾，識別準確率極低；隨著時間的推移，路面濕度降低，識別準確率不斷提升，在120 min后路面濕度降至7.6%時準確率達到92.0%。因降雨后路面干凈無污染，準確率高于60 km/h車速測試工況下的準確率。三維激光路面病害識別技術在路面濕度低于8%時基本能保證準確率在90%以上；路面濕度高于8%時，濕度越大，識別準確率越低，說明其對路面濕度極其敏感。

3.3 光照強度的影響

三維激光檢測系統采用光源為波長800 nm的激光，可有效降低自然光的干擾。但太陽光波譜是連續的，仍含有少量該波段的光線，且陽光越強烈，該波段光照強度越大。因此，光照強度對采集數據的質量仍存在一定影響。

為研究光照強度對裂縫識別準確率的影響，分別在晴天的12點(300 000 lx)、14點(100 000 lx)、16點(60 000 lx)、18點(10 000 lx)、20點(2 500 lx)進行數據采集，檢測車速為60 km/h，地面干燥無雜物。檢測結果見表3、圖5。

表3 不同光照強度下路面裂縫識別準確率

圖5 路面裂縫識別準確率隨光照強度的變化

從表3、圖5可看出：照度在100 000 lx以上時，路面裂縫識別準確率隨照度降低明顯增強，F1值敏感性次之，召回率基本不隨照度改變而改變；照度在100 000 lx以下時，準確率、召回率和F1值均基本穩定在90%以上。準確率受光照強度影響較大主要是因為光照強度越大，光噪點越多，誤判比例越高。而漏判基本不受影響。因此，為保證識別準確率，應盡量在照度不大于100 000 lx的條件下進行數據采集。

4 結論

通過不同工況測試，得出三維激光路面裂縫識別系統病害識別準確率受檢測車速、雨水、光照強度的影響規律如下：

(1) 一定范圍內裂縫識別準確率與車速成反相關關系。車速低于80 km/h時，準確率高于90%且較穩定，能滿足規范要求；車速為100 km/h時準確率為87.8%，基本能滿足日常巡查的要求。實際道路檢測中，車速控制在80 km/h能滿足準確率和工效的要求。

(2) 激光對路面濕度極為敏感，裂縫識別準確率與路面濕度成反相關關系。濕度在30%左右時，路面水膜明顯，采集的數據噪點較多，識別準確率極低；隨著濕度的降低，識別準確率不斷提升，在路面濕度降至7.6%時準確率達到92.0%。三維激光路面病害識別技術在路面濕度低于8%時基本能保證準確率在90%以上。

(3) 裂縫識別準確率隨照度降低明顯增強，F1值敏感性次之，召回率基本不隨照度改變而改變。準確率受光照強度影響較大主要是因為照度越大，光噪點越多，誤判比例越高。而漏判基本不受影響。為保證識別準確率，應盡量在照度不大于100 000 lx的條件下進行數據采集。