基于深度学习的城市道路病害智能识别和养护技术研究

陈智勇

（秦皇岛市海港区市政设施管护中心，河北 秦皇岛）

引言

随着公路交通量的增加、使用时间的持续增长、车辆重载等因素影响，公路破坏、修复已成为城市交通主要问题[1]。城市道路发生病害会使路面使用寿命缩短，对路面使用性能造成影响，需对其及时修复[2]。在工作环境中，因图像采集时受路面状况、自然光照等影响，使图像有模糊、光照不均等现象存在，通常需要利用人工途径发现图像中存在的各种路面病害问题，给病害图像筛选效率以及精准度等造成较大影响[3]。近年来，各类智能机械设备的迭代和发展，给图像识别技术提供了更大发展空间[4]，研究者可利用数字图像处理技术，可以及时获取各类路面特征信息，使以往的路面检测等环节逐步进入到自动化运行模式。这种方式可使成本、时间减少，在一定程度上可将检测质量提高，确保人员安全。深度学习最终目的是获得具有学习能力的机器，完成数据识别等。

1 路面病害图像预处理与特征提取

1.1 图像预处理

路面病害图像采集可通过车载式路面图像采集设备实现，使用高信噪比、高灵敏度的相机，智能化集取各项数据信息，通过视频分帧将拍摄的影像资料转变为相应的图片，方便人工智能模型识别。对不同尺寸图像根据相关要求开展灰度化等相关处理，之后以数据量以及图片尺寸为衡量标准对图片予以缩小。按照路面龟裂、裂缝等不同状态，对图像进行分块使其达到500×500，并且构建相应路面裂缝数据集。

1.2 纹理描述

纹理描述过程中主要涉及粗糙度等相关指标。利用直方图统计方法过程中利用图像哪个参数特征能够了解各类图像类型中对应的灰度级数目，同时可结合不同灰度级的分布状况予以综合分析。对一幅灰度值可取值为L 的图像，其直方图定义如下：

公式中，一幅灰度图的总像素为n，第k 个灰度等级为rk，第k 级灰度像素值为nk，这一灰度对应的出现频率是pr（rk），而L 个频率值pr（rk）共同形成的一维向量，即代表了灰度图像直方图。灰度图像的平均亮度以均值来代表，在此将均值界定成：

图像平均对比度通常利用标准偏差来代表，粗糙纹理要高于光滑纹理，其标准偏差是：

图像亮度相对平滑度用平滑度表示，定义为：

在R 等于0 时，意味着常量亮度；当R 近似于1，意味着图像亮度相对更加粗糙。通过三阶矩可调直方图偏斜定义为：

一致性意味着图像的灰度统一度，如这一数值处于均等状态，那么数值为最高值，通过下列公式开展一致性分析：

这些参数可度量能反应在灰度直方图上的全部特性，通过这些特性可对图像纹理特征光滑程度进行有效判断。裂缝像素个数在灰度级范围[145，165]内集中，网状裂缝像素个数在灰度级范围为[155，175]内集中，龟类像素个数在灰度级范围[155，205]内集中。图1为裂缝、龟裂和网状裂缝图。

图1 裂缝、龟裂和网状裂缝图

2 深度多层极限学习机识别模型

2.1 深度多层极限学习机

深度多层极限学习机（ML-ELM）和DSAE 之间存在较高相似度，其中ML-ELM训练时不需要开展参数迭代以及微调，ML-ELM 是由堆栈极限学习机自编码器（ELM-AE）构建深度神经网络，ELM-AE 可表示奇异值特征。图2 为ML-ELM网络结构图。

图2 深度ML-ELM 的网络结构图

在图2 中，网络输入层和隐藏层神经元用I，p，d，Li表示，第i 个隐藏层输出特征矩阵为hi。引入了特异性(SPE)、灵敏性(SEN)、准确度(ACC)、精确度(PRE)，采用这四个指标综合评估算法性能。结合样本真实类别及相应预测类别，可把样本划分成真正例（TP）、真反例（TN）等多种情况，具体如下所示。

2.2 ML-ELM识别结果

经NCA 算法、ReliefF 算法获得相应的特征集。ML-ELM 模型主要通过下列训练以及测试环节：首先，对数据信息予以归一化，通过数据归一化能够把所有特征量转变成[0,1]区间数值，达到清除不同特征量之间的数量级别目的。在操作过程中把5 600 个样本设定成训练集，其中所有类内均含有1 400 个样本；将其余的1 600 个样本设定成测试集，其中所有类内均含有400 个样本。而不同样本相应的标签设定成0001、0010、0100、1000。其中测试集、训练集互斥。然后设定相应的训练集以及不同的对应标签，通过随机矩阵对所有层予以综合分析。最后开展测试集识别，详细可参考表1 和表2。

表1 经ReliefF 特征选择的ML-ELM 识别结果

表2 经NCA 特征选择的ML-ELM 识别结果

由表1 知，其中三种不同类型在测试过程中所有样本均被判定为真实类别，开展归类测试过程中5 种样本被判定为裂缝类，除此之外样本均被判定为真实类别。从性能角度而言，对于SPE、SEN、ACC、PRE 来说，正常类、网状类均为100%。裂缝类SPE、SEN、ACC、PRE 分别为99.59%、100%、99.68%、98.55%。龟裂类分别为100%、98.78%、99.69%、100%。

由表2 知，在网状及正常两种类型相关测试内，样本通过预测均划分为真实类别，但是裂缝类以及龟裂类内包含的400 个不同样本内，都显示其中某个样本会产生预测错误，除此之外的样本则划分为真实类别。结合性能综合分析，网状类对应的SPE、SEN、ACC、PRE 分别为100%。裂缝类别达为99.96%、99.87%、99.94%、99.85%。正常类分别为99.96%、100%、99.98%、99.85%。龟裂类分别为100%、99.87%、99.98%、100%。

2.3 实验结果分析

通过搭建DSAE、ML-ELM 人工智能模型实现自动识别路面裂缝。通过NCA 算法、ReliefF 算法开展原始特征的筛选和降维，并以此为基础形成相应模型，通过运用对应的分类器来比对分析，分别对比模型性能。表3 为模型识别性能对比分析。

表3 模型识别性能对比分析

由 表3 知，对 于SPE、SEN、ACC、PRE 而 言，ReliefF+DSAE 模型性能分别为95.93%、85.56%、93.44%、85.68%。NCA+ML-ELM模型分别为99.98%、99.95%、99.97%、99.93%，这说明NCA+ML-ELM 算法对数据处理准确性和鲁棒性更高。

3 城市道路养护技术

针对城市道路出现龟裂、裂缝、网状裂缝等病害问题，提出微表处技术、裂缝修补技术、就地热再生技术等。

3.1 微表处技术

这种技术能够利用相关专业设备根据一定配比把填料、粗细集料等多种材料混合成为稀浆混合料并直接摊铺到受损路面之中，这种方式对交通的影响相对较小，可迅速产生相对较薄的具有耐久性、抗滑性的路面层。该技术对延长路面使用寿命，延缓路面病害发生发展起积极作用；能有效防范及延缓公路中城市道路产生水损害等问题，有效避免出现各类交通事故。微表处技术具备下列优势：工程造价成本相对较低，所需经费相对较少，施工效率较高，通过两台间歇式摊铺车对路面予以交替施工，解决了交通运行、养护施工的矛盾。处理路面突出病害具有理想效果，微表处封水效果良好，可对路面水损害发生、发展有效防止。

3.2 裂缝修补技术

城市道路相对较多的病害为裂隙，在传统路面养护过程中，一般会利用油壶直接把普通热沥青灌入到路面裂隙内，然而由于未能有效处理裂隙中的各种杂物，且热沥青性能相对不足，导致养护效果相对较差，还会给路面美观性带来影响。利用专用灌缝胶进行裂隙修补作为应用相对较广且较为高效的城市道路重要养护技术之一，进行城市道路裂缝修补处理可获得较好使用效果。

3.3 就地热再生技术

这种技术在施工过程中通过地热再生机组对损毁路面予以加热并对路面进行翻松，在此基础上将一定量的再生剂喷洒于损毁路面上，对其予以搅拌以及摊铺碾压成型的一种修补和养护技术。这种技术能够使原有沥青混合料得到再次应用；通过运用再生剂能够复原损毁路面中老化沥青的各项物理学特性；此技术往往被应用于多种路面损毁施工中。

4 结论

本文基于深度学习法，对城市道路病害的智能识别和养护技术进行研究，得出如下结论：

（1） 通过车载式路面图像采集设备获取数据，集取各项数据信息之后通过视频分帧将拍摄的影像资料转变为相应的图片，建立高质量路面裂缝数据集。

（2） 构建ML-ELM深度学习模型并进行参数设置，从而对路面病害识别模型的性能予以综合评估。对于特异性、灵敏性、准确度、精确度来说，NCA+ML-ELM 模型分别为99.98%、99.95%、99.97%、99.93%；ReliefF+DSAE 模型性能分别为95.93%、85.56%、93.44%、85.68%。NCA+ML-ELM算法对数据处理具有更高的准确性和鲁棒性。

（3） 针对城市道路出现龟裂、裂缝、网状裂缝等病害问题，提出微表处技术、裂缝修补技术、柔性基层技术、就地热再生技术和雾封层技术。