公路边坡病害分类与图像特征研究

廖艺

摘要 为了提出一种智能化的公路边坡病害检测方法，研究过程利用无人机采集边坡图像信息，并且根据边坡病害的特征，通过软件工具进行目标分类标注，形成风化剥落、雨水冲刷、滚石掉块、崩滑坡四类特征图。基于 YOLOv4算法设计改进的YOLOv4-RSS检测算法，主要的优化点为特征图残差、检测头编码方式、注意力机制。使用标注后的边坡图像数据训练YOLOv4-RSS算法，再检验其对边坡病害的检测效果。结果显示，其对四类病害特征的平均检测精确度达到了72.86%，可靠性较高。

关键词 公路边坡病害分类；边坡病害图像采集；YOLOv4-RSS检测算法；图像特征

中图分类号 U418文献标识码 A文章编号 2096-8949（2024）08-0012-03

0 引言

公路边坡病害类型多样，包括风化剥落、滑坡、坍塌等，由于线路长度较大，导致人工检查方式存在效率低、成本高的缺点。基于图像特征的目标检测技术以人工智能算法为基础，能够从公路边坡的图像信息中识别出病害部位和类型，成为提高边坡维护效率的重要工具。目前，YOLOv4算法在这一领域应用广泛，故基于该算法对相关问题展开研究，旨在提出性能优异的检测模型。

1 公路边坡病害分类及图像采集

1.1 公路边坡病害分类

公路边坡的病害类型主要包括4种，分别为滑坡、坍塌、崩塌以及岩石风化剥落。当公路边坡存在层状岩石结构（如页岩、片状岩）时，受到风力作用的长期侵蚀，有可能出现风化，破坏岩石结构的稳定性。滑坡是公路边坡失稳的重要表现形式，地表水和雨水的冲刷作用容易造成滑坡类病害[1]。当公路边坡为高陡边坡时，在重力、风力以及其他外力的影响下，有可能出现岩土体突然脱离母体的现象，从而形成崩塌或者坍塌。

1.2 公路边坡病害图像采集

公路边坡病害的外在表现形式具有一定的特征，工程地质专家可通过查看边坡的地形、地貌，判断是否存在发生病害的风险。以边坡坍塌为例，当雨水径流冲刷边坡时，可在边坡岩土体上产生竖向纹理。再如，当边坡岩体风化严重时，坡脚以及地势较低的部位会产生较多的落石掉块，可据此判断风化剥落和岩土崩塌风险。大量采集公路边坡的图像，能够为识别病害类型、查找边坡隐患提供依据。

1.2.1 基于无人机的图像采集方法

公路边坡空间范围较大，使用无人机采集边坡的图像数据，能够显著提高工作效率。研究过程采用DJI Mavic Air 2无人机采集图像信息，该机重量为570 g，最大飞行速度为43 km/h，单块电池的续航时间为34 min，配备6块备用电池，机载拍照设备的像素达到4 800万。无人机采集图形作为一项复杂的数据处理工作，涉及大量公式，在设计无人机路径时，研究人员引入航点计算公式，用于计算无人机飞行航迹中的航点坐标。通过规划合适的航点，可以确保无人机在任务区域内按照设定的路径高效飞行，实现图像的全面覆盖，具体公式：

（Xi，Yi，Zi）=（Xstart，Ystart，Zstart）+[d·cos（θi），d·sin（θi），Hfly]

（1）

式中，（Xi，Yi，Zi）——第i个航迹点的地理坐标；（Xstart，

Ystart，Zstart）——无人机起飞点的地理坐标；d——航点之间的水平距离；θi——第i个航点相对于起飞点的方向角；Hfly——无人机飞行高度。

除了利用公式（1）计算无人机飞行过程中经过的航迹点之外，为提高拍摄图片的内容价值，研究人员还引入了图像采集的重叠度计算公式，确保采集的图像足够重叠，以便后续图像的拼接和三维重建。通过调整无人机的航迹和相机参数，可以控制重叠度来满足特定任务需求，具体计算公式：

（2）

式中，O——图像的重叠度；L——图像的长度；D——图像之间的水平重叠区域的长度。采集到图像之后，利用地图配准中的相机模型，将地理坐标投影到图像平面，通过这种方式将采集到的图像与地理坐标进行关联，确保图像上的特征与地理空间一致，其计算公式：

[u v]=[fx 0 cx 0 fy cy][X Y Z] （3）

式中，[u v]——图像上的像素坐标；[X Y Z]——地理坐标；fx、fy——相机焦距；cx、cy——图像的主点坐标。

拍照时将镜头与水平方向的夹角控制在30 ?～45 ?，覆盖公路里程为150 km，共计获得1 701张公路边坡病害照片，排除拍摄效果不佳的照片，最终剩余1 089张可用照片。

1.2.2 图像标注

使用算法程序进行图像检测之前，应对图像进行标注，研究过程使用的标注工具为Labelimg，以人工方式进行标注，将图片中的目标区域标注为矩形框，并且设置明确的类别。标注完成后，可生成相应的XML标签文件，其中包括矩形框左上角和右下角的坐标、图像像素大小[2]。经过标注，在1 089张公路边坡图片中，共计形成了2 213个病害区域，样本标注结果见表1。

1.2.3 图像增强

利用图像特征识别公路边坡病害时，需要较多的数据样本，以便实施深度学习和训练。为了增加数据的多样性，应该对其进行图像增强处理，主要的处理措施为切割、翻转、缩放以及平移。研究过程利用混合裁剪（CutMix）和马赛克（Mosaic）方法进行数据增强。

2 基于YOLOv4-RSS算法的公路边坡病害图像特征检测

2.1 YOLOv4算法的应用原理

2.1.1 YOLOv4算法的结构

YOLO（You Only Look Once）是一种基于深度神经网络的目标检测算法，从诞生之后，至今已形成了多个模型，包括YOLOv1、YOLOv2等，YOLOv4提出于2020年，继承了YOLOv1～YOLOv3算法模型的优点，同时进行了优化和改进。该算法由输入层、主干特征提取网络、池化层、输出层组成，在输入层利用Mosaic方法进行数据处理，通过CSPDarknet53网络进行特征提取，在池化层可进行多个尺度的池化处理。

2.1.2 预测类别置信度计算方法

YOLOv4算法先对图像进行分割处理，形成网格，利用网格预测落入其中的目标。将数据集中的总类别记为C，则每个预测框可形成5+C个数值，其中5代表5个基本信息量，分别为网格几何中心点坐标（x，y）、网格的宽和高（w，h）以及置信度[3]。在此基础上计算出网格预测类别的置信度，相应的计算方法如式（4）。

（4）

式中，Pob——表征目标落入网格的概率；Pci——网格对第i类目标预测结果的准确率；CIoU——预测边框与真实边框的距离交并比。当Pob=1时，目标落入预测网格中，当Pob=0时，目标未落入预测网格。

2.1.3 CSPDarknet53网络及其激活函数

YOLOv4算法利用CSPDarknet53网络实现主干特征提取，该网络是进行公路边坡病害分析的关键，其激活函数采用Mish函数，表达式如式（5）。

（5）

式中，Xi——第i个特征向量序列，并且有Xi={x1， x2， ...， xi}；e——自然对数的底数；tanh（·）——双曲正切函数。

2.1.4 边框回归损失函数

与YOLOv3不同，YOLOv4算法的边框损失函数采用 Ciou Loss，该函数的定义见式（6）。

（6）

式中，v——用于衡量长宽比的一致性；α——权重系数；c——最小外接矩形对角线的距离；b——预测框的几何中心点；bgt——真实框的几何中心点；ρ——中心点b和bgt的欧式距离；LIoU——边框损失的计算结果。

2.2 YOLOv4算法改进

为了适应公路边坡病害图像特征分析的需求，研究过程对YOLOv4算法进行改进，形成YOLOv4-RSS算法，其中RSS的含义为“Road Side Slope（公路边坡）”，改进点如下：

2.2.1 引入注意力机制模块

在YOLOv4-RSS算法中引入了注意力机制模块，包括通道注意力模块和空间注意力模块，前者用于加权特征图的通道维度，后者用于增强算法模型对图像中目标位置的敏感性。

2.2.2 改进特征图残差

公路边坡病害检测过程中，需要从图像信息中区分边缘、纹理和颜色的差别，这一过程需要以恰当的方式处理残差问题[4]。YOLOv4-RSS算法中对残差处理方式进行了改进，将卷积层的输出从H（x）转化为F（x）+x的形式，降低了算法的训练难度。

2.2.3 改进检测头编码方式

在YOLOv4算法中，分类和回归预测各自独立进行编码。在YOLOv4-RSS算法中，对二者先进行合并，再进行堆叠，最后实施编码，其效果优于二者各自独立编码。

2.3 YOLOv4-RSS算法性能验证

2.3.1 模型训练设置

（1）软硬件环境。硬件为工作站，其核心设备为高性能计算机，采用Intel处理器，主频为2.2 GHz，内存为32 GB，CPU为12核。软件部分为Ubuntu 20.04 LTS操作系统，编程语言为Python3.8。

（2）基本参数设置。模型训练分为冻结训练和解冻训练两个阶段，针对两个阶段的批处理次数分别为8次、4次，相应的学习率设置为0.001和0.000 1。将数据按照81∶9∶10的比例分为训练集、验证集和测试集三部分。

2.3.2 性能评价指标

在模型性能评价中，采用指标mAP，其含义为各个边坡病害类别的均值平均度。将算法模型的召回率作为横坐标，与之对应的精确度作为纵坐标，横、纵坐标值所围成的面积称为平均精度（Average Precision，AP）[5]。求出FH、CS、GS、BHP四类标签的AP平均值，记为mAP。如果mAP的计算结果越大，则算法性能越好。在计算评价指标时，将召回率记为Rc，精确度记为Pr，相应的计算方法如下。

（7）

式中，TP（Ture Positive）——被预测为正例的真实正例样本数；FP（False Positive）——被预测正例的真实反例样本数；FN（False Negative）——未能识别的真实正例样本数量。

2.3.3 基于图像特征的性能检测结果

将YOLOv4-RSS作为目标算法，为其设置4个对照算法，分别为YOLOv4（对照算法1）、基于注意力机制的改进YOLOv4算法（对照算法2）、基于特征图残差的改进YOLOv4算法（对照算法3）、基于检测头编码方式的改进YOLOv4算法（对照算法4）。利用无人机采集的图片信息开展模型训练和检验，结果见表2。从数据可知，YOLOv4-RSS算法的mAP值最大，在5种算法中性能最佳，单独改进注意力机制、特征图残差或者检测头编码方式，也能提高算法性能。

3 研究结果

根据以上研究过程，可得到以下几个基本结论。

（1）公路边坡病害可通过图像进行智能化的检测与识别，其主要的识别依据为边坡的图像特征，具体包括风化剥落、雨水冲刷、滚石掉块以及崩滑坡。

（2）YOLOv4属于当前较为先进的图像目标检测算法，但该算法在边坡病害图像特征检测中仍具有一定的改进空间，主要的改进点为降低特征图残差影响、优化检测头编码方式以及引入注意力机制。

（3）研究过程基于以上改进点，设计出针对公路边坡的YOLOv4-RSS图像特征检测算法，与YOLOv4算法相比，其对四种边坡病害特征的平均检测精度均有所提高。

4 结语

基于人工方式的公路边坡病害识别方法效率低下，难以适应管理需求，在此次研究中，利用无人机采集公路边坡的图像信息，以YOLOv4算法为基础，改进其检测头编码方式，降低特征图残差的影响。同时，引入注意力机制，进而提出YOLOv4-RSS检测算法。经过模型训练和检验，新的目标检测算法在识别精度上全面优于YOLOv4算法，其对风化剥落、雨水冲刷、滚石掉块的检测精度均超过70%，达到了较高的可靠性。

参考文献

[1]段英杰. 公路隧道衬砌表观病害图像数据化表征方法研究[J]. 机电信息， 2022（12）： 83-85.

[2]白利茹， 柴明堂， 武立波， 等. 青藏公路病害图像提取及分析[J]. 公路， 2021（11）： 32-37.

[3]谭建德， 张梦炜， 郑凤飞， 等. 基于三维图像处理技术识别高速公路路面病害的方法研究[J]. 波谱学杂志， 2023（4）： 482.

[4]刘健， 解全一， 吕成顺， 等. 公路隧道衬砌裂缝图像质量增强方法研究[J]. 山东建筑大学学报， 2023（4）： 108-116.

[5]陈垦， 王世法， 谭屈山， 等. 高速公路无线施工视频监控、图像处理及编码技术综述[J]. 无线电工程， 2023（8）： 1815-1828.