基于深度學習的城市道路病害智能識別和養護技術研究

陳智勇

（秦皇島市海港區市政設施管護中心，河北 秦皇島）

引言

隨著公路交通量的增加、使用時間的持續增長、車輛重載等因素影響，公路破壞、修復已成為城市交通主要問題[1]。城市道路發生病害會使路面使用壽命縮短，對路面使用性能造成影響，需對其及時修復[2]。在工作環境中，因圖像采集時受路面狀況、自然光照等影響，使圖像有模糊、光照不均等現象存在，通常需要利用人工途徑發現圖像中存在的各種路面病害問題，給病害圖像篩選效率以及精準度等造成較大影響[3]。近年來，各類智能機械設備的迭代和發展，給圖像識別技術提供了更大發展空間[4]，研究者可利用數字圖像處理技術，可以及時獲取各類路面特征信息，使以往的路面檢測等環節逐步進入到自動化運行模式。這種方式可使成本、時間減少，在一定程度上可將檢測質量提高，確保人員安全。深度學習最終目的是獲得具有學習能力的機器，完成數據識別等。

1 路面病害圖像預處理與特征提取

1.1 圖像預處理

路面病害圖像采集可通過車載式路面圖像采集設備實現，使用高信噪比、高靈敏度的相機，智能化集取各項數據信息，通過視頻分幀將拍攝的影像資料轉變為相應的圖片，方便人工智能模型識別。對不同尺寸圖像根據相關要求開展灰度化等相關處理，之后以數據量以及圖片尺寸為衡量標準對圖片予以縮小。按照路面龜裂、裂縫等不同狀態，對圖像進行分塊使其達到500×500，并且構建相應路面裂縫數據集。

1.2 紋理描述

紋理描述過程中主要涉及粗糙度等相關指標。利用直方圖統計方法過程中利用圖像哪個參數特征能夠了解各類圖像類型中對應的灰度級數目，同時可結合不同灰度級的分布狀況予以綜合分析。對一幅灰度值可取值為L 的圖像，其直方圖定義如下：

公式中，一幅灰度圖的總像素為n，第k 個灰度等級為rk，第k 級灰度像素值為nk，這一灰度對應的出現頻率是pr（rk），而L 個頻率值pr（rk）共同形成的一維向量，即代表了灰度圖像直方圖。灰度圖像的平均亮度以均值來代表，在此將均值界定成：

圖像平均對比度通常利用標準偏差來代表，粗糙紋理要高于光滑紋理，其標準偏差是：

圖像亮度相對平滑度用平滑度表示，定義為：

在R 等于0 時，意味著常量亮度；當R 近似于1，意味著圖像亮度相對更加粗糙。通過三階矩可調直方圖偏斜定義為：

一致性意味著圖像的灰度統一度，如這一數值處于均等狀態，那么數值為最高值，通過下列公式開展一致性分析：

這些參數可度量能反應在灰度直方圖上的全部特性，通過這些特性可對圖像紋理特征光滑程度進行有效判斷。裂縫像素個數在灰度級范圍[145，165]內集中，網狀裂縫像素個數在灰度級范圍為[155，175]內集中，龜類像素個數在灰度級范圍[155，205]內集中。圖1為裂縫、龜裂和網狀裂縫圖。

圖1 裂縫、龜裂和網狀裂縫圖

2 深度多層極限學習機識別模型

2.1 深度多層極限學習機

深度多層極限學習機（ML-ELM）和DSAE 之間存在較高相似度，其中ML-ELM訓練時不需要開展參數迭代以及微調，ML-ELM 是由堆棧極限學習機自編碼器（ELM-AE）構建深度神經網絡，ELM-AE 可表示奇異值特征。圖2 為ML-ELM網絡結構圖。

圖2 深度ML-ELM 的網絡結構圖

在圖2 中，網絡輸入層和隱藏層神經元用I，p，d，Li表示，第i 個隱藏層輸出特征矩陣為hi。引入了特異性(SPE)、靈敏性(SEN)、準確度(ACC)、精確度(PRE)，采用這四個指標綜合評估算法性能。結合樣本真實類別及相應預測類別，可把樣本劃分成真正例（TP）、真反例（TN）等多種情況，具體如下所示。

2.2 ML-ELM識別結果

經NCA 算法、ReliefF 算法獲得相應的特征集。ML-ELM 模型主要通過下列訓練以及測試環節：首先，對數據信息予以歸一化，通過數據歸一化能夠把所有特征量轉變成[0,1]區間數值，達到清除不同特征量之間的數量級別目的。在操作過程中把5 600 個樣本設定成訓練集，其中所有類內均含有1 400 個樣本；將其余的1 600 個樣本設定成測試集，其中所有類內均含有400 個樣本。而不同樣本相應的標簽設定成0001、0010、0100、1000。其中測試集、訓練集互斥。然后設定相應的訓練集以及不同的對應標簽，通過隨機矩陣對所有層予以綜合分析。最后開展測試集識別，詳細可參考表1 和表2。

表1 經ReliefF 特征選擇的ML-ELM 識別結果

表2 經NCA 特征選擇的ML-ELM 識別結果

由表1 知，其中三種不同類型在測試過程中所有樣本均被判定為真實類別，開展歸類測試過程中5 種樣本被判定為裂縫類，除此之外樣本均被判定為真實類別。從性能角度而言，對于SPE、SEN、ACC、PRE 來說，正常類、網狀類均為100%。裂縫類SPE、SEN、ACC、PRE 分別為99.59%、100%、99.68%、98.55%。龜裂類分別為100%、98.78%、99.69%、100%。

由表2 知，在網狀及正常兩種類型相關測試內，樣本通過預測均劃分為真實類別，但是裂縫類以及龜裂類內包含的400 個不同樣本內，都顯示其中某個樣本會產生預測錯誤，除此之外的樣本則劃分為真實類別。結合性能綜合分析，網狀類對應的SPE、SEN、ACC、PRE 分別為100%。裂縫類別達為99.96%、99.87%、99.94%、99.85%。正常類分別為99.96%、100%、99.98%、99.85%。龜裂類分別為100%、99.87%、99.98%、100%。

2.3 實驗結果分析

通過搭建DSAE、ML-ELM 人工智能模型實現自動識別路面裂縫。通過NCA 算法、ReliefF 算法開展原始特征的篩選和降維，并以此為基礎形成相應模型，通過運用對應的分類器來比對分析，分別對比模型性能。表3 為模型識別性能對比分析。

表3 模型識別性能對比分析

由 表3 知，對 于SPE、SEN、ACC、PRE 而 言，ReliefF+DSAE 模型性能分別為95.93%、85.56%、93.44%、85.68%。NCA+ML-ELM模型分別為99.98%、99.95%、99.97%、99.93%，這說明NCA+ML-ELM 算法對數據處理準確性和魯棒性更高。

3 城市道路養護技術

針對城市道路出現龜裂、裂縫、網狀裂縫等病害問題，提出微表處技術、裂縫修補技術、就地熱再生技術等。

3.1 微表處技術

這種技術能夠利用相關專業設備根據一定配比把填料、粗細集料等多種材料混合成為稀漿混合料并直接攤鋪到受損路面之中，這種方式對交通的影響相對較小，可迅速產生相對較薄的具有耐久性、抗滑性的路面層。該技術對延長路面使用壽命，延緩路面病害發生發展起積極作用；能有效防范及延緩公路中城市道路產生水損害等問題，有效避免出現各類交通事故。微表處技術具備下列優勢：工程造價成本相對較低，所需經費相對較少，施工效率較高，通過兩臺間歇式攤鋪車對路面予以交替施工，解決了交通運行、養護施工的矛盾。處理路面突出病害具有理想效果，微表處封水效果良好，可對路面水損害發生、發展有效防止。

3.2 裂縫修補技術

城市道路相對較多的病害為裂隙，在傳統路面養護過程中，一般會利用油壺直接把普通熱瀝青灌入到路面裂隙內，然而由于未能有效處理裂隙中的各種雜物，且熱瀝青性能相對不足，導致養護效果相對較差，還會給路面美觀性帶來影響。利用專用灌縫膠進行裂隙修補作為應用相對較廣且較為高效的城市道路重要養護技術之一，進行城市道路裂縫修補處理可獲得較好使用效果。

3.3 就地熱再生技術

這種技術在施工過程中通過地熱再生機組對損毀路面予以加熱并對路面進行翻松，在此基礎上將一定量的再生劑噴灑于損毀路面上，對其予以攪拌以及攤鋪碾壓成型的一種修補和養護技術。這種技術能夠使原有瀝青混合料得到再次應用；通過運用再生劑能夠復原損毀路面中老化瀝青的各項物理學特性；此技術往往被應用于多種路面損毀施工中。

4 結論

本文基于深度學習法，對城市道路病害的智能識別和養護技術進行研究，得出如下結論：

（1） 通過車載式路面圖像采集設備獲取數據，集取各項數據信息之后通過視頻分幀將拍攝的影像資料轉變為相應的圖片，建立高質量路面裂縫數據集。

（2） 構建ML-ELM深度學習模型并進行參數設置，從而對路面病害識別模型的性能予以綜合評估。對于特異性、靈敏性、準確度、精確度來說，NCA+ML-ELM 模型分別為99.98%、99.95%、99.97%、99.93%；ReliefF+DSAE 模型性能分別為95.93%、85.56%、93.44%、85.68%。NCA+ML-ELM算法對數據處理具有更高的準確性和魯棒性。

（3） 針對城市道路出現龜裂、裂縫、網狀裂縫等病害問題，提出微表處技術、裂縫修補技術、柔性基層技術、就地熱再生技術和霧封層技術。