数字全息检测系统已用于多条高速

目前，数字全息智能检测系统已在广东多条高速公路沥青路面预防性养护工程中应用，应用结果显示，该套系统准确地计算出了构造深度、纵坡度、横坡度等数据，为沥青路面预防性养护提供了更加精确的工程量计算标准。

路面预防性养护车辙处治工程量精确计算

在广东省广韶高速公路的沥青路面预防性养护工程中，养护人员在不同路段采用数字全息智能检测技术开展检测，并对其进行三维数据建模，实施路段共计8400米。

其中，三维路面车辙的侧视图，采用模拟三米直尺法来获取车辙的代表值；车道左、右轮迹车辙数值模型，采用模拟人工三米直尺法量测，并取左、右轮迹车辙的最大值为该测量段路的车辙代表值。根据计算，该测量路段的车辙代表值为13.013毫米。

广韶高速公路某横向3.75米、纵向1米的路段三维路面车辙展示效果。

广韶高速公路某横向3.75米、纵向10米路段的路面三维车辙展示效果。

三维路面车辙侧视图

三维路面车辙体积计算模型图

依据《公路技术状况评定标准》（JTG 5210—2018）中关于车辙评价标准分类，该路段的路面车辙状况为良好。按照现行《公路沥青路面预防养护技术规范》，此类车辙建议采用微表处填补车辙或薄层罩面法进行修复。

养护人员模拟罩面位置，计算出该路段车辙养护所需要的沥青混合料总摊铺量。项目施工完成后，经验证，基于三维数据模型所计算的模拟用量与实际养护施工中的工程用量吻合度较高，误差小于5%。

基于数字全息的路面构造深度检测及数据应用

为了解广东某高速公路隧道沥青路面抗滑磨耗情况，技术人员采用基于数字全息的智能检测系统采集了该隧道路段的沥青路面铺装构造深度，并评估了路面的磨耗情况。

某高速公路隧道路段主车道不同位置（左轮迹、车道中间、右轮迹）构造深度分布图

该隧道路段主车道不同位置路面构造深度分布图显示，无论左、右轮迹处，还是车道中间部位，路面构造深度的分布趋势基本保持一致。但该隧道路段不同方向主车道路面磨耗程度整体较为严重，且A方向较B方向更为明显，这也是造成该路段路面抗滑横向力系数下降的重要原因。

为了能更好地复核该隧道内沥青路面的真实状况，养护人员选取了任意位置的三维图进行分析。从三维图中可以看出，隧道内沥青路面地表面颗粒构造分布的确不均匀，再次验证了路面表面磨损较为严重的事实。

隧道内部路段任意位置构造深度三维精细化数据

某高速公路隧道A、B方向主车道路面磨耗数据对比

广东某高速公路路面三维纵坡数据模型展示图

广东某高速公路三条车道的路面横坡三维数据展示图

路面连续性纵、横坡度三维数据展示及应用

对于道路维修养护工程，尤其是预防性养护工程来说，路面的平面线形一般是固定不变的，工程技术人员更多需要关注的是路面纵、横坡度的局部变化。路面纵、横坡度的局部不断变化，不仅关系到车辆行驶的舒适性，也会影响到车辆的行驶安全。此外，路面纵、横坡度局部不顺畅，往往会导致路面长期积水或渗水，直接影响沥青路面的使用寿命，同时还将给预防性养护薄（超薄）层罩面厚度方案的选择，以及施工质量的控制带来严峻的考验。

以往，路面的纵、横坡度一般通过水准仪、全站仪等工程测量的方式来获取。然而，传统的工程测量方式主要依靠人工现场操作，不仅效率低，而且选点连线，无法展示连续性任意断面纵、横坡度。正是这些原因，导致路面养护工程尤其是大面积的预防性养护工程中，路面纵、横坡度往往被忽略。

数字全息检测技术的应用，使得路面任意断面纵、横坡度的数值获取变得非常容易。在广东某高速公路上，技术人员采用数字全息检测系统检测了超车道、主车道、慢车道三条车道，并将三条车道的数据缝合得出一个整体数据，在整体数据的基础上，可以非常方便地计算出任意断面的路面纵、横坡度，这为该条高速公路的沥青路面预防性养护设计和施工质量控制提供了重要的数据支撑。

基于数字全息三维数据的病害识别应用

路面病害的自动化检测和识别一直是公路路面养护的难点和痛点。目前，我国公路行业路面自动化检测设备已基本普及，但现有检测设备采集的大多为路面病害的二维图像，需要依靠大量的人工进行路面病害图像的辅助识别和分类，不仅效率不高，而且技术人员的责任心不足或视觉疲劳等因素，导致出错率长期居高不下。

人工智能的飞速发展让路面病害的自动化准确分类识别成为可能。基于数字全息技术的数字全息检测系统建立了基于人工智能的三维路面病害识别系统。传统的二维路面纹理图只能识别裂缝类等病害，而三维路面深度图可准确识别变形类（拥包、坑槽、车辙等）病害。目前，北京某条城市道路和广东广韶高速公路都已经应用了三维路面病害识别系统。

基于已有的三维数据分析得出，采用深度神经网络算法的智能识别技术，病害识别准确率高达95.75%，而错误率仅有1.8%。众所周知，智能识别技术的成功取决于数据集的质量和数量。因此，如果要进一步提高智能识别技术的路面病害识别准确率，首先要建立高质量的三维路面病害数据集，人工界定病害类型，并在实际检测中不断增加数据集样本数量，通过训练逐渐提高智能识别算法的效率和准确率。

三维路面坑槽病害

三维路面车辙病害

三维路面长裂缝-纵向裂缝