摘 要：常規(guī)的公路路面病害智能檢測方法主要使用CA（Coordinate Attention， CA）注意力機(jī)制生成病害智能檢測模型，其易受多尺度變化影響，導(dǎo)致病害智能檢測異常，因此，基于物聯(lián)網(wǎng)技術(shù)設(shè)計了一種全新的公路路面病害智能檢測方法。通過獲取公路路面病害圖像數(shù)據(jù)集，利用物聯(lián)網(wǎng)技術(shù)構(gòu)建公路路面病害檢測模型，生成公路路面病害智能檢測特征提取網(wǎng)絡(luò)，從而實(shí)現(xiàn)公路路面病害智能檢測。實(shí)驗(yàn)結(jié)果表明，設(shè)計的基于物聯(lián)網(wǎng)技術(shù)的公路路面病害智能檢測方法的檢測效果較好，不同的路面病害均能被有效識別，具有極大可靠性，應(yīng)用價值較高，將為提高公路路面駕駛安全性作出一定的貢獻(xiàn)。

關(guān)鍵詞：物聯(lián)網(wǎng)技術(shù)；公路路面；智能檢測；特征提?。蛔⒁饬C(jī)制；病害檢測

中圖分類號：TP391；U495 文獻(xiàn)標(biāo)識碼：A 文章編號：2095-1302（2024）06-00-03

0 引 言

常見的公路路面病害類型較多，包括因路面破損、龜裂等嚴(yán)重影響路面平整度和舒適度的坑槽；因車輛反復(fù)行駛[1]，在路面形成的車轍；因路面材料老化、磨損或腐蝕等原因，導(dǎo)致路面松散脫落[2]；因路基沉降不均勻或地下管線鋪設(shè)不當(dāng)?shù)仍?，?dǎo)致路面沉陷等。這些病害不僅影響公路的使用性能和舒適度，還會對車輛的行駛安全造成潛在威

脅[3]。受路面環(huán)境等因素影響，進(jìn)行路面病害檢測的難度較高，獲取的路面病害檢測結(jié)果并不準(zhǔn)確。為了解決上述問題，文章基于物聯(lián)網(wǎng)技術(shù)設(shè)計了一種全新的公路路面病害智能檢測方法。

1 公路路面病害物聯(lián)網(wǎng)技術(shù)智能檢測方法設(shè)計

1.1 獲取公路路面病害圖像數(shù)據(jù)集

獲取高質(zhì)量的路面病害數(shù)據(jù)是路面病害智能檢測的基礎(chǔ)，因此，文中首先取得了公路路面病害智能檢測圖像數(shù)據(jù)集。對獲取的數(shù)據(jù)進(jìn)行預(yù)處理，完成數(shù)據(jù)清洗與數(shù)據(jù)格式規(guī)范化處理，并對清洗完畢的數(shù)據(jù)進(jìn)行校驗(yàn)，如式（1）所示：

（1）

式中：xk（t）代表采集的初始智能檢測數(shù)據(jù)；xj（t）代表經(jīng)過數(shù)據(jù)清洗后的智能檢測數(shù)據(jù)[4]；σ代表數(shù)據(jù)校驗(yàn)誤差。此時，可以輸出通過校驗(yàn)的數(shù)據(jù)，進(jìn)行存放校驗(yàn)分類[5]，利用Images、ImageSets、Annotations并行存儲數(shù)據(jù)，生成原始的智能檢測數(shù)據(jù)標(biāo)簽。在公路路面病害智能檢測過程中[6]，需要將檢測出的病害區(qū)域標(biāo)注起來，對坑槽、橫縱、復(fù)雜裂縫等命名，分別為pothole、lateral_crack、longitudinal_crack、mesh_crack，此時的病害數(shù)據(jù)集標(biāo)注界面如圖1所示。

由圖1可知，標(biāo)注完畢后，會立刻在相應(yīng)檢測文件夾中生成相關(guān)原始檢測標(biāo)簽文件，此時可以利用labelme工具轉(zhuǎn)換格式，存儲圖像數(shù)據(jù)集訓(xùn)練數(shù)據(jù)信息，更新病害智能檢測xmin、ymin、xmax、ymax坐標(biāo)。

標(biāo)注后的病害智能檢測數(shù)據(jù)集樣本需要進(jìn)行數(shù)據(jù)擴(kuò)增處理，降低樣本數(shù)據(jù)不均衡問題對病害智能檢測造成的影響。

1.2 基于物聯(lián)網(wǎng)技術(shù)構(gòu)建公路路面病害檢測模型

物聯(lián)網(wǎng)技術(shù)是一種特殊的信息傳感技術(shù)，其可通過特定的信息交換媒介通信，提高智能化識別檢測的有效性。因此，文中基于物聯(lián)網(wǎng)技術(shù)構(gòu)建了公路路面病害檢測模型。首先，可以將上述獲取的路面病害圖像數(shù)據(jù)集中的數(shù)據(jù)傳輸?shù)皆贫嘶驍?shù)據(jù)中心進(jìn)行存儲和分析，此時可根據(jù)預(yù)測的病害智能檢測位置計算智能檢測廣義交并比GIoU，如式（2）所示：

（2）

式中：IoU代表檢測區(qū)域與真實(shí)區(qū)域的交并比；sa、sp、sc分別代表不同智能檢測框的面積?；诖松傻闹悄軝z測損失函數(shù)IIoU如式（3）所示：

（3）

根據(jù)上述智能檢測損失函數(shù)可知，若智能檢測區(qū)與實(shí)際病害區(qū)域的重疊性較高，證明收斂速度越快，檢測效果越好。此時，為確定中心智能檢測距離，需要計算智能檢測縱橫比IC，如式（4）所示：

（4）

式中：ρ（b）代表中心檢測點(diǎn)坐標(biāo)；c代表包含檢測區(qū)域的最小外接框?qū)蔷€距離；α代表歐式距離。為了同時滿足病害智能檢測對角線距離識別的要求，使其與檢測相對值擬合，可以計算智能檢測寬度損失IE，如式（5）所示：

（5）

式中：CW代表檢測覆蓋寬度；v代表智能檢測權(quán)重函數(shù)。根據(jù)上述檢測損失關(guān)系可以確定公路路面病害智能檢測模型的加速收斂參數(shù)?；诖?，構(gòu)建的公路路面病害智能檢測模型Z（w）如式（6）所示：

（6）

式中：H代表歸一化智能檢測特征；xc（j， w）代表檢測輸出池化值。使用上述構(gòu)建的公路路面病害智能檢測模型可以快速確定智能檢測的相對區(qū)域，全面提升最終檢測精度。

1.3 生成公路路面病害智能檢測特征提取網(wǎng)絡(luò)

為增強(qiáng)公路路面病害智能檢測模型對關(guān)鍵檢測特征的學(xué)習(xí)能力，降低智能檢測難度，文章設(shè)計的智能檢測方法生成了有效的智能檢測特征提取網(wǎng)絡(luò)。首先需要在骨干網(wǎng)絡(luò)中添加注意力模塊，學(xué)習(xí)不同的檢測語義信息，根據(jù)網(wǎng)絡(luò)層數(shù)變化對檢測信息進(jìn)行壓縮。在檢測過程中，一旦獲取的圖像中關(guān)注的輪廓與信息改變會立即標(biāo)注，增加提取特征的代表性，降低冗余信息對智能檢測結(jié)果造成的影響。除此之外，生成的公路路面病害特征提取網(wǎng)絡(luò)主要以注意力機(jī)制為標(biāo)準(zhǔn)，重點(diǎn)關(guān)注目標(biāo)病害的位置，再根據(jù)空間選擇要求進(jìn)行有效學(xué)習(xí)，提高公路路面病害智能檢測的準(zhǔn)確率。最后，該網(wǎng)絡(luò)可以通過Squeeze-and-Excitation確定智能檢測分支，對不同的特征圖進(jìn)行多次標(biāo)定，生成智能檢測網(wǎng)絡(luò)示意圖。上述公路路面網(wǎng)絡(luò)結(jié)構(gòu)可以利用Global pooling層改進(jìn)原有的識別骨干中心，添加SE模塊最大限度降低語義變化對路面病害特征信息提取造成的影響，提升路面病害智能檢測的可靠性。

2 實(shí) 驗(yàn)

為驗(yàn)證設(shè)計的基于物聯(lián)網(wǎng)技術(shù)的公路路面病害智能檢測方法的檢測效果，文中選取了有效的實(shí)驗(yàn)集合，將其與文獻(xiàn)[5]、文獻(xiàn)[6]中常規(guī)的公路路面智能檢測方法進(jìn)行對比，并進(jìn)行了實(shí)驗(yàn)。

2.1 實(shí)驗(yàn)準(zhǔn)備

根據(jù)公路路面病害智能檢測實(shí)驗(yàn)要求，文中選取YOLOv5平臺作為實(shí)驗(yàn)平臺，該實(shí)驗(yàn)配置的路面病害智能識別實(shí)驗(yàn)?zāi)Ｐ统瑓?shù)見表1所列。

由表1可知，根據(jù)上述配置的路面病害智能識別實(shí)驗(yàn)?zāi)Ｐ统瑓?shù)結(jié)合Python3.8生成深度學(xué)習(xí)框架。本實(shí)驗(yàn)使用佳能EOS 500D相機(jī)拍攝的路面圖像生成實(shí)驗(yàn)數(shù)據(jù)集，并以

4 000×6 000分辨率進(jìn)行存儲。為提高實(shí)驗(yàn)結(jié)果的可比性，使用上述統(tǒng)一的超參數(shù)進(jìn)行綜合訓(xùn)練，獲取分類損失均值，確保實(shí)驗(yàn)圖像處于理想狀態(tài)。實(shí)驗(yàn)數(shù)據(jù)集處理完成后，利用ResNet結(jié)構(gòu)進(jìn)行路面病害分類，利用Nvidia 2080-ti執(zhí)行不同的檢測步驟[7-9]。智能檢測實(shí)驗(yàn)流程如圖2所示。

由圖2可知，為避免突發(fā)異常情況造成實(shí)驗(yàn)干擾，文中使用高性能變分自動編碼器剔除了異常樣本，準(zhǔn)確描述實(shí)驗(yàn)圖像特征，避免出現(xiàn)實(shí)驗(yàn)重建誤差[10]。待上述步驟完成后，即可得出最終的病害智能檢測結(jié)果。

2.2 實(shí)驗(yàn)結(jié)果與討論

結(jié)合上述實(shí)驗(yàn)準(zhǔn)備，可進(jìn)行公路路面病害智能檢測實(shí)驗(yàn)，為滿足類型病害的檢測要求，文中共選取了坑洞、裂縫、小目標(biāo)三種不同類型的病害進(jìn)行智能檢測。通過DJI Air無人機(jī)拍攝原始路面圖像，分別使用文中設(shè)計的基于物聯(lián)網(wǎng)技術(shù)的公路路面病害智能檢測方法，文獻(xiàn)[5]中基于YOLOx模型的公路路面病害智能檢測方法以及文獻(xiàn)[6]中考慮無人機(jī)影響的公路路面病害智能檢測方法進(jìn)行路面病害智能檢測。3種方法對不同類型路面病害的檢測結(jié)果如圖3所示。

由圖3可知，在初始智能檢測環(huán)境相同的情況下，文中設(shè)計的基于物聯(lián)網(wǎng)技術(shù)的公路路面智能檢測方法在坑洞、裂縫、小目標(biāo)病害中的識別效果均較好，能準(zhǔn)確識別全部病害目標(biāo)，文獻(xiàn)[5]中基于YOLOx模型的公路路面病害智能檢測方法以及文獻(xiàn)[6]中考慮無人機(jī)影響的公路路面病害智能檢測方法在坑洞、裂縫、小目標(biāo)病害中的識別效果相對較差，部分病害無法識別。上述實(shí)驗(yàn)結(jié)果證明，文中設(shè)計的基于物聯(lián)網(wǎng)技術(shù)的公路路面病害智能檢測方法的檢測效果較好，具有較高準(zhǔn)確性。

3 結(jié) 語

綜上所述，隨著經(jīng)濟(jì)的發(fā)展和城市化進(jìn)程的加速，我國公路建設(shè)越來越完善，公路總里程不斷增加，公路的養(yǎng)護(hù)和管理任務(wù)變得更加繁重，傳統(tǒng)的人工檢測和養(yǎng)護(hù)方式已經(jīng)無法滿足需求，公路路面病害頻發(fā)。進(jìn)行公路路面病害智能檢測不僅能提高檢測效率和精度，保障道路安全和通行效率，降低養(yǎng)護(hù)和維修成本，還可以促進(jìn)人工智能技術(shù)的發(fā)展，提升城市形象和管理水平。因此，文中基于物聯(lián)網(wǎng)技術(shù)設(shè)計了一種全新的公路路面病害智能檢測方法。實(shí)驗(yàn)結(jié)果表明，設(shè)計的基于物聯(lián)網(wǎng)技術(shù)的公路路面病害智能檢測方法的檢測效果較好，具有較高可靠性，為降低公路運(yùn)輸安全風(fēng)險作出了一定的貢獻(xiàn)。

參考文獻(xiàn)

[1]陳昕，王曦，黃晶晶，等.基于YOLOv3的農(nóng)村公路路面病害自動識別研究[J].遼寧工業(yè)大學(xué)學(xué)報（自然科學(xué)版），2023，43（5）：293-295.

[2]高明星，關(guān)雪峰，范井麗，等.基于改進(jìn)YOLOv5-DeepSORT算法的公路路面病害智能識別[J].森林工程，2023，39（5）：161-174.

[3]趙麗鳳，王勇，王曉靜，等.改進(jìn)U-Net模型支持下的高密度激光點(diǎn)云在瀝青道路病害識別中的應(yīng)用[J].測繪通報，2023，69（7）：136-141.

[4]韓豫，張萌，李宇宏，等.基于深度學(xué)習(xí)和ArcMap的路面病害智能綜合檢測方法[J].江蘇大學(xué)學(xué)報（自然科學(xué)版），2023，44（4）：490-496.

[5]李炎清，張關(guān)發(fā)，崔志猛，等.基于YOLOx-MobileNetV3模型的路面病害智能識別研究[J].交通節(jié)能與環(huán)保，2023，19（3）：11-17.

[6]安學(xué)剛，黨建武，王陽萍，等.基于改進(jìn)YOLOv4的無人機(jī)影像路面病害檢測方法[J].無線電工程，2023，53（6）：1285-1294.

[7]李任瓊.基于智能檢測控制的公路路基系統(tǒng)設(shè)計與研究[J].電子設(shè)計工程，2023，31（16）：91-95.

[8]彭杰.公路路基路面病害的科學(xué)檢測及預(yù)防養(yǎng)護(hù)策略探討[J].黑龍江交通科技，2022，45（11）：180-182.

[9]蔣煒.公路路基路面病害檢測與修復(fù)分析[J].建筑技術(shù)開發(fā)，2022，49（24）：158-160.

[10]吳煉，錢國明，韓曉健.基于卷積神經(jīng)網(wǎng)絡(luò)的航道邊坡病害識別[J].電子設(shè)計工程，2023，31（15）：90-93.