基于卷积神经网络的路面病害自动化识别研究

郑德馨

摘要 随着公路里程的增加，路面病害处治也普遍面临着数据量大增的问题，因此，具有较高效率的路面病害分析识别技术具有较高的研究价值。文章提出一种基于卷积神经网络的路面病害自动化识别方法。该方法的图像识别技术随着计算机硬件计算能力的逐年增强和相关算法的完善，已经有比较完备的理论基础和公式可以用于公路病害识别方面的应用。该系统的开发可以自动化识别包括路面裂缝、坑槽等在内的多种病害，自动化识别准确率达到90%以上。

关键词 卷积神经网络；路面病害；自动化识别

中图分类号 U416.2文献标识码 A文章编号 2096-8949（2023）09-0007-03

0 引言

经历了数十年的飞速发展，我国的道路基础设施建设达到了世界先进水平。路面在长时间的运营过程中，会受到汽车荷载及材料老化变质等外部因素的影响，随之导致路面产生多种病害。这些病害会对路面的正常使用性能和路面的周期寿命产生较大的影响。为了保障路面在使用寿命内能具备高质量的服务性能，需要有規划地对路面实施养护工作，这就要对路面病害进行准确、及时的识别。目前，路面病害的检测方法可以分为三种：第一种方法是检测人员前往各个道路，对路面损坏状况进行采集并计算路面状况指数PCI；第二种方法是拍摄路面图片，人工对每张图片上存在的损坏进行识别，根据损坏识别结果计算PCI；第三种方法是对采集到的路面图片，使用计算机对图片上的路面损坏进行标识并计算PCI[1]。

人工识别损坏方法的准确率较高，但是需要花费大量的人力、物力以及时间。随着科学化道路管理的理念深入人心，在将来面临大规模的路网损坏状况评价时，人工识别损坏方法会力不从心。因此，如何使用计算机自动对图像上的损坏进行识别是未来的重要研究方向。近年来，随着计算机处理数据的能力的增强，以及基于卷积神经网络的图片处理技术提升，大量的图片自动化识别技术应用于路面病害检测领域，并取得了较好的效果。

1 卷积神经网络的机理

基于卷积神经网络的路面病害自动化识别方法是卷积神经网络通过数据输入、模型建立、训练识别，避免了前期图像数据的处理，只是从前期的训练库中进行反复学习，再者由于同一个特性反映面上的取值相同，所以卷积神经网络可以一并进行学习。

用于路面病害自动化识别的卷积神经网络，可以实现自动化、识别率高的识别路面病害的目的。首先，选取5条高速公路的路面病害图像作为模型训练的数据库。其次，经构建卷积神经网络各层，包括数据输入层、卷积计算层、ReLU激励层、池化层和全连接层，建立基于卷积神经网络的路面病害自动化识别系统模型[2-8]。

2 数据的收集及预处理

2.1 原始数据收集

原始数据收集的关键是进行图像的采集和数据库的建立。为保证数据库数据的多样性，避免数据的单一性，该次数据的收集选取全国不同省份的5条高速公路的路面图像作为原始数据，分别为德商高速、简蒲高速、安紫高速、资兴高速和京新高速。每条高速选取不同路面病害图像100张。为确保卷积神经网络的自动化路面病害识别结果不受采集时图像亮度的影响，路面破损采集系统搭载4k线阵相机+2*激光照明。为确保拍摄角度对路面病害识别的无影响，路面破损图像采集系统的相机拍摄面与路面固定垂直，相机与路面的间距保持固定的2 m。此设备可高质量拍摄路面宽度小于4 m，长度为2 m的图片，满足单个路面宽度的采集要求。另外，由于路面上的标线、垃圾等的外观形状与路面病害有显著差异，卷积神经网络可在训练时自动对其识别，无须对其进行人工标记。

2.2 数据预处理

将前期选取的路面病害图像分割为512像素×512像素的小单元。相同地，通过人工将前期选取的路面病害进行划分统计，路面病害图像分割如图1所示，便于后期与自动化识别的结果进行比对修正。

3 卷积神经网络模型的建立

卷积神经网络是一种模拟人工神经网络的自动化识别模型结构，目前比较成熟地用于人脸识别和行人、车辆的识别定位。卷积神经网络的自动化识别不易受到物体倾斜角度、旋转以及变位的影响，因此在图像自动化识别方面的应用比较广泛。卷积神经网络的识别准确度与速度也能满足路面病害的规范要求。卷积神经网络模型的建立如图2所示。

3.1 卷积神经网络设计

在路面图像中，裂缝、坑槽等病害与正常沥青混凝土路面具有明显的几何外观区别，所以卷积神经网络可以将不同病害图像依据其外观特性分类[9-12]。

3.2 卷积神经网络结构设计

卷积神经网络的结构设计是为了建立其基本的分析结构。卷积神经网络模型的建立经由数据输入→卷积计算→ReLU激励→池化层→全连接层组成。其中卷积计算主要是对图像进行特性识别，其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量，类似于一个前馈神经网络的神经元。图像数据由数据输入层输入，卷积神经网络通常使用线性整流函数（Rectified Linear Unit， ReLU）得到输出特征矩阵，如图3。每个卷积核赋予不同的权值和阈值，该卷积神经网络共有10个卷积核，每个卷积核尺寸为（3，3）。

池化层的主要作用为缩小参数矩阵的大小，以达到减少最后连接层中的数据量的目的，通常使用max-pooling，即在规定的窗口大小下取最大。全连接层的功能是将卷积神经网络中的全连接层等价于传统前馈神经网络中的隐含层。

3.3 卷积神经网络的训练

卷积神经网络的训练主要是网络模型参数的确定与调整。在确定网络的输入和输出以后，网络中间各层（隐藏层）的参数确定，其中包括网络层数、各层维度、卷积窗口大小、学习率、激励函数的调整与确定。该文采用前向反馈算法来进行调整修正。

前向反馈算法的原理是使用正向传输和反向误差传输的原理来减少卷积神经网络自动化识别的结果和实际结果的差值。前向反馈算法基本流程如图4所示。首先，选取5条高速公路的图像数据作为训练样本，前向反馈算法给予卷积神经网络随机的初始值。前向反馈算法将根据初始值自动识别后产生卷积神经网络的识别结果，然后将自动化识别的结果与人工识别的结果进行比较。根据前向反馈算法的计算，修正权值和阈值。完成1次迭代计算后，再次将前期准备的病害数据导入该系统，再次进行处理，利用均方误差M对卷积神经网络自动化识别准确率进行评价。依据《公路技术状况评定标准》（JTG 5210—2018）中关于路面病害的识别准确率大于90%的要求，当M≤0.05时，卷积神经网络模型可满足规范自动化识别准确率要求；若M＞0.05时，重复迭代处理过程，直至M≤0.05时可结束。

3.4 卷积神经网络的测试

M≤0.05且趋于稳定时仅说明针对卷积神经网络训练的样本，并不能完全保证所有的图片都能够达到要求。因此，重新选择路面病害图像来测试卷积神经网络的自动化识别准确率。当这些图像测试样本输出结果的M≤0.05时，则可以认为该卷积神经网络能够满足《公路技术状况评定标准》（JTG 5210—2018）中对于路面病害的识别准确率大于90%的要求。

3.5 卷积神经网络识别结果分析

卷积神经网络模型经100次迭代训练后，M从0.552降至0.014 6，由图5可见。该次卷积神经网络模型训练采用随机梯度下降的模式，为了避免因为样本的不同产生的误差，迭代次数应保证延长至卷积神经网络能够输出稳定的识别结果为止。由图5可知，M在第50次至第100次的迭代计算中已经能够保持恒定，满足M保持稳定的要求。

4 结论

（1）该次试验的基于深度卷积神经网络路面病害自动化识别系统可以直接输入路面病害图像，避免了图像亮度、非病害因素等的前期处理过程，提升了处理效率。训练完成后的系统可以直接用于路面病害图像的自动化识别分析统计，划分路面病害类型，统计病害量值信息，无须进行其他人工操作。同时，该系统的自动化识别准确率、病害量值计算精度都能满足相关规范的识别准确率要求。该卷积神经网络模型与传统的人工识别相比较，大幅度地提升了路面病害的识别效率与准确率。

（2）一个满足规范要求的卷积神经网络路面病害识别系统的搭建包含了样本输入、模型建立、样本训练、准确度测试等步骤，其识别准确度满足检测规范要求后，方可用于正常试验检测。该系统经过深度修正后的精度可达到：裂缝长度误差均小于4.25%，宽度误差均小于8.42%，裂缝病害程度识别准确率为95.66%；坑槽面积误差均小于8.98%，坑槽病害程度识别准确率为96.56%。由此可见，该系统具备较高的测量准确度和工作效率。

该卷积神经网络系统通过训练后的模型的自动化路面病害识别，可以满足《公路技术状况评定标准》（JTG 5210—2018）中对于路面病害的识别准确率大于90%的要求。基于深度卷积神经网络的路面病害自动化识别系统可较高地提升路面病害识别效率，降低因为不同人的识别产生的误差。同时，该系统也便于公路管养部门能够及时、准确地掌握管养里程内路面病害状况，并开展及时准确的养护，确保道路的使用寿命和使用性能，保证交通安全，为人民群众的出行安全提供有效保障。

参考文献

[1]中华人民共和国交通运输部. 公路技术状况评定标准[S]. 北京：人民交通出版社股份有限公司， 2008.

[2]蔡志兴， 罗文婷， 李林. 基于深度学习的路面裂缝自动化识别研究[J]. 建材与装饰， 2020（5）： 238-240.

[3]沙愛民， 童峥， 高杰. 基于卷积神经网络的路表病害识别与测量[J]. 中国公路学报， 2018（1）： 1-10.

[4]常莹， 蔡蓉宾. 基于卷积神经网络的多类别路面病害识别研究[J]. 上海电气技术， 2020（2）： 61-66.

[5]杨依霖， 黄浩， 胡永明， 等. 基于LeNet卷积神经网络的路面病害自动检测方法[J]. 物联网技术， 2021（1）： 47-50.

[6]罗辉， 何海清， 徐献聪. 一种基于深度卷积神经网络的道路损伤检测研究[J]. 江西科学， 2021（1）： 134-137.

[7]陈瑶. 基于卷积神经网络的路面裂缝识别研究[J]. 科技创新导报， 2018（23）： 125+127.

[8]刘奇， 于斌， 孟祥成， 等. 基于转置卷积神经网络的路面裂缝识别算法[J]. 华南理工大学学报（自然科学版）， 2021（12）： 124-132.

[9]孙朝云， 马志丹， 李伟， 等. 基于深度卷积神经网络融合模型的路面裂缝识别方法[J]. 长安大学学报（自然科学版）， 2020（4）： 1-13.

[10]陈嘉， 季雪， 戴伊， 等. 采用深度卷积神经网络的路面破损智能识别[J]. 福州大学学报（自然科学版）， 2022（4）： 530-536.

[11]封筠， 赵颖， 毕健康， 等. 多级卷积神经网络的沥青路面裂缝图像层次化筛选[J]. 图学学报， 2021（5）： 719-728.

[12]李永绪， 谢政专， 唐文娟. 基于卷积神经网络的沥青路面裂缝识别方法[J]. 西部交通科技， 2020（6）： 19-22.