基于滲水性差異的路面隱性剝落點智能識別

摘要 該文提出一種基于滲水性差異的路面隱性剝落點智能識別方法，通過路面的滲水性差異，可以將隱性剝落點與正常路面明顯區分開來。采用YOLOv8進行識別模型訓練，可實現路面隱性剝落點的大范圍、快速、準確識別，實地測試和驗證結果表明：該方法在實際道路環境中具有較高的準確性和可靠性。該方法的應用可以幫助道路養護部門更早地識別和評估路面的坑槽病害，提高道路安全性，減少交通事故，并降低道路維護成本，具有重要的應用價值和研究意義。

關鍵詞 公路工程；隱形剝落點；病害識別；YOLOv8

中圖分類號 U416 文獻標識碼 A 文章編號 2096-8949（2025）01-0001-03

0 引言

在重載、路面老化的因素的耦合作用下，公路路面面臨嚴重的病害威脅，坑槽等病害頻發，在目前的道路養護體系中，坑槽的識別和修復往往發生在坑槽已經形成并對交通產生影響之后，這樣的滯后性處理方式導致了更高的維修成本和潛在的安全風險[1-4]。而通過早期診斷和及時修復，可以避免坑槽進一步擴大，從而節省大量的維修成本，減少由于路面坑槽造成的交通風險，保護行車和行人安全。

該文將坑槽發展的早期階段，集料發生明顯剝落之前的路面狀態，定義為路面隱性剝落點，通過路面的滲水性差異，可以將隱性剝落點與正常路面明顯區分開來。該文基于這一特性，利用機器視覺技術，提出一種路面隱性剝落點智能識別方法，以實現路面隱性剝落點大范圍快速智能識別的目標[5-8]。

1 識別原理

路面坑槽的形成和發展會影響路面的滲水和蒸發行為，在路面坑槽發展期間，路面結構的變化會導致局部的滲水性能存在差異。具體而言，正常路面和隱性剝落點的滲水特征不同，其滲水能力與損傷程度成正相關。在降雨時，路面損傷嚴重的區域會積聚更多的水分，降雨過后，在太陽輻射、風力和車輛通行等外部因素的作用下，路面水分會逐漸蒸發。在此過程中，正常路面的水分蒸發速率較快，其次是早期損傷區域，而已經出現剝落的坑槽區域蒸發速度最慢，該蒸發速率的差異導致路面呈現出不同的濕潤性。在干燥條件下難以發現的早期損傷，可在此時識別出來，而已經剝落較嚴重的坑槽，除了較濕潤以外，還會呈現出明顯的坑洼，并可能有積水。通過高分辨率的圖像采集設備，可以捕捉到這些差異，進而利用圖像處理和機器學習算法對這些特征進行分析，實現對路面隱性剝落點的大范圍、快速、準確識別。

2 智能識別模型訓練

2.1 訓練目標

（1）高精度識別：模型需要具備高準確率，能夠準確區分隱性剝落點與其他路面病害如裂縫、坑槽、修補等，以及路面上的正常結構物，比如井蓋、減速帶等。（2）強泛化能力：模型應具備在一般光照條件下的識別能力，即使在復雜的背景或不同的路面條件下也能有效工作。（3）低資源消耗：模型設計應考慮部署環境的計算資源限制，盡量減少模型的計算復雜度和內存消耗，使其能夠在邊緣設備上運行。（4）可解釋性和可調試性：模型應提供一定程度的決策解釋能力，以便研究人員能理解模型的決策過程，并在需要時對模型進行調整和優化。

2.2 模型算法

YOLO（You Only Look Once）是一種流行的實時對象檢測系統，最初由Joseph Redmon等人提出[9]。YOLO的主要優點是速度快，適合實時應用[10，11]。其在檢測時只需對圖像進行一次前向傳播，就可以得到所有對象的位置和類別，這與那些需要多次傳遞圖像的方法形成鮮明對比。自從YOLO的首次提出以來，其已經經歷了多個版本的改進和迭代，每個版本都在檢測精度、速度和模型大小方面做出了不同程度的優化和平衡。YOLO系列的模型在計算機視覺領域得到了廣泛的應用，包括視頻監控、自動駕駛、圖像分析等多個領域，該文采用最新版本的YOLOv8進行模型訓練。

2.3 考慮的分類

為將隱性剝落點與路面其他病害和結構物區分開來，該文結合病害和路面結構物體的形狀特征，共考慮9種病害類型：隱性剝落點、坑槽、橫向裂縫、縱向裂縫、龜裂、橫向條狀修補、縱向條狀修補、網狀修補、塊狀修補。4種路面結構物：窨井蓋、橫向伸縮縫1型、橫向伸縮縫2型、橡膠減速帶。其簡稱及數字代號如表1所示。

2.4 訓練流程

（1）數據收集：在雨天后，選擇一個路面還未完全干燥的時間，使用圖像采集裝置收集各分類的圖片，保證每個類別有足夠多的訓練圖片數量。（2）數據標注：使用標注工具為圖片中的目標對象繪制邊界框并標注類別，該文采用Labelme進行標注[12]，標注的結果保存為TXT（YOLO格式）文件。（3）分割數據集：將數據集分為訓練集、驗證集和測試集，以在訓練過程中驗證模型的性能，并在訓練完成后評估模型的準確度。（4）安裝依賴：安裝YOLO所需的庫和依賴，該文使用CUDA進行模型訓練，大大減少了模型訓練時間。（5）預處理數據：創建或修改配置文件，包括類別數、訓練參數、網絡結構等。（6）選擇預訓練模型：該文選擇yolov8n.pt基礎模型全新開始訓練。（7）調整模型參數：根據數據集和需求調整模型的參數，例如學習率、批處理大小、迭代次數等。（8）訓練模型：使用準備好的數據集和配置文件開始訓練模型。在訓練過程中，監控損失函數的值和驗證集上的性能指標。（9）使用測試集評估：在訓練完成后，使用測試集評估模型的性能。根據測試結果，回到模型配置階段進行調整，進一步提高模型的性能。

2.5 訓練結果

訓練所得的智能識別模型，其損失和性能指標如圖1所示。

模型訓練輸出結果表明：模型準確地學習到了目標檢測任務的關鍵特征，能夠精確地定位和識別驗證集中的隱性剝落點，成功區分隱性剝落點與其他常見的路面病害或結構物，模型在目標檢測方面的性能表現出色。

3 實地測試與驗證

在實際道路環境中測試模型性能，通過精確度-召回率曲線驗證其準確性和可靠性，結果如圖2所示。曲線下的面積（0～1）是模型性能評估的一個重要指標。一般來說，曲線下面積越大，模型的性能越好，在隱性剝落點的識別上其曲線下面積為0.995，表明該處實地應用效果突出，在很大程度上得益于滲水性差異導致的隱性剝落點圖像特征明顯。

4 結論

該文使用YOLO算法訓練的智能識別模型，可在降雨后的路面條件下，快速準確地識別出路面隱性剝落點。訓練的模型主要針對隱性剝落點的智能識別，在后續的研究中根據實際應用需求對識別模型進一步優化。

該文提出的方法可以幫助道路養護部門更早地識別和評估路面的坑槽病害，從而制定出更加有效的養護決策。這不僅有助于提高道路安全性，減少因路面病害造成的交通事故，還能夠降低道路維護的長期成本，提高道路基礎設施的使用壽命，在道路養護領域具有重要的應用價值和研究意義。

參考文獻

[1]張宏超，孫立軍.瀝青路面早期損壞的現象與試驗分析[J].同濟大學學報（自然科學版）， 2006（3）：331-334.

[2]張艷紅，郭偉彤，張斌，等.基于灰色模型的路面行駛質量指數分析[J].公路， 2023（12）：22-28.

[3]余俊，吳海軍，王武斌，等.基于深度學習的公路路面病害智能化檢測系統[J].公路工程， 2022（5）：71-77.

[4]張寧.基于Faster R-CNN的公路路面病害檢測算法的研究[D].南昌：華東交通大學， 2019.

[5]龍伍丹，彭博，胡節，等.基于加強特征提取的道路病害檢測算法[J].計算機應用， 2024（7）：2264-2270.

[6]易鈺程，王靖智，朱路，等.路面缺陷智能檢測系統與方法綜述[J].華東交通大學學報， 2023（5）：19-31.

[7]馮志楊.基于無人機巡航的道路裂縫視覺檢測方法研究[D].西安：長安大學， 2020.

[8]李楠.基于深度學習框架Caffe的路面裂縫識別研究[J].工程技術研究， 2017（3）：20+28.

[9]Redmon J， Divvala S， Girshick R， et al. You only look once： Unified， real-time object detection[C]. Proceedings of the IEEE conference on computer vision and pattern recognition， 2016：779-788.

[10]楊振，李林，羅文婷，等.改進YOLOv5的瀝青路面病害檢測算法[J].計算機工程與設計， 2023（11）：3360-3372.

[11]鮮榮，劉天成，朱超，等.基于YOLOv5和DeepLabv3+的橋梁結構病害智能識別技術[J].公路， 2023（12）：

368-374.

[12]Russell B C， Torralba A， Murphy K P， et al. LabelMe： a database and web-based tool for image annotation[J]. International journal of computer vision， 2008：157-173.

收稿日期：2024-05-30

作者簡介：范嘯（1973—），男，本科，高級工程師，研究方向：道路工程。