公路邊坡病害分類與圖像特征研究

廖藝

摘要 為了提出一種智能化的公路邊坡病害檢測方法，研究過程利用無人機采集邊坡圖像信息，并且根據邊坡病害的特征，通過軟件工具進行目標分類標注，形成風化剝落、雨水沖刷、滾石掉塊、崩滑坡四類特征圖?；?YOLOv4算法設計改進的YOLOv4-RSS檢測算法，主要的優化點為特征圖殘差、檢測頭編碼方式、注意力機制。使用標注后的邊坡圖像數據訓練YOLOv4-RSS算法，再檢驗其對邊坡病害的檢測效果。結果顯示，其對四類病害特征的平均檢測精確度達到了72.86%，可靠性較高。

關鍵詞 公路邊坡病害分類；邊坡病害圖像采集；YOLOv4-RSS檢測算法；圖像特征

中圖分類號 U418文獻標識碼 A文章編號 2096-8949（2024）08-0012-03

0 引言

公路邊坡病害類型多樣，包括風化剝落、滑坡、坍塌等，由于線路長度較大，導致人工檢查方式存在效率低、成本高的缺點?；趫D像特征的目標檢測技術以人工智能算法為基礎，能夠從公路邊坡的圖像信息中識別出病害部位和類型，成為提高邊坡維護效率的重要工具。目前，YOLOv4算法在這一領域應用廣泛，故基于該算法對相關問題展開研究，旨在提出性能優異的檢測模型。

1 公路邊坡病害分類及圖像采集

1.1 公路邊坡病害分類

公路邊坡的病害類型主要包括4種，分別為滑坡、坍塌、崩塌以及巖石風化剝落。當公路邊坡存在層狀巖石結構（如頁巖、片狀巖）時，受到風力作用的長期侵蝕，有可能出現風化，破壞巖石結構的穩定性。滑坡是公路邊坡失穩的重要表現形式，地表水和雨水的沖刷作用容易造成滑坡類病害[1]。當公路邊坡為高陡邊坡時，在重力、風力以及其他外力的影響下，有可能出現巖土體突然脫離母體的現象，從而形成崩塌或者坍塌。

1.2 公路邊坡病害圖像采集

公路邊坡病害的外在表現形式具有一定的特征，工程地質專家可通過查看邊坡的地形、地貌，判斷是否存在發生病害的風險。以邊坡坍塌為例，當雨水徑流沖刷邊坡時，可在邊坡巖土體上產生豎向紋理。再如，當邊坡巖體風化嚴重時，坡腳以及地勢較低的部位會產生較多的落石掉塊，可據此判斷風化剝落和巖土崩塌風險。大量采集公路邊坡的圖像，能夠為識別病害類型、查找邊坡隱患提供依據。

1.2.1 基于無人機的圖像采集方法

公路邊坡空間范圍較大，使用無人機采集邊坡的圖像數據，能夠顯著提高工作效率。研究過程采用DJI Mavic Air 2無人機采集圖像信息，該機重量為570 g，最大飛行速度為43 km/h，單塊電池的續航時間為34 min，配備6塊備用電池，機載拍照設備的像素達到4 800萬。無人機采集圖形作為一項復雜的數據處理工作，涉及大量公式，在設計無人機路徑時，研究人員引入航點計算公式，用于計算無人機飛行航跡中的航點坐標。通過規劃合適的航點，可以確保無人機在任務區域內按照設定的路徑高效飛行，實現圖像的全面覆蓋，具體公式：

（Xi，Yi，Zi）=（Xstart，Ystart，Zstart）+[d·cos（θi），d·sin（θi），Hfly]

（1）

式中，（Xi，Yi，Zi）——第i個航跡點的地理坐標；（Xstart，

Ystart，Zstart）——無人機起飛點的地理坐標；d——航點之間的水平距離；θi——第i個航點相對于起飛點的方向角；Hfly——無人機飛行高度。

除了利用公式（1）計算無人機飛行過程中經過的航跡點之外，為提高拍攝圖片的內容價值，研究人員還引入了圖像采集的重疊度計算公式，確保采集的圖像足夠重疊，以便后續圖像的拼接和三維重建。通過調整無人機的航跡和相機參數，可以控制重疊度來滿足特定任務需求，具體計算公式：

（2）

式中，O——圖像的重疊度；L——圖像的長度；D——圖像之間的水平重疊區域的長度。采集到圖像之后，利用地圖配準中的相機模型，將地理坐標投影到圖像平面，通過這種方式將采集到的圖像與地理坐標進行關聯，確保圖像上的特征與地理空間一致，其計算公式：

[u v]=[fx 0 cx 0 fy cy][X Y Z] （3）

式中，[u v]——圖像上的像素坐標；[X Y Z]——地理坐標；fx、fy——相機焦距；cx、cy——圖像的主點坐標。

拍照時將鏡頭與水平方向的夾角控制在30 ?～45 ?，覆蓋公路里程為150 km，共計獲得1 701張公路邊坡病害照片，排除拍攝效果不佳的照片，最終剩余1 089張可用照片。

1.2.2 圖像標注

使用算法程序進行圖像檢測之前，應對圖像進行標注，研究過程使用的標注工具為Labelimg，以人工方式進行標注，將圖片中的目標區域標注為矩形框，并且設置明確的類別。標注完成后，可生成相應的XML標簽文件，其中包括矩形框左上角和右下角的坐標、圖像像素大小[2]。經過標注，在1 089張公路邊坡圖片中，共計形成了2 213個病害區域，樣本標注結果見表1。

1.2.3 圖像增強

利用圖像特征識別公路邊坡病害時，需要較多的數據樣本，以便實施深度學習和訓練。為了增加數據的多樣性，應該對其進行圖像增強處理，主要的處理措施為切割、翻轉、縮放以及平移。研究過程利用混合裁剪（CutMix）和馬賽克（Mosaic）方法進行數據增強。

2 基于YOLOv4-RSS算法的公路邊坡病害圖像特征檢測

2.1 YOLOv4算法的應用原理

2.1.1 YOLOv4算法的結構

YOLO（You Only Look Once）是一種基于深度神經網絡的目標檢測算法，從誕生之后，至今已形成了多個模型，包括YOLOv1、YOLOv2等，YOLOv4提出于2020年，繼承了YOLOv1～YOLOv3算法模型的優點，同時進行了優化和改進。該算法由輸入層、主干特征提取網絡、池化層、輸出層組成，在輸入層利用Mosaic方法進行數據處理，通過CSPDarknet53網絡進行特征提取，在池化層可進行多個尺度的池化處理。

2.1.2 預測類別置信度計算方法

YOLOv4算法先對圖像進行分割處理，形成網格，利用網格預測落入其中的目標。將數據集中的總類別記為C，則每個預測框可形成5+C個數值，其中5代表5個基本信息量，分別為網格幾何中心點坐標（x，y）、網格的寬和高（w，h）以及置信度[3]。在此基礎上計算出網格預測類別的置信度，相應的計算方法如式（4）。

（4）

式中，Pob——表征目標落入網格的概率；Pci——網格對第i類目標預測結果的準確率；CIoU——預測邊框與真實邊框的距離交并比。當Pob=1時，目標落入預測網格中，當Pob=0時，目標未落入預測網格。

2.1.3 CSPDarknet53網絡及其激活函數

YOLOv4算法利用CSPDarknet53網絡實現主干特征提取，該網絡是進行公路邊坡病害分析的關鍵，其激活函數采用Mish函數，表達式如式（5）。

（5）

式中，Xi——第i個特征向量序列，并且有Xi={x1， x2， ...， xi}；e——自然對數的底數；tanh（·）——雙曲正切函數。

2.1.4 邊框回歸損失函數

與YOLOv3不同，YOLOv4算法的邊框損失函數采用 Ciou Loss，該函數的定義見式（6）。

（6）

式中，v——用于衡量長寬比的一致性；α——權重系數；c——最小外接矩形對角線的距離；b——預測框的幾何中心點；bgt——真實框的幾何中心點；ρ——中心點b和bgt的歐式距離；LIoU——邊框損失的計算結果。

2.2 YOLOv4算法改進

為了適應公路邊坡病害圖像特征分析的需求，研究過程對YOLOv4算法進行改進，形成YOLOv4-RSS算法，其中RSS的含義為“Road Side Slope（公路邊坡）”，改進點如下：

2.2.1 引入注意力機制模塊

在YOLOv4-RSS算法中引入了注意力機制模塊，包括通道注意力模塊和空間注意力模塊，前者用于加權特征圖的通道維度，后者用于增強算法模型對圖像中目標位置的敏感性。

2.2.2 改進特征圖殘差

公路邊坡病害檢測過程中，需要從圖像信息中區分邊緣、紋理和顏色的差別，這一過程需要以恰當的方式處理殘差問題[4]。YOLOv4-RSS算法中對殘差處理方式進行了改進，將卷積層的輸出從H（x）轉化為F（x）+x的形式，降低了算法的訓練難度。

2.2.3 改進檢測頭編碼方式

在YOLOv4算法中，分類和回歸預測各自獨立進行編碼。在YOLOv4-RSS算法中，對二者先進行合并，再進行堆疊，最后實施編碼，其效果優于二者各自獨立編碼。

2.3 YOLOv4-RSS算法性能驗證

2.3.1 模型訓練設置

（1）軟硬件環境。硬件為工作站，其核心設備為高性能計算機，采用Intel處理器，主頻為2.2 GHz，內存為32 GB，CPU為12核。軟件部分為Ubuntu 20.04 LTS操作系統，編程語言為Python3.8。

（2）基本參數設置。模型訓練分為凍結訓練和解凍訓練兩個階段，針對兩個階段的批處理次數分別為8次、4次，相應的學習率設置為0.001和0.000 1。將數據按照81∶9∶10的比例分為訓練集、驗證集和測試集三部分。

2.3.2 性能評價指標

在模型性能評價中，采用指標mAP，其含義為各個邊坡病害類別的均值平均度。將算法模型的召回率作為橫坐標，與之對應的精確度作為縱坐標，橫、縱坐標值所圍成的面積稱為平均精度（Average Precision，AP）[5]。求出FH、CS、GS、BHP四類標簽的AP平均值，記為mAP。如果mAP的計算結果越大，則算法性能越好。在計算評價指標時，將召回率記為Rc，精確度記為Pr，相應的計算方法如下。

（7）

式中，TP（Ture Positive）——被預測為正例的真實正例樣本數；FP（False Positive）——被預測正例的真實反例樣本數；FN（False Negative）——未能識別的真實正例樣本數量。

2.3.3 基于圖像特征的性能檢測結果

將YOLOv4-RSS作為目標算法，為其設置4個對照算法，分別為YOLOv4（對照算法1）、基于注意力機制的改進YOLOv4算法（對照算法2）、基于特征圖殘差的改進YOLOv4算法（對照算法3）、基于檢測頭編碼方式的改進YOLOv4算法（對照算法4）。利用無人機采集的圖片信息開展模型訓練和檢驗，結果見表2。從數據可知，YOLOv4-RSS算法的mAP值最大，在5種算法中性能最佳，單獨改進注意力機制、特征圖殘差或者檢測頭編碼方式，也能提高算法性能。

3 研究結果

根據以上研究過程，可得到以下幾個基本結論。

（1）公路邊坡病害可通過圖像進行智能化的檢測與識別，其主要的識別依據為邊坡的圖像特征，具體包括風化剝落、雨水沖刷、滾石掉塊以及崩滑坡。

（2）YOLOv4屬于當前較為先進的圖像目標檢測算法，但該算法在邊坡病害圖像特征檢測中仍具有一定的改進空間，主要的改進點為降低特征圖殘差影響、優化檢測頭編碼方式以及引入注意力機制。

（3）研究過程基于以上改進點，設計出針對公路邊坡的YOLOv4-RSS圖像特征檢測算法，與YOLOv4算法相比，其對四種邊坡病害特征的平均檢測精度均有所提高。

4 結語

基于人工方式的公路邊坡病害識別方法效率低下，難以適應管理需求，在此次研究中，利用無人機采集公路邊坡的圖像信息，以YOLOv4算法為基礎，改進其檢測頭編碼方式，降低特征圖殘差的影響。同時，引入注意力機制，進而提出YOLOv4-RSS檢測算法。經過模型訓練和檢驗，新的目標檢測算法在識別精度上全面優于YOLOv4算法，其對風化剝落、雨水沖刷、滾石掉塊的檢測精度均超過70%，達到了較高的可靠性。

參考文獻

[1]段英杰. 公路隧道襯砌表觀病害圖像數據化表征方法研究[J]. 機電信息， 2022（12）： 83-85.

[2]白利茹， 柴明堂， 武立波， 等. 青藏公路病害圖像提取及分析[J]. 公路， 2021（11）： 32-37.

[3]譚建德， 張夢煒， 鄭鳳飛， 等. 基于三維圖像處理技術識別高速公路路面病害的方法研究[J]. 波譜學雜志， 2023（4）： 482.

[4]劉健， 解全一， 呂成順， 等. 公路隧道襯砌裂縫圖像質量增強方法研究[J]. 山東建筑大學學報， 2023（4）： 108-116.

[5]陳墾， 王世法， 譚屈山， 等. 高速公路無線施工視頻監控、圖像處理及編碼技術綜述[J]. 無線電工程， 2023（8）： 1815-1828.