道路通行质量检测技术对路面维护管理的影响分析

摘要 道路通行质量检测通常需要在实际道路上进行，而现场环境复杂多变，包括交通流量、天气条件、地形地貌等因素，这些外部因素都会对检测工作带来一定的挑战。为此，该文提出基于无人机倾斜摄影的道路通行质量检测技术，并分析了该技术对路面维护管理的影响。同时构建无人机采集道路图像的坐标，以此为基础，获取道路三维点云图，进而实现道路通行质量检测。试验结果表明：研究方法的三维点云图具有更理想的信息完整性，几乎没有噪声问题，且该方法能够准确检测出道路存在通行质量问题的具体位置，具有非常理想的应用效果。

关键词 无人机倾斜摄影；道路通行质量；检测技术；路面维护；影响分析

中图分类号 TP237 文献标识码 A 文章编号 2096-8949（2024）23-0145-03

0 引言

道路交通作为城市运行的重要基础设施，其通行质量直接关系到人们的出行安全和城市的整体运行效率[1]。然而，随着道路使用年限的增长和交通量的不断增加，道路通行质量问题日益凸显，如路面破损、平整度下降等，这些问题不仅影响了道路的使用性能和行车安全，也给道路维护管理带来了巨大挑战[2]。因此，研究道路通行质量检测技术，通过科学的手段和方法，对道路质量进行定期检测和评估，及时发现和解决道路通行质量问题，对于保障道路安全畅通、提高道路使用性能具有重要意义[3]。同时，检测技术的应用还能为路面维护管理提供科学依据，优化维护策略，降低维护成本，提高维护效率。韩豫等[4]以对路面病害的检测为研究目标，首先通过深度学习对道路的病害问题完成分类，并基于此，利用ArcMap地理信息系统生成道路健康地图。尽管深度学习算法在图像识别和处理方面取得了显著进展，但在处理道路质量检测中的复杂场景时，仍存在一些挑战。例如，当道路存在严重磨损、遮挡、光线变化剧烈或光线较差等复杂情况时，深度学习算法的准确性和鲁棒性可能会受到影响。张荣华等[5]以大厚度粗粒土路基为研究对象，通过对路基的动态变形模量和弯沉的高密度检测，实现路基的压实质量控制。但是，动态变形模量测试的结果受到测试条件（如温度、湿度、加载速度等）的影响较大。如果测试条件不稳定或控制不当，可能会导致测试结果的不准确或不稳定。

为此，该研究提出基于无人机倾斜摄影的道路通行质量检测技术，并分析了该技术对路面维护管理的影响。

1 道路通行质量检测技术

1.1 无人机倾斜摄影坐标系构建

无人机倾斜摄影技术通过搭载在无人机平台上的高分辨率相机，从多个角度捕捉道路的影像数据。这种方式可以避开地面的障碍物和交通流量的影响，降低现场环境的复杂性对检测工作的影响。同时，无人机可以飞越地形复杂的区域，如山区、河流等，获取难以通过传统方法获取的道路影像数据。但是，在这个过程中。道路质量图像采集的优劣会受到无人机飞行高度、阳光光线角度、阳光亮度等情况的影响，因此需要设置相关的参数，从而能够实现道路通行质量图像序列的获取。

无人机实现道路的图像采集过程中，地面分辨率和无人机飞行高度成反比，表示为：

（1）

式中：——无人机飞行高度（m），——无人机镜头的焦距（mm），——地面分辨率（px），——图像像元尺寸（μm）。

通过将航带两端间的像素点直线长度与偏离此直线最远的像素点的距离作比值，得到的数值倒数称为航带弯曲度，表示为：

（2）

式中：——航带弯曲度（°），——偏离距离（m），——两端间距（m）。

在无人机进行道路的图像采集时，通过合适的坐标系进行像点与地面点坐标的表示。所需的坐标系如图1所示。

1.2 道路点云数据生成

在成功构建的无人机道路图像精确坐标系统的基础上，此节将介绍如何利用无人机采集的道路通行图像生成点云道路图像。首先，需要确保无人机搭载的摄影设备具备高分辨率和广角视野，以便捕获道路表面的详细纹理和特征。无人机将按照预设的航线和高度，对道路进行全方位的拍摄，捕获到的图像将包含道路的几何形状、纹理信息以及可能的损坏情况等关键信息。接着，对这些原始图像进行预处理。预处理步骤包括去噪、增强对比度、色彩校正等，以提高图像的清晰度和可读性，从而更准确地提取出道路表面的特征信息。然后，利用摄影测量学原理，结合无人机拍摄的图像和坐标系统信息，对道路表面进行三维重建。这一过程通过计算机视觉和计算几何算法实现，将二维图像中的像素点映射到三维空间中的坐标点，从而生成道路的三维点云图。具体步骤如下：

（1）从道路起点开始进行图像采集，每隔距离进行道路上点的获取，构成点云。

（2）依据得到的点云数据，通过KD树索引方法实现以点为圆心、以为半径的圆内点的寻找，并将距离加权高程值设为点的高程，得到道路数据的第个三维坐标点。

（3）重复步骤（1）、（2），得到道路所有点坐标系。

（4）将得到的三维坐标点与成像距离中心的距离按照从小到大顺序排列，得到道路图像面片，为使所有的图像块对应面片，需要进行扩散操作，为此，需首先对面片邻域是否为空进行判断。

（5）循环步骤（4），进行若干次面片扩散，最终得到道路图像点云。

1.3 道路通行质量检测

通过道路图像点云数据，依据不规则三角网滤波算法实现道路通行质量检测。不规则三角网滤波算法是一种基于点云数据创建不规则三角网格，并通过网格的几何形态和属性信息来提取和分析目标对象的方法。在道路通行质量检测中，这种方法特别适用于从点云数据中提取道路表面特征，如裂缝、坑槽等。不规则三角网滤波算法原理如图2所示。

在图2中，表示待检测的点云数据，通过将选取的种子点、、构成三角形，分别用、、表示反复角（°），表示反复距离（m）。

对待检测点云数据进行如下操作：

（1）以道路中的平坦区域构建初始不规则三角网滤波模型。

（2）对网格中的点云数据计算其到构建的模型的距离和角度，将其与设定的阈值进行比较，结果小于阈值的确定为平坦区域，反之则为地表道路通行质量区域。

（3）将区域内的所有点云全部进行计算。

（4）将点云数据中的道路平坦区域和通行质量区域区分出来。

2 道路通行质量检测技术对路面维护管理的影响分析

无人机倾斜摄影技术作为一种先进的道路质量检测技术，在路面维护管理中具有重要的影响和作用。通过结合传感器、航空摄影、遥感技术等多种高新技术手段，无人机倾斜摄影技术能够实现对道路质量的快速、全面、精准评估，为道路维护管理工作提供了全新的思路和方法。

首先，无人机倾斜摄影技术在道路质量检测中的应用，提高了检测效率和精度。传统的道路质量检测需要人工巡查、设备布置等烦琐步骤，而无人机倾斜摄影技术可以实现全自动飞行，大大节省了时间和人力成本。同时，无人机搭载的高精度相机和传感器能够获取高分辨率的路面影像和数据，实现对道路平整度、裂缝、坑洼等质量指标的全面监测，提高了检测的精度和全面性。

其次，无人机倾斜摄影技术为道路维护管理提供了更加及时和有效的决策支持。通过定期使用无人机对道路进行监测，可以及时发现道路质量问题和隐患，为维护管理部门提供精准的数据支持，制定合理的维护计划和修复方案，降低了维护成本，延长了道路使用寿命。

此外，无人机倾斜摄影技术还改变了道路质量检测的工作方式和流程。传统的道路检测需要封闭道路、人员驻守等操作步骤，存在一定的安全风险和工作难度；而无人机倾斜摄影技术可以实现远程无人作业，避免了人员伤亡和安全事故可能带来的损失，保障了检测工作的顺利进行。

总的来说，无人机倾斜摄影技术作为一种新型的道路质量检测技术，在路面维护管理中具有巨大的潜力和优势。通过提高检测效率和精度、提供决策支持和改变工作方式，该技术为道路维护管理带来了革命性的变化，有助于提升道路质量，提高道路使用效率，促进交通运输事业的发展。

3 试验设计与结果分析

为了验证无人机倾斜摄影技术在道路质量检测中的有效性，选择了位于某城市郊区的一条长约5 km的主要交通道路作为试验对象。该道路由于使用年限较长，部分路段出现了不同程度的损坏，如裂缝、坑洼和车辙等。为了全面评估道路的损坏情况，决定采用无人机倾斜摄影技术进行数据采集。

试验数据包括以下内容。

无人机型号：大疆M300 RTK多旋翼无人机，搭载Zenmuse P1倾斜摄影相机，该相机具备五个镜头，能够同时从垂直和四个倾斜角度捕获影像。

飞行参数：无人机在距离地面约100 m的高度进行飞行，飞行速度保持在10 m/s，以确保获取足够清晰和详细的道路影像。

影像数量：无人机在整条道路上共飞行了10个架次，捕获了约2 000张高分辨率的倾斜摄影影像。

地面分辨率：影像的地面分辨率达到了2 cm/pixel，足以清晰地显示道路上的各种损坏细节。

数据处理：采集到的影像数据随后被导入到专业的三维建模软件Pix4D中进行处理，生成了高精度的三维道路模型。通过对模型进行细致的分析，我们可以准确地识别出道路上的各种损坏情况，并对其进行量化评估。

该文研究方法、文献[4]方法以及文献[5]方法获取的三维道路点云图像如图3所示。

根据图3可知，在道路质量检测中，不同方法获取的三维道路点云图像存在较大的清晰度差异。文献[5]方法的噪声最为明显，文献[4]方法出现了模糊问题，且丢失了部分关键信息。相比之下，该文研究方法的三维点云图具有更理想的信息完整性，且几乎没有噪声问题。

在试验交通区中抽取5个区域，通过该文方法对选取的区域进行地表道路通行质量检测，通过相关人员对该区域内进行道路通行质量情况排查并进行通行质量面积计算，以此验证该文方法实现道路通行质量检测的效果，得到的对比情况如表1所示。

如表1所示，研究方法能够准确检测出道路存在通行质量的位置，具有非常理想的应用效果。

4 结束语

随着无人机技术的快速发展，无人机倾斜摄影在道路通行质量检测领域展现出巨大的潜力和价值。该研究提出的基于无人机倾斜摄影的道路通行质量检测技术，不仅成功构建了无人机采集道路图像的精确坐标系统，而且以此为基础，进一步获取了道路的三维点云图，从而实现了对道路通行质量的全面、准确检测。实验结果充分证明了该方法的有效性和优越性，所生成的三维点云图信息完整、噪声低，能够精准定位道路通行质量问题，为路面维护管理提供了强有力的数据支持。

参考文献

[1]余俊，吴海军.王武斌.等.基于深度学习的沥青路面坑槽量化方法[J].公路工程， 2022（4）：95-102.

[2]朱润田，刘珊，张小明，等.海绵城市透水混凝土路面堵塞及渗透性能研究[J].中外公路， 2022（3）：30-35.

[3]陈胜利.沥青路面施工技术在高速公路工程中的实践[J].建筑科学， 2022（7）：164.

[4]韩豫，张萌，李宇宏，等.基于深度学习和ArcMap的路面病害智能综合检测方法[J].江苏大学学报（自然科学版）， 2023（4）：490-496.

[5]张荣华，王育杰，蔺伟，等.大厚度粗粒土路基智能压实质量控制标准研究[J].公路， 2023（4）：1-9.