劉旭　徐夏俊　夏晉　王益杰　談婉霞　唐志正　汪毅　邵葉秦

摘要：農(nóng)村公路病害的智能檢測(cè)和識(shí)別對(duì)農(nóng)村公路的養(yǎng)護(hù)來說是一項(xiàng)重要的工作，對(duì)農(nóng)村的經(jīng)濟(jì)發(fā)展有著重大的意義。本文針對(duì)農(nóng)村公路的常見病害，基于YOLO技術(shù)通過多任務(wù)的方式自動(dòng)在圖像中提取并識(shí)別病害，實(shí)現(xiàn)公路病害的智能識(shí)別。實(shí)驗(yàn)證明，本文的方法是有效的。

關(guān)鍵詞：農(nóng)村公路;病害;智能識(shí)別

中圖分類號(hào)：TP393 ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2019）13-0203-03

1背景

隨著農(nóng)村基礎(chǔ)設(shè)施建設(shè)的不斷完善，目前農(nóng)村的公路干道主要以水泥路面和瀝青路面為主，它們具有地面堅(jiān)實(shí)、平整、容易養(yǎng)護(hù)維修等優(yōu)點(diǎn)。但受到使用年限增加、交通運(yùn)輸流量增長(zhǎng)、重載和超載車輛變多、公路養(yǎng)護(hù)不及時(shí)等因素的影響，農(nóng)村公路病害嚴(yán)重。很多公路都面臨著裂縫、露骨、路面不平整、泛油和防滑性下降等不同程度的公路表面病害，如果沒有及時(shí)的管理和措施，還會(huì)發(fā)展為嚴(yán)重的結(jié)構(gòu)性傷害，嚴(yán)重影響著公路的使用和安全問題，甚至影響國(guó)家的鄉(xiāng)村振興計(jì)劃[1-3]。

公路病害分類多種多樣，本文主要關(guān)注常見的病害：裂縫、松散和凹陷[4-5]，如圖1所示。

2 公路病害智能檢測(cè)和識(shí)別

2.1 圖像預(yù)處理

a） 圖像剪裁

本文采集的初始圖像中除了病害，還有其他事物，所以本文需要裁剪圖像，使得用于訓(xùn)練的圖像中主要是病害，方便后續(xù)處理。

b） 歸一化

剪裁后部分圖片的分辨率相差很大，不利于后續(xù)圖像數(shù)據(jù)處理。因此，本文對(duì)圖像進(jìn)行歸一化，使得所有的圖像的分辨率為800*600。

2.2基于YOLO的病害檢測(cè)和識(shí)別

為了使公路病害能夠有效的定位和識(shí)別，本文采用基于定位和識(shí)別多任務(wù)框架的YOLO （You Only Look Once）[6]模型。YOLO是一種基于深度神經(jīng)網(wǎng)絡(luò)的對(duì)象定位和識(shí)別算法，相對(duì)于其他的對(duì)象定位和識(shí)別模型，其最大的特點(diǎn)是運(yùn)行速度快，可以用于實(shí)時(shí)系統(tǒng)，且定位比較精準(zhǔn)。

具體來說，本文首先對(duì)病害圖片進(jìn)行相應(yīng)的預(yù)處理，YOLO會(huì)將預(yù)處理好的圖片作為輸入圖像，并且將其分成S*S個(gè)格子，接著逐個(gè)處理每個(gè)格子，根據(jù)每個(gè)格子的特征預(yù)測(cè)可能的目標(biāo)候選區(qū)域和相應(yīng)的置信度，同時(shí)依據(jù)每個(gè)格子預(yù)測(cè)以這個(gè)格子為中心的物體屬于每個(gè)病害類別的概率，然后根據(jù)每個(gè)分類的概率和置信度確定預(yù)測(cè)的每個(gè)目標(biāo)候選區(qū)域中包含每類病害的概率。

YOLO模型的結(jié)構(gòu)由卷積、池化、全連接組成。YOLO網(wǎng)絡(luò)一開始使用多層的卷積和池化操作得到每個(gè)格子的特征，接著使用全連接層得到一個(gè)向量，然后重新組織成一個(gè)7*7*18的張量，作為最后的輸出。整個(gè)網(wǎng)絡(luò)共使用53層卷積層，且借鑒了殘差網(wǎng)絡(luò)的結(jié)構(gòu)。

模型的輸入是一個(gè)448*448的二維彩色圖像，圖像劃分7*7的網(wǎng)格，每個(gè)格子預(yù)測(cè)3個(gè)目標(biāo)對(duì)象的候選區(qū)域（bounding box），同時(shí)預(yù)測(cè)這個(gè)格子屬于3個(gè)類別（裂縫、凹陷、松散）的概率，因此模型的輸出是一個(gè)7*7*18的張量。這個(gè)張量中存放著三部分信息，一部分是當(dāng)前格子預(yù)測(cè)的每個(gè)類別的概率，一部分是3個(gè)候選區(qū)域的bounding box的x、y、w、h（候選區(qū)域中心點(diǎn)的坐標(biāo)、及其寬度和高度），最后一部分是每個(gè)bounding box的置信度，所謂置信度，表示所預(yù)測(cè)的 box 中含有對(duì)象的可信程度?；诿總€(gè)候選框的得分，采用NMS（非極大值抑制），去掉重疊的輸出，選擇得分最高的作為輸出，得到最終的結(jié)果。

這里的x、y、w、h都?xì)w一化到0-1之間。最后一層使用線形激活函數(shù)，其它時(shí)候leak RELU激活函數(shù)。

3 實(shí)驗(yàn)

本文所用到的數(shù)據(jù)主要來源于互聯(lián)網(wǎng)以及成員通過無人機(jī)實(shí)地拍攝所獲得。其中，互聯(lián)網(wǎng)渠道我們分別使用三種互聯(lián)網(wǎng)搜索引擎去收集項(xiàng)目所需的各類公路病害數(shù)據(jù)。其中無人機(jī)拍攝圖片占比22%，谷歌占比35%，搜狗占比16%，微軟必應(yīng)占比8%，如下圖所示。本文借助LabelImg軟件，標(biāo)記圖像病害的位置，用于構(gòu)建訓(xùn)練圖像。每類病害的圖像數(shù)量分別是：裂縫149張，凹陷99張，松散69張。

本文方法可以同時(shí)檢測(cè)和識(shí)別三類病害圖像，下圖展示了檢測(cè)和識(shí)別的結(jié)果。

為了定量的分析模型的效果，本文分裂縫、松散、凹陷三個(gè)類別分別統(tǒng)計(jì)了病害識(shí)別的準(zhǔn)確率，如表1所示：

4 結(jié)束語(yǔ)

公路是農(nóng)村實(shí)現(xiàn)現(xiàn)代化的一個(gè)重要的基礎(chǔ)設(shè)施。只有對(duì)農(nóng)村公路路面的病害進(jìn)行科學(xué)的檢測(cè)與識(shí)別，才能及時(shí)養(yǎng)護(hù)，提高農(nóng)村居民的生活水平以及加快農(nóng)村經(jīng)濟(jì)的發(fā)展。本文基于采集到的公路病害圖像，采用YOLO技術(shù)實(shí)現(xiàn)了公路常見病害凹陷、裂縫、松散的智能檢測(cè)和識(shí)別。

參考文獻(xiàn)：

[1] 楊靜，李孝兵.路面檢測(cè)技術(shù)現(xiàn)狀及未來發(fā)展趨勢(shì)[J].公路交通科技（應(yīng)用技術(shù)版），2012（1）：104-106.

[2] 梅勇，肖洋.新建高速公路瀝青砼路面早期損壞分析[J].科技創(chuàng)新導(dǎo)報(bào)，2008（30）：47-47.

[3] 蘆燁磊.公路工程質(zhì)量通病及防治措施[J].山西建筑，2010，36（29）：276-277.

[4] 林衍德.農(nóng)村公路路基病害產(chǎn)生的原因與應(yīng)對(duì)策略[J].住宅與房地產(chǎn)，2018（36）：146.

[5] 程偉，李丹.公路工程常見質(zhì)量通病成因及其防治措施[J].價(jià)值工程，2012，31（19）：76-77.

[6] 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.

[7] 顧錚鳴，金曉斌，楊曉艷，等.基于無人機(jī)遙感影像監(jiān)測(cè)土地整治項(xiàng)目公路溝渠利用情況[J].農(nóng)業(yè)工程報(bào)，2018，34（23）：85-93.

【通聯(lián)編輯：光文玲】