文 江蘇省南通市公路事業(yè)發(fā)展中心 薛紅軍 南京中設(shè)航空科技發(fā)展有限公司 周敏 朱志超 王勇

公路路面病害的日常養(yǎng)護(hù)巡查，主要借助人力，通過(guò)人車上路的方式開展巡查工作。巡查結(jié)果受車速、人員經(jīng)驗(yàn)、注意力等因素影響，對(duì)細(xì)微裂縫等早期病害易發(fā)生遺漏，且巡查結(jié)果無(wú)客觀數(shù)據(jù)支撐，不僅巡查效率低，并且巡查效果一般。視覺(jué)AI技術(shù)借助經(jīng)濟(jì)便攜的運(yùn)動(dòng)相機(jī)完成路面數(shù)據(jù)的快速采集，并通過(guò)視覺(jué)AI技術(shù)快速分析采集影像，自動(dòng)識(shí)別路面病害，可應(yīng)用于公路路面日常養(yǎng)護(hù)快速巡查，大幅降低人工巡查負(fù)擔(dān)，提高作業(yè)效率。

交通運(yùn)輸部2018年第88號(hào)公告發(fā)布了《公路技術(shù)狀況評(píng)定標(biāo)準(zhǔn)》（JTG 5210-2018），于2019年5月1日起正式實(shí)施。該標(biāo)準(zhǔn)著重強(qiáng)調(diào)“加強(qiáng)公路技術(shù)狀況檢測(cè)工作”，鼓勵(lì)在標(biāo)準(zhǔn)基礎(chǔ)上，進(jìn)一步增加檢測(cè)頻率，及時(shí)排查和發(fā)現(xiàn)各類病害，為日常養(yǎng)護(hù)工作和編制養(yǎng)護(hù)工程計(jì)劃提供準(zhǔn)確的數(shù)據(jù)支撐。同時(shí)，“推進(jìn)檢測(cè)自動(dòng)化和智能化”，鼓勵(lì)在既有路況多功能檢測(cè)裝備的基礎(chǔ)上，應(yīng)用路面及沿線設(shè)施等公路病害智能化自動(dòng)識(shí)別技術(shù)，不斷提升公路技術(shù)狀況檢測(cè)專業(yè)化和自動(dòng)化水平。

目前，普通公路日常養(yǎng)護(hù)巡查工作仍要依靠“車載人走”的方式開展人工排查，不僅效率較低，并且對(duì)巡查人員經(jīng)驗(yàn)依賴程度較高，主觀性較強(qiáng)。同時(shí)，巡查結(jié)果缺乏可量化、直觀化的管理及呈現(xiàn)方式，造成日常路面養(yǎng)護(hù)數(shù)據(jù)無(wú)法有效積累和沉淀，公路管理部門難以全面、及時(shí)地掌握公路日常技術(shù)狀況。結(jié)合《公路技術(shù)狀況評(píng)定標(biāo)準(zhǔn)》相關(guān)工作要求，日常養(yǎng)護(hù)巡查及管理工作需要低成本、易操作、高效率、高頻率的自動(dòng)化、智能化檢測(cè)技術(shù)解決方案支撐。

視覺(jué)AI路面養(yǎng)護(hù)巡查新方案

視覺(jué)AI路面日常養(yǎng)護(hù)快速巡查技術(shù)方案體系，由一個(gè)便攜式快速采集終端、一組AI智能識(shí)別算法、一套數(shù)據(jù)管理系統(tǒng)組成，是一整套可用于日常養(yǎng)護(hù)巡查的經(jīng)濟(jì)、便捷、自動(dòng)化、智能化的解決方案，從發(fā)現(xiàn)問(wèn)題、分析問(wèn)題到解決問(wèn)題，覆蓋路面養(yǎng)護(hù)快速巡查的全流程管理。

視覺(jué)AI的路面養(yǎng)護(hù)巡查解決方案構(gòu)成

便攜式快速采集終端

快速采集終端采用便攜式運(yùn)動(dòng)相機(jī)，可在現(xiàn)有養(yǎng)護(hù)巡查車輛上快速搭載，無(wú)需改裝，使采集工作變得十分便捷。

基于檢測(cè)結(jié)果的系統(tǒng)可視化呈現(xiàn)

結(jié)合實(shí)際巡查及智能識(shí)別技術(shù)需求，快速采集終端需滿足一些技術(shù)要求。終端像素不低于800萬(wàn)，具備光學(xué)防抖、電子防抖功能，使行車拍攝影像清晰、穩(wěn)定，滿足圖像識(shí)別算法所需的精度要求；具備定時(shí)拍攝照片功能，可通過(guò)設(shè)置定時(shí)拍照，不間斷自動(dòng)采集路面影像；終端集成GPS模塊，采集影像包含GPS位置信息，便于病害定位，可結(jié)合GIS二次開發(fā)與地圖關(guān)聯(lián)處理；可便捷搭載在車輛端，可快速拆卸。

在便攜式快速采集終端發(fā)現(xiàn)問(wèn)題，并應(yīng)用視覺(jué)AI智能識(shí)別算法分析問(wèn)題的基礎(chǔ)上，數(shù)據(jù)管理系統(tǒng)主要在解決問(wèn)題環(huán)節(jié)，采用基于Web GIS的可視化分析技術(shù)，將檢測(cè)結(jié)果通過(guò)類似于“路面養(yǎng)護(hù)領(lǐng)域的‘高德路況’”的可視化方式，可直觀呈現(xiàn)和管理宏觀、中觀、微觀的角度檢測(cè)的數(shù)據(jù)結(jié)果。

通過(guò)日常高頻率的巡檢及類PCI指標(biāo)的計(jì)算分析，對(duì)病害數(shù)據(jù)實(shí)施量化、積累，并基于量化數(shù)據(jù)形成可視化統(tǒng)計(jì)分析報(bào)表，有助于市、縣級(jí)公路管理部門在及時(shí)排查和發(fā)現(xiàn)各類病害的同時(shí)，直觀全面地掌握轄區(qū)內(nèi)公路技術(shù)狀況，為日常養(yǎng)護(hù)工作和編制養(yǎng)護(hù)工程計(jì)劃提供準(zhǔn)確的數(shù)據(jù)支撐。

視覺(jué)AI智能識(shí)別算法

在采集數(shù)據(jù)分析環(huán)節(jié)，主要基于多卷積神經(jīng)網(wǎng)絡(luò)模型的深度學(xué)習(xí)訓(xùn)練，形成輕量化、高精度的目標(biāo)檢測(cè)模型算法，通過(guò)檢測(cè)模型算法，快速、準(zhǔn)確地識(shí)別路面病害問(wèn)題。

分割模型改進(jìn)的檢測(cè)模型結(jié)構(gòu)

目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)的一個(gè)重要分支，目的是準(zhǔn)確判斷圖像或視頻中的物體類別并定位。近年來(lái)，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法快速發(fā)展，摒棄了傳統(tǒng)檢測(cè)算法適應(yīng)性不高、對(duì)背景模型的更新要求高、提取特征魯棒性差和檢測(cè)實(shí)時(shí)性差等缺點(diǎn)，尤其是R-CNN目標(biāo)檢測(cè)算法，在基于深度學(xué)習(xí)的目標(biāo)檢測(cè)領(lǐng)域取得了重大突破，使檢測(cè)模型在精度和速度方面都有了很大提升，從而使得路面病害的日?？焖贆z測(cè)成為可能。

根據(jù)養(yǎng)護(hù)歷史數(shù)據(jù)，路面日常病害中，橫向裂縫、縱向裂縫、塊狀裂縫、龜裂、坑槽、修補(bǔ)占到了路面病害數(shù)量的86.14%，是路面病害中發(fā)生數(shù)量最多的病害類型。同時(shí)，瀝青路面病害基本從裂縫開始，在得不到及時(shí)有效修補(bǔ)的情況下，因持續(xù)受到反復(fù)碾壓和雨雪積水侵蝕而發(fā)展成坑洼、斷裂，甚至塌陷，加速路面使用性能的下降，縮短道路使用壽命，加大道路維修成本，直接影響行車舒適性和安全性。因此，各類型細(xì)微裂縫的早期發(fā)現(xiàn)對(duì)于日常養(yǎng)護(hù)巡查及日常小修保養(yǎng)工作顯得尤其重要。

路面病害目標(biāo)檢測(cè)技術(shù)，主要是自動(dòng)識(shí)別瀝青路面中橫向裂縫、縱向裂縫、塊狀裂縫、龜裂、坑槽、修補(bǔ)（含已發(fā)生裂縫的灌縫修補(bǔ)）等常見病害。

針對(duì)日常路面病害特性，通過(guò)“分割模型改進(jìn)的檢測(cè)模型結(jié)構(gòu)”“多尺度特征的融合”“遷移學(xué)習(xí)訓(xùn)練”等技術(shù)手段，深度定制開發(fā)算法，結(jié)合近20萬(wàn)張樣本照片采集，以及超過(guò)46000張有效樣本的深度學(xué)習(xí)訓(xùn)練，算法整體識(shí)別率超過(guò)90%，取得了良好的效果。隨著樣本的豐富及持續(xù)訓(xùn)練，識(shí)別精度還有較大的提升空間。

分割模型改進(jìn)的檢測(cè)模型結(jié)構(gòu)

早期路面裂縫寬度一般在1毫米至3毫米，采集影像單個(gè)像素寬度即達(dá)到0.7毫米，因此，對(duì)于早期輕中度裂縫的圖像識(shí)別，需要達(dá)到像素級(jí)別的精度。

多尺度特征的融合使得細(xì)小裂縫檢測(cè)更加準(zhǔn)確

深度神經(jīng)網(wǎng)絡(luò)使用空間金字塔池化模塊及編碼器-解碼器結(jié)構(gòu)執(zhí)行語(yǔ)義分割任務(wù)，分割模型將代表具體類型的語(yǔ)義標(biāo)簽（如道路、綠化、天空等）分配給圖像中的每一個(gè)像素，通過(guò)像素級(jí)別的精細(xì)化標(biāo)注，可以更好地判斷圖片上某一像素屬于病害區(qū)域還是正常路面，即可以精確到像素級(jí)別的檢測(cè)。

多尺度特征融合

隨著神經(jīng)網(wǎng)絡(luò)的加深，在圖片的特征提取過(guò)程中，一些針對(duì)小目標(biāo)的特征提取，圖片分辨率會(huì)越來(lái)越小，到最后小目標(biāo)的特征信息可能丟失，從而導(dǎo)致小目標(biāo)的檢測(cè)精度不高。

多尺度特征融合的多層次特征提取，在當(dāng)層級(jí)網(wǎng)絡(luò)進(jìn)行卷積操作之前，將上一層的特征融合當(dāng)層級(jí)的特征，從而保留上一層級(jí)的一些信息，減少信息丟失。多尺度特征的融合使得模型不僅僅可以檢測(cè)明顯的大目標(biāo)病害，也提升了細(xì)小裂縫等小目標(biāo)的檢測(cè)精度。

遷移學(xué)習(xí)訓(xùn)練

在研發(fā)初期，由于可用于訓(xùn)練的有效樣本數(shù)據(jù)較少，無(wú)法在短期內(nèi)找到足夠充分的訓(xùn)練數(shù)據(jù)，通過(guò)樣本數(shù)據(jù)直接訓(xùn)練的效果往往并不理想。采用遷移學(xué)習(xí)的基本思路是利用預(yù)訓(xùn)練模型訓(xùn)練，習(xí)得數(shù)據(jù)的組織模式，提升基礎(chǔ)網(wǎng)絡(luò)的特征提取能力。在此基礎(chǔ)上再加入樣本數(shù)據(jù)訓(xùn)練，獲得更加優(yōu)秀的識(shí)別效果。

遷移學(xué)習(xí)訓(xùn)練

AI路面養(yǎng)護(hù)巡查的優(yōu)勢(shì)

視覺(jué)AI路面日常養(yǎng)護(hù)快速巡查技術(shù)解決方案優(yōu)勢(shì)，可歸納為“快速便捷、經(jīng)濟(jì)性強(qiáng)”“智能化、自動(dòng)化程度高”“可視化程度高、直觀性強(qiáng)”“可量化指標(biāo)、多維統(tǒng)計(jì)分析，科學(xué)決策能力強(qiáng)”“契合行業(yè)發(fā)展、需求量大”，體現(xiàn)了智能化自動(dòng)化養(yǎng)護(hù)管理的模式創(chuàng)新。

外拍相機(jī)和計(jì)算機(jī)軟件分析系統(tǒng)共同構(gòu)成了檢測(cè)系統(tǒng)，單套采集設(shè)備成本不足4000元，利用日常養(yǎng)護(hù)巡查車輛搭載后，平均每公里采集數(shù)據(jù)不足2分鐘，大大降低了人工巡檢負(fù)擔(dān)，工作效率比純?nèi)斯z查提高約8倍至10倍，且使用門檻低，一線養(yǎng)路工經(jīng)過(guò)簡(jiǎn)單培訓(xùn)即可使用，能夠廣泛應(yīng)用于面廣量大的普通干線公路和農(nóng)村公路路面檢測(cè)。

人工智能技術(shù)是引領(lǐng)當(dāng)代科技和產(chǎn)業(yè)變革的戰(zhàn)略性技術(shù)。目前，人工智能技術(shù)已逐步滲入安防、交通、能源等各行各業(yè)。結(jié)合人工智能技術(shù)及傳統(tǒng)交通行業(yè)管理需求，視覺(jué)AI路面日常養(yǎng)護(hù)快速巡查技術(shù)將智能AI技術(shù)和多終端技術(shù)，與路面日常養(yǎng)護(hù)巡查這一行業(yè)需求，形成有效銜接，落地應(yīng)用，將日常養(yǎng)護(hù)巡查手段由人工巡查變?yōu)橹悄苎膊?，可與多功能路況快速檢測(cè)系統(tǒng)定期性檢測(cè)作業(yè)模式形成有效互補(bǔ)，提升日常一線養(yǎng)護(hù)工作的智能化、信息化水平。