人工智能在路面病害研究中的应用文献综述

罗延生

摘 要：传统的检测路面病害的方法有着检测速度慢，耗时高等缺点，随着近代技术的发展，人工智能（BP算法、遗传算法、神经网路、图像增强技术等）运用到了路面检测。使得检测耗时更短、效率更高。

关键词：道路工程;路面病害;人工智能

中图分类号：U418.6 文献标识码：A

0 引言

随着中国高等级公路建设的快速发展，对路面的质量监控体系越来越完善，要求的检测水平也越来越高，对行驶的安全性要求也越来越高。由于车辆在高等级公路上行驶时对路面的平整度、路面完好率要求很高，当路面出现凹凸、裂缝等病害时应及时进行维修。因此，如何高效的获取路面病害数据、抗滑数据，已成为发展交通事业亟待解决的问题。随着科学技术的发展，一些高效的算法被运用到路面工程上来，比如遗传算法、神经网络、BP算法等。

1 BP算法在路面裂缝上的运用

1.1 BP算法在路面裂缝的检测

樊海玮[1]等人对传统BP算法进行了改进，并将其运用到了路面裂缝的检测中去。新的BP算法采用分组批处理的训练方式，而不是每输入一个样本就调整一次学习率。

对于各分组中Pi（1≤i≤n）个训练样本，神经网络实际输出值（）与理想输出值（）间的全局均方误差函数E可表示为：

同时，在BP改进算法中，选择倾斜度参数α的双曲正切S形函数作为隐含层的传递函数：

改进BP算法采用了一种分层动态调整不同学习率的新方法，即分开调整输出层的学习率和隐含层的学习率，从而替代了传统算法中固定不变的学习率，并且还对对于、进行修正;对隐含层各神经元的连接权值ωij和阈值进行修正。

1.2 在路面裂缝检测的运用

对于样本图像中任意感兴趣的区域（一般都是有裂缝的部分），用任意矩形框将该区域框起来后，只需要对该矩形框区域内的所有像素点从右到左、从下到上进行扫描，就可计算出各像素点的灰度值，并提取该矩形框区域内图像的NMI特征、低阶不变矩（IM1、IM2、IM3、IM4）特征、矩形框区域所有像素点的灰度平均值（Avg）和灰度方差值（Var）共7个特征量作为裂缝图像的特征矢量。通过BP网络训练后，系统能在很短时间内检测出该矩形框区域内是否存在缺输出层各神经元的连接权值和阈值进行修正。若接近缺陷的程度越趋向于0，则表明路面缺陷程度越重;若接近缺陷的程度越趋向于1，则表明路面缺陷程度越轻。

2 图像处理系统对路面裂缝的研究应用

2.1 数字图像处理原理

数字图像处理技术的原理是基于CCD摄像机将光学信号转化为电信号，由于计算机视频、计算机图像技术的发展，通过视频采集卡和图像采集卡即可将CCD摄像机的视频信号采集到计算机的内存中，实时或离线进行数据处理。

数字图像处理的过程一般是把获取的每一帧图像转化为二维的数字矩阵，将图像的变换处理转化为矩阵的运算。数字图像处理概括地说主要包括以下几项内容：几何处理、算术处理、图像增强、图像复原、图像重建、图像编码、图像识别及图像理解等。图像获取后，经过相关的变换处理后，分析提取有效的数据或相关信息，对原始图像实现目标特征识别和评价。

2.2 基于数字图像处理技术的路面裂缝识别技术

孙朝云、张娟等[2-4]人将数字图像处理技术运用到路面裂缝的检测中去，张争奇[5]则运用到了路面的离析中，其中孙朝云的DSP技术设计出了融合PSO与局部邻域搜索的新算法，有效的平衡了全局搜索和局部搜索。完成了对裂缝的面积、周长、类型、长度、平均宽度、裂缝的百分比等主要参数的提取。

DSP技术采用的是TMS320C6416快速图像处理系统，为了满足采集信息时的光源充足，选择了德国BASLER公司的L402K线扫描CCD摄像机，MeteorⅡ-Camera Link图像采集卡，尼康摄像机镜头等专用设备，开发了辅助线性LED前向光源照明系统和摄像机固定支架。

DSP图像数据处理，首先对路面图像进行预处理增强（灰度化，灰度处理，滤波），图像分析提取需要的参数，进而图像数据的理解。由于天气、噪声、光線强度等会对图像处理带来很大的难度（特别是阈值的选取）。所以采取了一种新的阈值的选取方法，具体如下：

while （1）{//计算迭代阀值 hist[i]直方图数组

for （i = 0; i < t1 + 1; i++）{

sum0 += hist[i]* i;

num0 += hist[i]; }

for （i = t1 + 1; i < 256; i++）{

sum1 += hist[i]* i;

num1 += hist[i];}

t1 = （sum0 /num0 + sum1 / num1） / 2;

// 看迭代结果是否已收敛

if （t0 == t1） break;

else t0 = t1;}...

3 基于神经网络的图像处理技术对路面裂缝的提取

宋蓓蓓[6]等人利用脉冲神经网络系统，考虑裂缝比路面背景更暗的特点，采用结合赋时矩阵的脉冲耦合神经网络模型，实现了路面图像分割和裂缝的粗提取;利用裂缝比杂质面积大的特点，提出一种基于数字形态学的连通区域提取算法，通过计算每个区域包含的像素数量，采用阈值方法剔除杂质，实现了裂缝的精提取，显著提高了路面裂缝检测的准确性;徐婷[7]等人改进的神经网络方法应用到道路路面缺陷检测中，设计了一种检测图像内任意区域实时检测算法。可以适应路面龟裂、横裂、纵裂、块裂等多种缺陷以及缺陷并存的复杂道路样本图像，采用多个面阵CCD摄像头同步采集运动状态下的路面图像，提取破损图像的各类特征量，结合人工神经网络，实现对路面病害的智能化检测与分类;柯文豪[8]等人采用广义回归神经网络（general regression neural network，GRNN）建立沥青路面裂缝预测模型，对沥青路面裂缝的不同影响因素进行分析。

4 结论

随着我国道路的发展，对于高智能化、道路检测正由人工化向自动化、有损检测向无损检测发展，可实现更快捷的道路质量评估，提供更加合理和经济的道路养护方法。国内外许多研究人员对道路检测技术开展了深入的研究，例如BP算法、神经网络、图像处理技术等开始广泛运用到路面破损状态的检测中来，这些技术让检测的效率更高，耗时更短、更加安全。

参考文献：

[1]樊海玮，张国翊，丁爱玲，等.BP改进算法及其在路面裂缝检测中的应用[J].长安大学学报（自然科学版），2010，30（01）：46-53.

[2]孙朝云，温世文，段宗涛.基于DSP的沥青路面裂缝图像处理系统研究[J].计算机工程与设计，2010，31（07）：1481-1483+1557.

[3]张娟，沙爱民，孙朝云，等.路面裂缝自动识别的图像增强技术[J].中外公路，2009，29（04）：301-305.

[4]张娟，沙爱民，高怀钢，等.基于数字图像处理的路面裂缝自动识别与评价系统[J].长安大学学报（自然科学版），2004（02）：18-22.

[5]张争奇，徐耀辉，胡红松，等.沥青路面离析的数字图像评价方法[J].湖南大学学报（自然科学版），2016，43（09）：129-135.

[6]宋蓓蓓，韦娜.基于脉冲耦合神经网络的路面裂缝提取[J].长安大学学报（自然科学版），2011，31（05）：33-37.

[7]徐婷，祝站东.基于改进神经网络的机器视觉的路面破损检测系统研究[J].公路，2012（09）：210-214.

[8]柯文豪，陈华鑫，雷宇，等.基于GRNN神经网络的沥青路面裂缝预测方法[J].深圳大学学报（理工版），2017，34（04）：378-384.