基于機器視覺的公路軟土路基施工沉降預測研究

摘要 文章研究了機器視覺的公路軟土路基施工沉降預測，首先利用高分辨率相機采集了公路施工過程中軟土路基的沉降圖像；然后利用高斯濾波算法進行了圖像去噪處理，采用直方圖均衡化算法進行了圖像增強；最后，通過BP神經網絡識別預處理后的圖像，得到并輸出了公路軟土路基施工的預測沉降量。實驗結果表明，該設計方法下公路軟土路基施工沉降預測結果的均方根誤差僅0.71 mm，且平均絕對百分比誤差僅0.68%，具有較高的預測精度。

關鍵詞 機器視覺；公路路基；軟土路基；路基施工；施工沉降；沉降預測

中圖分類號 TV971 文獻標識碼 A 文章編號 2096-8949（2025）05-0007-03

0 引言

公路作為國家基礎設施建設的重要組成部分，其穩定性和安全性直接關系交通運輸的效率和人民群眾的生命財產安全。然而，在我國公路建設過程中，特別是在軟土地區，路基沉降問題一直是工程界面臨的重大挑戰之一。軟土路基因其高壓縮性、低強度、透水性差等特性，在施工過程中易發生沉降，不僅影響施工進度，還可能引發路面破損、行車安全隱患等一系列問題。因此，如何準確預測并有效控制路基的施工沉降，成為當前亟待解決的關鍵問題。

李帥等[1]提出并構建了一個殷建華彈黏塑性模型，可以實現軟土路基快速準確的沉降預測，但彈黏塑性模型中的參數對沉降預測結果具有顯著影響，在實際施工中模型參數存在較大的不確定性，難以保障軟土路基沉降預測結果的穩定性；蘇謙等[2]將IGWO和SVR模型結合在一起，進行路基沉降預測，具有較高的預測精度與穩定性，但在實際工程中，由于測量誤差、儀器精度等各種因素的限制，可能無法獲得足夠數量和質量的實測數據以支持模型的訓練和驗證，從而影響路基沉降的預測效果；李振華[3]提出了三階多項式，用于擬合GM（1，1）和BP神經網絡等算法，建立了路基沉降組合預測模型，具有較小的預測誤差，但這種組合預測模型具有大量的參數和層數，使得模型在訓練過程中容易陷入過擬合的風險，且復雜的模型也增加了計算成本和資源消耗，不利于大規模應用。鑒于傳統路基沉降預測方法存在的局限性，該文探索了一種基于機器視覺的公路軟土路基施工沉降預測的新方法，為公路工程領域的沉降控制提供科學依據和技術支撐。同時，該文也將為機器視覺技術在土木工程領域的應用拓展提供新的思路和實踐經驗。

1 獲取公路軟土路基施工沉降機器視覺圖像

機器視覺技術因其高效、非接觸式特性，適用于精確捕捉公路軟土路基的沉降現象[4]。該文采用高分辨率工業相機定點安裝于關鍵施工區域，確保全面視野并減少震動干擾。根據沉降速率調整圖像的采集模式：初期采用定期采集，高峰期或沉降加速期采用連續采集。采集過程中涉及像素點坐標系的轉換，其表達式如下：

（1）

（2）

式中，x、y——拍攝目標轉換后的視覺圖像上像素點的橫、縱坐標值；x0、y0——拍攝目標在空間坐標系上的橫、縱坐標值；x1、y1——圖像坐標原點；Lx、Ly——拍攝目標在橫、縱坐標軸上的物理測量尺寸。按照上述公式，高分辨率工業相機即可將拍攝目標從立體空間投射至二維影像上，以實現對公路施工過程中軟土路基沉降圖像的采集。

為了去除圖像中的隨機噪聲和干擾，提高圖像清晰度，該文采用高斯濾波算法進行公路軟土路基施工沉降機器視覺圖像的去噪處理，具體表達式如下：

（3）

式中，、——去噪處理前、處理后的公路軟土路基施工沉降機器視覺圖像；σ——高斯函數的標準差。通過調整σ，即可有效去除公路軟土路基施工沉降機器視覺圖像中的噪聲。

為了提升圖像的對比度，采用直方圖均衡化算法進行公路軟土路基施工沉降的機器視覺圖像增強。假設公路軟土路基施工沉降機器視覺圖像的灰度級為hi，其中為灰度級數，計算灰度級hi的累積分布函數如下：

（4）

式中，——公路軟土路基施工沉降機器視覺圖像灰度級hi的累積分布函數；——視覺圖像的灰度直方圖；W、H——公路軟土路基施工沉降機器視覺圖像的寬度和高度。使用式（4）對原始公路軟土路基施工沉降機器視覺圖像的灰度級進行映射，即可得到增強后的圖像灰度級Qi：

（5）

式中，T——取整操作。因此，通過直方圖的均衡化，公路軟土路基施工沉降機器視覺圖像的灰度分布得到優化，對比度顯著提高，沉降特征更加清晰?？傊?，通過上述采集與預處理步驟，該文獲取了高質量的公路軟土路基施工沉降的機器視覺圖像，為后續沉降預測提供數據支持。

2 BP神經網絡預測公路軟土路基施工沉降

根據上述內容獲取高質量的公路軟土路基施工沉降機器視覺圖像后，引入BP神經網絡進行圖像識別，進而預測公路軟土路基的施工沉降[5]。將經預處理后的圖像輸入BP神經網絡，輸入層提取特征并傳遞至隱含層。隱含層使用Sigmoid函數進行非線性變換，將圖像特征映射至（0，1）區間。具體表達式如下：

（6）

式中，——隱含層神經元的輸出；X——輸入的公路軟土路基施工沉降的機器視覺圖像特征。輸出層學習特征向量與沉降量的映射關系，進而輸出預測的沉降量，具體表達式如下：

（7）

式中，Y——輸出的公路軟土路基施工沉降量預測

值；ωi——第i個隱含層神經元到輸出層的權值；p——輸出層的偏置；n——隱含層神經元數量。

在反向傳播階段，該文根據公路軟土路基施工沉降量預測值與真實值之間的誤差，通過梯度下降算法調整網絡的權重和偏置，以減小誤差。具體表達式如下：

（8）

式中，、——更新后的權值與偏置；η——學習率；——公路軟土路基施工沉降量預測值與真實值之間的誤差C關于權值ωi的偏導數；——公路軟土路基施工沉降量預測值與真實值之間的誤差C關于偏置p的偏導數。根據上式不斷調整權重與偏置參數，直至公路軟土路基施工沉降量的預測值與真實值之間的誤差達到最小。此時，該文將獲取的高質量的公路軟土路基施工沉降機器視覺圖像，輸入到參數調整完成后的BP神經網絡模型中，經過模型學習，即可得到并輸出較為精準的公路軟土路基施工沉降量預測值，從而實現對軟土路基施工沉降的動態監測。

3 實例分析

3.1 實例概況

該文選取某公路軟土路基建設工程作為實例項目，該路段全長10 km，設計時速為120 km，路基寬度為28 m，為雙向四車道。實例項目所在地的地質條件復雜，以軟土為主，土層深厚，含水量高，壓縮性強。各土層物理參數如表1所示：

在實例項目中，主要采用分層填筑（每層填筑厚度不超過30 cm）、壓實（壓實度不低于96%）及排水固結（排水板間距為1.5 m，預壓荷載為路堤自重的1.2倍）等措施進行路基處理。在施工過程中，為嚴格控制軟土路基的沉降風險，需應用該文研究方法進行針對性的預測。

3.2 預測結果分析

在此次實例分析中，為了驗證設計的基于機器視覺的公路軟土路基施工沉降預測方法的有效性和正確性，采用高精度水準儀對實例項目展開為期100 d的公路軟土路基的施工沉降監測，記錄每日沉降量，作為實際數據，用于驗證預測方法的準確性。然后，采用該文研究方法進行實例項目在100 d內的沉降數據預測，并與實際數據進行對比，如圖1所示：

從圖1中可以看出，基于機器視覺的公路軟土路基施工沉降預測方法具有較高的預測精度。在實例公路項目100 d內軟土路基的施工沉降預測中，預測沉降量與實際沉降量之間的偏差均在1 mm以內，表明該方法既有效又正確，能夠較為準確地預測公路軟土路基的施工沉降情況。

3.3 測試指標

選用均方根誤差與平均絕對百分比誤差作為實驗指標，計算公式如下：

（9）

（10）

式中，Yi、——第i個公路軟土路基施工沉降的實際監測值和預測值；N——公路軟土路基施工沉降的樣本數量。

3.4 預測性能對比

在此次實例分析中，為了進一步驗證設計的基于機器視覺的公路軟土路基施工沉降預測方法的優越性，將該方法設置為實驗組，并將基于彈黏塑性模型的公路軟土路基施工沉降預測方法和基于協同降噪與IGWO-SVR的公路軟土路基施工沉降預測方法設置為對照組。為全面評估實驗組方法和對照組中兩種方法的預測性能，引入多個公路軟土路基項目的實際施工沉降監測數據作為實驗數據源，將實驗數據劃分為1 200組。分別采用實驗組方法和對照組中的兩種方法對這1 200組實驗數據樣本進行預測。三種方法的測試結果如圖2～3所示：

從圖2中數據可以看出，在公路軟土路基的施工沉降預測中，與對照組中的兩種方法相比，實驗組方法表現最佳。具體來說，在實驗組方法下公路軟土路基施工沉降預測結果的均方根誤差僅0.71 mm，較對照組中兩種方法分別減少了0.93 mm、0.57 mm。

由圖3中數據可以看出，實驗組方法下公路軟土路基施工沉降預測結果的平均絕對百分比誤差僅0.68%，較對照組中的兩種方法分別減少了2.16%、1.29%。這主要因為：對照組方法一受模型參數敏感性和地質條件復雜性的影響，不僅預測誤差較大且波動范圍較廣；對照組方法二雖然預測誤差相對較小，但在某些特定地質條件下或數據噪聲較大的情況下，其預測穩定性可能受到影響，所以預測誤差波動范圍仍然較大；而實驗組方法能夠通過機器視覺技術更準確地捕捉路基沉降的動態變化，促使施工沉降預測結果誤差均保持在一個相對較低且較為穩定的范圍內，表明該方法具有良好的穩定性和泛化能力。因此，該文通過對比實驗，驗證了基于機器視覺的公路軟土路基施工沉降預測方法的有效性與優越性；與傳統方法相比，該文設計的方法在預測精度和穩定性上均表現出明顯優勢。

4 結束語

該文聚焦于公路軟土路基施工沉降預測問題，創新性地引入了機器視覺技術，旨在提高沉降預測的準確性和時效性。首先，基于機器視覺技術獲取了公路軟土路基施工過程中沉降圖像數據。然后，引入BP神經網絡，成功從圖像數據中提取了關鍵特征，并預測了公路軟土路基沉降量。實驗結果顯示，該方法能夠有效預測公路軟土路基的施工沉降，預測精度與穩定性均優于傳統方法。該文不僅驗證了機器視覺技術在土木工程領域沉降預測中的可行性，更為公路工程建設中的沉降控制提供了一種全新的、高效的技術手段。未來，將繼續深化機器視覺與土木工程領域的融合研究，探索更多的應用場景，為土木工程領域的智能化、精準化發展貢獻力量。

參考文獻

[1]李帥，王俊飛，王海豐.基于彈黏塑性模型的軟土路基長期沉降分析與預測研究[J].工業建筑， 2023（S2）：588-591+628.

[2]蘇謙，張棋，張宗宇，等.基于協同降噪與IGWO-SVR的高填方路基沉降預測[J].鐵道學報， 2024（3）：87-98.

[3]李振華.融合人工智能算法的鐵路路基沉降預測方法[J].鐵道建筑， 2023（2）：123-128.

[4]李尚明，洪成雨，姬鳳玲，等.深基坑的機器視覺監測與變形預測研究[J].地下空間與工程學報， 2023（3）：992-1000.

[5]丁建文，魏霞，高鵬舉，等.基于GA-BP神經網絡的軟土路基運營期沉降預測[J].東南大學學報（自然科學版）， 2023（4）：585-591.