基于三维智能路面检测系统识别沉陷病害的方法研究

陈梦月，孔海望，吴 迪

（广东建科交通工程质量检测中心有限公司 广州 510765）

0 引言

沉陷直接影响道路质量的好坏，对道路的安全性和舒适性造成一定影响。而道路外观质量一直以来是建设单位、管养单位、施工单位、监管单位关注的重点［1］，交竣工验收检测、技术状况调查等均包括道路外观检测。随着我国经济社会的快速发展、公路养护规模的不断扩大、公路出行需求的迅猛增长［2］，对道路外观指标提出了更高要求。含有沉陷病害的路段在行车荷载、水损坏的作用下更容易加速道路损坏，缩短道路使用寿命。目前沉陷病害主要通过人工调查的方法检测，传统检测方法主要是靠人工现场肉眼识别，检测工作量大并且效率低，受人为因素干扰性大。因目前道路自动化检测大量推行，二维、三维车载式激光检测车尚无直接自动识别沉陷病害功能。为了提高道路的使用寿命，通过现场试验研究了针对沉陷病害识别的检测方法。

1 路面沉陷定义

沉陷病害是指由于路基未能压实或土质较差，在受到地下水与行车荷载反复作用后产生竖向的不同程度的变形，从而使路面产生局部下沉。按照《公路技术状况评定标准：JTG 5210—2018》［2］，当路面局部下沉达到10 mm 时，即说明发生了沉陷病害。沉陷深度在10～25 mm之间为轻度，大于25 mm则为重度。

沉陷病害的产生机理为路基因水文条件方面的原因或翻浆或湿软或压实不足，道路在路面不断传递至路基处的荷载作用下，产生的不均匀的竖向变形而导致路面局部下沉的现象。此时，路面结构具有的变形能力无法适应实际的弯曲变形，导致开裂，并逐步发展为网裂，造成道路结构性损坏。

2 路面沉陷病害识别原理

利用三角位移和激光测距原理，可全断面扫描路面各点的高程信息，利用特定算法和深度学习原理从扫描到的路面纹理中智能识别路面病害［3］。利用激光测距的原理［4］，将扫描到的高程信息以0.1 m 为一个单元形成纵断面高程曲线，在高程-10 mm 以下范围内剔除坑槽、井盖、车辙路段后即为路面沉陷病害。

三维激光测距原理是激光测距仪主动发射线激光，同时接收由被测目标表面经漫反射回的信号而进行测距。针对每一个扫描点可测得测站至扫描点的斜距，再配合控制编码器同步测量每个激光脉冲横向扫描角度观测值和纵向扫描角度观测值，可以得到每一扫描点与测站的空间相对坐标。

激光三角位移测距原理主要是线激光以垂直的角度照射被测目标，激光在目标表面发生反射和散射，在另一角度利用透镜对反射激光汇聚成像，光斑成像在CCD 位置传感器上［5］。当被测物体沿激光方向发生移动时，位置传感器上的光斑将产生移动，其位移大小对应被测物体的移动距离［6］，由于入射光和反射光构成一个三角形，对光斑位移的计算运用了几何三角定理。因此通过算法，由光斑位移距离计算出被测物体与基线的距离值［7］。

纵断面高程则是基于激光三角位移测距原理计算出来的。系统会根据路面高程拟定一个基准面，线激光以垂直的角度照射路面顶面，激光在路面顶面发生反射和散射，当检测车继续向前行进时，位置传感器上的光斑将产生移动，当路面高程低于或高于这个基准面时，其位移大小对应路面下凹或突起距离，由于入射光和反射光构成一个三角形，对光斑位移的计算运用几何三角定理。因此通过算法，由光斑位移距离计算出路面顶面与基线的距离值［5］。一系列的纵断面高程点将路面的轮廓完整还原，表征路面各点与基准面之间的高程差。即高程值为负数时表示低于基准面，高程值为正数时表示高于基准面。根据沉陷定义，路面局部下沉达到10 mm 的路段属于沉陷病害，即路面低于基准面10 mm 以上的路段。沉陷病害必定在纵断面高程曲线中高程值为-10 mm 以下的范围内。

对于坑槽、井盖则通过基于神经网络算法的人工智能识别技术实现。人工神经网络图像识别技术是基于传统的图像识别方法和基础上融合神经网络算法形成的一种图像识别算法。利用遗传算法与BP 网络相融合的神经网络图像识别是最常见的技术［8］。通过提取图像特征，在利用图像所具有的特征映射到神经网络进行图像识别分类［9］。

车辙则是依靠多维度特征参数选取。车辙的一维指标主要指车辙深度和车辙辙槽宽度，二维特征参数主要指车辙横断面的正、负面积，三维特征为车辙的正、负体积，是在横断面分析的基础上加入了车辙纵向延伸的特性。车辙则是依靠三角位移和激光测距原理测出路面形态，再结合多维度特征参数进行分析识别。

3 试验方法与步骤

3.1 人工调查法

选取5 条路段，标记起点、终点、10 m 里程，共检测5 条路，分别为布岭路、新业路、骏业路、骏工路、开创大道。

将3 m 直尺中心放在沉陷最大位置处测量，测量3 m 直尺到路表面间距的最大值。若沉陷范围超过3 m 直尺检测范围，横向放置3 m 直尺，目测3 m 直尺到路表间距情况，量取记录最大值并标记好里程桩、沉陷范围。现场检测情况如图1所示。

图1 现场3 m直尺测平整度法检测路面沉陷Fig.1 Detecting Pavement Subsidence by Measuring Flatness with a 3 m Ruler on Site

3.2 三维激光智能检测法

⑴ 将检测车在路段起点前开始加速，加速至40 km∕h 保持匀速行驶，在前轮轮轴对准起点后，启动系统，沿着测试轨迹以40 km∕h 的速度匀速直线驶向终点，避免突然加速或减速，直至通过终点位置后关闭测试系统，再减速停车。

⑵导出纵断面高程值，按0.1 m 为一个单元，生成纵断面高程曲线。

⑶自动分析车辙，以0.5 m 为一个单元，导出车辙数据表。

⑷利用智能分析功能，自动识别坑槽、井盖病害。

⑸ 从生成的纵断面高程曲线中查找高程小于-10 mm 的路段，从中筛选出含有坑槽、井盖、车辙的路段进行剔除，剩余的路段即为沉陷病害。

4 数据处理

4.1 影响因素

完成现场检测后，对检测路段的数据进行分析对比，布岭路、新业路具体结果分析如下：

4.1.1 坑槽对检测结果的影响

坑槽与沉陷形成的形态不同，坑槽是路面材料散失后形成的凹坑，如图2⒜所示。沉陷是由于局部沉降形成的凹槽，就高程而言会突然变化，高程曲线走势会陡降，跨过坑槽，高程会陡升。沉陷形态图如图2⒝所示。

图2 坑槽与沉陷Fig.2 Potholes and Subsidence

以布岭路K0+020～K0+050 检测数据为例，如图3所示。根据坑槽的特征，利用三维智能路面检测系统中的病害的自动化识别分析功能，自动分析出在K0+048～K0+049 范围处有一坑槽。形成的高程曲线中，在该位置处路面高程曲线产生突降，然后陡增，变化剧烈且影响半径较小。与前面两处的沉陷病害曲线走势完全不同，沉陷增减趋势较为缓慢，与实际变形形态一致。经判定，该路段共有2处沉陷，K0+020～K0+023、K0+026～K0+029范围内纵断面高程均在-10 mm～-25 mm 之间，与人工调查沉陷结果接近，均判定为轻度沉陷。

图3 布岭路K0+020～K0+050检测数据Fig.3 K0+020～K0+050 Buling Road Detection Data

4.1.2 井盖对检测结果的影响

井盖沉陷是由于井盖与周围路面形成高差，属于高程突然变化，与沉陷产生的机理完全不同，沉陷属于局部沉降形成的凹槽，是由受力原因引起，高程变化会先缓降后缓增。井盖可通过基于卷积神经网络算法的人工智能技术识别。井盖识别效果如图4所示。

图4 井框差（三维智能识别效果）Fig.4 Well Frame Difference（3D Intelligent Recognition Renderings）

以布岭路K0+080～K0+100 段纵断面高程曲线为例，如图5 所示，根据智能识别分析，在K0+081～K0+082范围有一处井盖，在形成的高程曲线中，在该位置处路面高程曲线产生突降，然后趋于一条直线，然后突增，图形变化形态与井盖基本保持一致，变化剧烈且影响半径在1 m 左右。在K0+083～K0+085、K0+088～K0+090 附 近 同 样 产 生 高 程差，高程差的趋势先缓降后缓增，曲线趋势较为圆滑，在该处无其他明显病害，根据沉陷病害特征，符合沉陷变化规律。经判定，该路段共有2 处沉陷，K0+083～K0+085 范围纵断面高程最大值为-30.81 mm，大于-25 mm，判定为重度沉陷。K0+088～K0+089 范围内纵断面高程最大值为-21.91 mm，在-10 mm～（-25 mm）之间，与人工调查沉陷结果接近，分别判定为重度沉陷和轻度沉陷。

图5 K0+080～K0+100段病害Fig.5 Disease of K0+080～K0+100 Segment

布岭路全线纵断面高程如图6所示，该路段对数据的干扰因素主要是坑槽、井盖。剔除-10 mm 以下范围路段中坑槽、井盖的影响，共剩余8处轻度沉陷，12处重度沉陷。

图6 K0+000～K0+450布岭路纵断面高程Fig.6 K0+000～K0+450 Elevation of Longitudinal Section of Buling Road

4.1.3 车辙对检测结果的影响

车辙与沉陷形成的机理不同，车辙是在车辆荷载作用下沿轮迹带形成的带状凹槽，测定的是横断面实际路面线与原路面线测定基准线之间最大的高差，最大点会随车辙位置的变动而变动，而纵断面高程曲线是沿道路纵向轮迹带处的高程与基本面之间的高差，与基准面的高低有关。根据车辙定义，车辙值在10～15 mm之间为轻度车辙，大于等于15 mm为重度车辙。将车辙数据以0.5 m 为一个单元导出。从高程变化而言车辙位置处会下降，最典型的特征是之后高程会处于一个基本平直段，然后高程会上升。与沉陷变化不同，沉陷高程会缓降缓升，高程一直处于变化状态。

以新业路K0+050～K0+130 段为例，如图7 所示，在K0+070～K0+075 附近均在-10 mm 以下，从高程曲线变化趋势判断与车辙变化规律一致，判定为车辙病害，与系统通过提取车辙多维参数路段保持一致，在K0+120～K0+127 附近处于-10 mm 以下，变化趋势与沉陷病害保持一致，且在该路段无其他病害，因此判定为沉陷病害，数值在-10～（-25）mm 之间，判定为轻度沉陷。与人工调查沉陷病害保持一致。

图7 新业路K0+050～K0+130检测结果Fig.7 K0+050～K0+130 of Xinye Road Test Results

新业路全线纵断面高程如图8 所示，该路段对数据的干扰因素主要是车辙。剔除-10 mm 以下范围路段中车辙的影响，共剩余3处轻度沉陷。

图8 新业路K0+000～K0+450纵断面高程Fig.8 K0+000～K0+450 Elevation of Longitudinal Section of Xinye Road

4.2 结果分析

利用该沉陷识别方法，将5 条路的三维检测结果与人工调查法进行对比，结果如表1所示。

表1 三维智能检测系统与人工调查法对比Tab.1 Comparison between Three-dimensional Intelligent Detection System and Manual Investigation Method

5 结论

本文介绍了沉陷检测的主要方法及检测原理，根据现实项目中沉陷病害识别困难的问题，提出了利用扫描到的高程信息以0.1 m 为一个单元形成纵断面高程曲线，在高程-10 mm以下范围内剔除坑槽、井盖、车辙路段后即为路面沉陷病害。并针对该识别方法的准确性进行了现场试验分析，结果显示重度沉陷识别准确度均达到80%以上，轻度沉陷准确率基本达到70%，与人工调查的结果有高度的相符性，可为实际路面检测与评价作出指导意义。