交通工程专业创新教学实践——以基于智能手机的道路病害检测为例

周宝定 姚楚羡 唐可懿 蔡皓楠

（[1]深圳大学土木与交通工程学院交通工程系 广东·深圳 518060；[2]深圳大学城市智慧交通与安全运维研究院 广东·深圳 518060）

1 背景介绍

我国交通工程学科产生于20世纪80年代初，是一门派生于道路工程学的新兴学科，它把人、车、路集中于一个统一的系统中进行研究，兼有社会科学与自然科学的双重特点，具有系统性、综合性、交叉性、社会性、超前性、动态性等特点，是一门发展中的综合性学科。随着信息技术和计算机技术的发展，交通工程专业也呈现出更多的学科交叉与融合。我国的交通发展日新月异，城市交通向信息化与智慧化发展，交通工程专业向智能化发展，社会与国家对交通领域人才的要求也不断提高。因此，交通工程的学生应当相应的扩大对交通工程专业的认识，在掌握传统交通工程的基础上具备多学科交叉知识背景和解决实际工程问题及创新学习能力，扩充自身的技能技术，以提升竞争力。

我校的交通工程专业较为依托于土木工程，若与土木工程专业的重叠部分不能充分凸显专业特色，那么竞争力将会被大大削弱；此外，实践教学是提升学生专业兴趣、促进学生课外技能技术学习、应用基本专业知识、加深及扩充学生对专业技能的认知和理解的有效途径。以道路病害检测为例。道路病害检测较为偏向于土木工程专业，假若能够对道路养护状况进行实时检测，并及时反馈到车辆驾驶员及行人，便能有利于车辆驾驶员选择路面优良的道路，享受更加舒适的驾驶体验，减小道路对车辆造成的损伤，降低安全隐患，更加减少了车辆对有病害道路的再次损害，避免道路病害加剧，同时也有利于对道路进行及时的维护和修理，实现了人、车、路三者的联动与统一，体现交通工程专业特色。实时对道路病害进行检测需要有计算机与信息技术的支持，同时也要有智慧交通系统作为依托，这是偏向于土木工程的交通工程专业发展的方向之一。

本文将以基于智能手机的道路病害检测实践教学为例，给学生充分展示交通工程专业的发展潜力，拓宽学生对专业的认识与思考，激发学生对交通工程领域创新的兴趣与热情，并且引导学生不断扩充自身的技能技术，为今后的深入学习打下良好基础。

2 基于智能手机的道路病害检测教学实践

智能手机凭借其普及度、便捷性和可操作性高，加以智能手机配置有大量的内置传感器，可以测量用户和他们周围环境的不同信息，在智能交通领域有广泛的应用。因此，本次教学实践以智能手机应用为工具收集道路情况数据，利用相关计算机软件与技术，如MATLAB和Python，对数据进行可视化与处理，并采用机器学习的方法对校内道路情况与病害进行分类与分析，再与道路实际情况比对，提高数据处理的可靠性。

2.1 道路病害及检测原理

我国常见的路面主要有混凝土和沥青路面，混凝土路面常见的病害有混凝土接缝问题和混凝土板自身的损伤，沥青路面常见的病害有变形，包括沉陷和隆起，以及裂缝。校园内及周边道路以沥青路面为主，路面保养状况较好，未发现重大病害，故以减速带、井盖等较为明显的路面凸起和凹陷代替道路病害进行实践，这样同时也降低了后期数据处理和可视化的难度，也便于进行数据处理结果与实际路况的对比，使对比有明显的依据，有利于达到实践教学效果。

依靠智能手机的内置加速度传感器和APP，可以记录手机运动x、y、z轴的加速度、航向角、经纬度、气压等属性的变化，将智能手机固定于车辆上，使一轴与车辆垂直于路面的轴平行，当车辆在行驶时，就能记录车辆的相关属性的变化。车辆在平整的道路上匀速行驶时会产生稳定的振动，加速度数据的波形较为稳定；而当车辆驶过不平整的路面，例如减速带和井盖等凸起和凹陷时，加速度数据的波形会产生相应的变化，由此可初步判断出路面的平整情况，从而推断出道路的病害。

因此，本文主要依据车辆加速度的变化对校园内及周边道路质量进行分类及道路病害检测，并辅以行车记录进行辅助判断和验证。

2.2 道路状况数据收集及处理

本文采用一辆小汽车对深圳大学周边总长约15km的城市道路进行数据采集，将智能手机固定于车上进行数据收集。

对收集到的加速度数据进行可视化处理后如图1所示。道路平整度越低，车辆经过道路时的颠簸越厉害。评价为“优”的道路，加速度的波动最小；“中”的道路，加速度的波动较小；“差”的道路，加速度的波动最大。

图1：车辆经过不同质量道路的加速度变化

数据收集完成后，需要对数据进行处理和特征值提取，进而运用机器学习方法进行分类。由于每次放置手机时，手机的姿态不能精确地保持一致，若一单轴的加速度作为道路病害评判的依据会有较大的偏差，因此，先要把三轴的加速度进行矢量相加合成为总加速度。对于所收集的数据中加速度进行特征提取。在加速度，计算全部加速度的峰值平均值、标准差、方差、中位数、最大值、最小值、平均值和极差。通过经纬度将用于收集数据的道路以约100m的长度进行分段，共分成149段。

为使后续的机器学习模型正常进行，先使用Kmeans聚类算法对分段后的数据分成“好”“中”“差”三类。由于用于收集数据的道路大体较为平整，出现了部分Kmeans聚类算法无法确定的路段情况，对于这部分有争议的数据，需结合行车记录、采集数据时的行车体验辅助判断，数据分布详见表1。

表1：道路检测数据集

2.3 建立机器学习模型

本文使用支持向量机（SVM）、决策树、K临近算法（KNN）、随机森林四种机器学习分类模型进行道路质量等级分类，并对比了无滤波的原始数据、小波阈值降噪、巴特沃斯滤波对分类的准确性。四种机器学习算法分别使用原始数据、小波阈值降噪、巴特沃斯滤波的准确率如表2所示。

表2：道路分类准确率（%）

本文使用了十折交叉验证测试算法的准确性，在此过程中，数据被划分为10个不相交的部分，迭代地用于训练和测试分类模型。由于支持向量机算法（SVM）的准确率较高，因此导出支持向量机算法的测试结果，具体结果如下：

表3：SVM采用原始数据的分类结果

表4：SVM使用小波降噪处理的分类结果

表5：SVM使用巴特沃兹滤波的分类结果

由实验结果可看出，在100m的计算间隔中，分类误差最小的是好类，误差最大的是差类，大部分出现误差的差类被错误地归为中类，其中，使用巴特沃兹滤波的误差最小。造成误差的原因可能有在人工分类过程中，人对道路质量和病害判断和分类的主观因素不稳定，影响较大，且没有处理数据集中的异常数据点，例如停车的数据点，本次实践收集道路数据持续时间长，数据收集频率高，会出现由各种原因造成的异常数据点，异常数据点会给道路分类造成影响，使得分类准确率下降。在上述所有参与实验的模型中，采用巴特沃兹滤波的决策树模型的分类正确率最高，因此，可采用使用巴特沃兹滤波的决策树模型作为分类的模型，进行后续进一步的研究。

2.4 制作道路质量分布图

对分类之后的结果可以在Arcgis中实现可视化，利用数据集中的经纬度画出路线图，再与道路情况分类合并，以不同的颜色表示不同的道路情况，加上图例和标注，制成道路质量分类图，如图2所示。

3 结束语

本次基于智能手机的道路病害检测实践旨在拓宽学生对交通工程专业的了解与认识，提高学生对专业发展潜力的认同，同时也将提升学生以下几方面的能力：

（1）数据收集能力：本次实践的主体为收集道路数据与处理，手机应用记录数据的频率非常快，加速度计的记录周期为0.002s左右，地理坐标的记录周期为1s左右，学生将会获得大量的数据。数据收集的过程中有非常多的注意事项，在实际操作中也会遇到各种问题，如固定的手机不慎脱落甚至无法固定，手机没电导致的数据收集中断等。如何减少误差，提高数据的可靠性也是在收集数据的过程中需要深入思考的难点。

（2）数据简单处理与分析能力：数据收集结束后学生将会面临着巨大数据的处理。在数据处理过程中将会面临巨大的噪音干扰，如车辆行驶不匀速，行驶轨迹不是直线，地形起伏造成的干扰，石子或杂物造成的干扰等，如何在大量数据中提取有效的数据，进行有效的分析，得出与实际情况偏离不大的成果，是整个实践的亮点所在。同学们在实践中将会大大提升简单处理的能力。

图2：道路质量分类图

（3）计算机与信息技术能力：数据处理及成果比对是完全依靠于计算机技术，如MATLAB的操作，然而学院并没有系统地开设相关课程，较多同学的计算机技术较为薄弱，这也是交通工程专业的同学们日后发展的痛点之一。本次实践将会促进同学们对相关计算机技术的学习，拓宽同学们的知识面。

（4）问题发现与解决能力：本次实践内容与学院设置的课程重叠度较小，没有课堂知识作为铺垫，难免会出现很多没有预想到的问题，这与今后很多的作业、实习乃至工作都有一定的相似性。通过本次实践，同学们将会在实践中提升随机应变的能力、自学能力、知识迁移能力等，并用之解决实际发生的问题，将理论转化为实际，为同学们今后的学习打下基础。

4 建议

基于智能手机的道路病害检测实践作为一次对交通工程专业特色发展的探索性实践教学，有别于传统交通工程专业的实践，更加强调了学科的交叉与融合，也为同学们扩展对专业学习的思考提供了想法与思路。同时，在收集道路数据的过程中也将促进同学们对校内道路设置的观察与思考，可以作为一次对于传统交通工程校内的课外学习。

对同学们来说，本次实践所涉及到的内容较为陌生，建议先要提前学习，熟悉相关手机应用和计算机软件的操作，学习Matlab、Python、机器学习等相关知识。为方便后续标定道路病害的位置，在测量过程中可以进行视频录制。此外，数据处理中要求同学们有初步的程序设计基础和能力，也应该提前学习相关内容。

在道路病害的分类方面，最初采用的是人工观察波形并分类，这种方法并不适合投入真正的道路病害检测使用，代价也很高。该实践可作为一次长期实践，后续可采集更多不同道路的数据，用机器学习的方法分析各种病害的数据特征，不断完善模型的设置，对病害进行高效准确的分辨和分类，再自动绘制出道路病害分布图。

本文上述的数据处理与可视化操作的方法只是众多方法中的一种，本次实践应该要注重激发同学们的创造力和主观能动性，探索不同的方法去解决实际问题，互相交流结果和心得，再不断对方法进行优化，让所得出的结论真正能解决实际问题。