王艾迪 郎洪? 丁朔 陸鍵 洪小剛 溫添

（1. 同濟(jì)大學(xué) 道路與交通工程教育部重點實驗室，上海 201804； 2. 山西高速公路工程檢測有限公司，山西 太原 030008）

截至2020 年底，中國的公路總里程為519.81萬km，其中公路養(yǎng)護(hù)里程為514.40萬km，占公路總里程的99.0%［1］，我國公路網(wǎng)已基本形成。然而，由于交通負(fù)荷的不斷增大和道路的自然老化，路面損壞日趨嚴(yán)重。據(jù)統(tǒng)計，高速公路80%以上的路面維修、罩面是由車轍病害引起的［2］。車轍不僅會縮短道路使用壽命，還會增加其他安全風(fēng)險，尤其是在雨雪等惡劣天氣，路面會有大量積水、結(jié)冰，危害駕駛員的行車安全。此外，車轍病害的進(jìn)一步發(fā)展會破壞路面結(jié)構(gòu)層的質(zhì)量，形成破壞性和危害性更大的其他類病害。因此，準(zhǔn)確、高效地檢測車轍可以為路面養(yǎng)護(hù)決策提供重要依據(jù)。

目前運用最廣泛的路面車轍檢測技術(shù)是點激光技術(shù)，通過檢測裝置中有限的傳感器獲得一定間隔的橫斷面高程數(shù)據(jù)，在此基礎(chǔ)上擬合路面橫斷面曲線。由于存在橫斷面數(shù)據(jù)不完整以及傳感器與車轍之間難以對準(zhǔn)的問題，該技術(shù)往往會低估車轍深度，造成車轍測量誤差。新興的三維（3D）線激光成像技術(shù)能夠克服上述缺陷，它采用一定角度偏差的高速數(shù)字相機(jī)記錄激光光源投射到路面上的激光變形，獲得連續(xù)的路面橫斷面高程數(shù)據(jù)，通過車轍模型計算即可提取路面車轍信息［3-4］。三維線激光車轍測量技術(shù)提高了車轍自動測量的精度和效率，然而，路表面非車轍特征（如瀝青路面紋理特性，路面病害如裂縫、坑槽等），攝像機(jī)拍攝圖像時出現(xiàn)的激光線條的噪聲反射、植被等異物侵?jǐn)_，以及激光系統(tǒng)固有的噪聲等都會導(dǎo)致所獲得的三維高程數(shù)據(jù)中出現(xiàn)不規(guī)則的數(shù)據(jù)點（包括缺失點或異常點），進(jìn)而造成車轍測量結(jié)果與真實值之間的誤差。文獻(xiàn)［5］中指出，三維線激光技術(shù)的測量誤差主要來源于被測物體的表面特性和檢測系統(tǒng)本身；文獻(xiàn)［6］將影響測量精度的噪聲分為光源噪聲、光電設(shè)備噪聲、外部噪聲和探測器運動產(chǎn)生的噪聲；文獻(xiàn)［7］表明，激光圖像的對比度、光線、交通標(biāo)線和車輛狀態(tài)變化等都會影響車轍深度測量的準(zhǔn)確性。不少學(xué)者對橫斷面不規(guī)則數(shù)據(jù)點進(jìn)行了分析研究。李莉等［8］基于激光線結(jié)構(gòu)光車轍檢測原理，提出了適應(yīng)瀝青路面紋理特征和技術(shù)狀況的線結(jié)構(gòu)光圖像處理流程，利用光心提取、光心連接和光心曲線平滑實現(xiàn)路面橫斷面曲線提取，并在此基礎(chǔ)上實現(xiàn)了車轍特征參數(shù)的提取。張德津等［9］利用三維線結(jié)構(gòu)光技術(shù)獲得路面斷面數(shù)據(jù)，先對曲線進(jìn)行濾波處理，再剔除濾波后數(shù)據(jù)可能存在的異常值，根據(jù)拉依達(dá)準(zhǔn)則，以2倍標(biāo)準(zhǔn)差消除可能的異常點數(shù)據(jù)，最后對處理后的數(shù)據(jù)進(jìn)行擬合和車轍計算。Feng［10］基于多元自適應(yīng)回歸樣條技術(shù)，使用分段線性模型來擬合車轍深度剖面，并去除車轍深度數(shù)據(jù)的異常值，發(fā)現(xiàn)當(dāng)坡度閾值為1/4、窗口尺寸為1 m 時，能夠有效去除非車轍特征引起的離群點（如裂縫和坑槽等），并且保留車轍的完整形狀。Kage 等［11］提出了一種結(jié)合激光和車載立體相機(jī)進(jìn)行車轍檢測的方法，利用限制對比度的自適應(yīng)直方圖均衡和濾波算法，可以更好地識別激光線的變形，并與車轍圖像進(jìn)行匹配以消除車轍對外部光線的影響。李中軼等［12］提出了一種結(jié)合路面水平軸和車道邊緣線坐標(biāo)的車轍檢測定位方法來實現(xiàn)對路面車轍的自動測量與定位，該方法可消除推波、擁包及車道外雜物干擾帶來的誤差，同時可以在車道上實現(xiàn)車轍橫向定位。羅楠欣［13］在借鑒已有二維路面去噪處理方法的基礎(chǔ)上，提出了適用于三維圖像的裂縫消除算法，并對算法的有效性和穩(wěn)定性進(jìn)行了驗證，減少了裂縫信號對車轍識別的干擾。Huang等［14］提出了一種三維線激光車轍測量系統(tǒng)來對車轍進(jìn)行自動檢測，以減小車道條紋、邊緣脫落、植被、路緣和密封裂縫的影響，但并未研究針對這些病害具體的濾波方法。

三維線激光車轍自動檢測技術(shù)提供了一種快速、準(zhǔn)確和非主觀的替代人工調(diào)查的方法。然而，在計算車轍深度時，未考慮路面橫斷面高程數(shù)據(jù)中坑槽、松散、裂縫和橋梁接縫等三維病害特征的影響，測量結(jié)果與真實值有較大的誤差。針對路面三維病害類非車轍特征所導(dǎo)致的橫斷面異常數(shù)據(jù)，文中提出了一種新的車轍異常檢測與校正方法，以有效識別和定位導(dǎo)致車轍異常的病害，提高車轍深度的測量精度。

1 數(shù)據(jù)準(zhǔn)備

1.1 數(shù)據(jù)的采集及預(yù)處理

文中采用基于線結(jié)構(gòu)光測量原理的數(shù)字化道路檢測車（DRIV）采集瀝青路面數(shù)據(jù)［15］。檢測車上安裝有三維線激光系統(tǒng)，并與DMI耦合，DMI是一個安裝在車輪上的旋轉(zhuǎn)軸編碼器，用于觸發(fā)橫向數(shù)據(jù)的采集，并測量行進(jìn)的線形距離。當(dāng)收集三維高程數(shù)據(jù)時，激光投影儀將結(jié)構(gòu)光投影到對象表面，三維相機(jī)捕捉到由激光線條變形所構(gòu)成的圖像數(shù)據(jù)，然后利用峰值檢測算法將激光線條的變形轉(zhuǎn)化為物體表面的高程信息。為同時獲得三維高程數(shù)據(jù)和二維強(qiáng)度數(shù)據(jù)，三維線激光系統(tǒng)連續(xù)掃描路面，獲取高程距離和強(qiáng)度的橫向剖面數(shù)據(jù)，高程距離信息用于重建連續(xù)的三維路面圖像，強(qiáng)度信息用于恢復(fù)路表面的二維圖像［10］。檢測車以35~100 km/h 的速度采集路面二維圖像和三維數(shù)據(jù)，試驗環(huán)境按照J(rèn)TG/T E61—2014《公路路面技術(shù)狀況自動化檢測規(guī)程》設(shè)立［16］。每個橫斷面采集4 096 個數(shù)據(jù)點，覆蓋3.6 m 寬的路面，因此X方向（橫斷面方向）的分辨率為0.88 mm（3.6 m/4 096像素），Y方向（檢測車行進(jìn)方向）的分辨率取決于DMI 編碼器，采樣間隔為3.3 mm（6.6 m/2 000 像素），高程精度是三維數(shù)據(jù)點理論上在Z坐標(biāo)的離散度，為0.55 mm。

根據(jù)本研究的數(shù)據(jù)需求和實驗特點，對采集的數(shù)據(jù)進(jìn)行預(yù)處理。由于路面的復(fù)雜性、傳感器的性能、檢測系統(tǒng)的機(jī)械振動以及測量過程中的人為因素等，可能會導(dǎo)致某些激光點無法反射回相機(jī)，從而造成橫斷面數(shù)據(jù)的丟失，影響車轍計算［17］，因此，需要對原始三維高程點的檢測值進(jìn)行預(yù)處理。

首先，令一組橫斷面高程數(shù)據(jù)組成的向量X={X1，X2，…，XN}，其中Xn= 0(n= 1，2，…，N)屬于激光異常點，Xn≠0(n= 1，2，…，N)不屬于激光異常點。X′={X′1，X′2，…，X′N}是校正后的高程向量，對于篩選出的異常值采用其左鄰正常值或右鄰正常值的插值進(jìn)行修正，即

其次，為有效分析三維病害變形，將三維路面高程數(shù)據(jù)轉(zhuǎn)換為三維路面圖像，如式（2）所示：

式中，X為三維高程數(shù)據(jù)上每個像素的高程值，為三維圖像中相應(yīng)像素的值，Xmin和Xmax分別為三維路面的最小和最大高程值。

從本質(zhì)上講，三維路面圖像是三維高程數(shù)據(jù)通過最大-最小值歸一化而來的灰度圖像，其顏色的深淺反映了道路表面高程的大小。

為節(jié)省計算資源，對二維、三維圖像和校準(zhǔn)后的三維高程數(shù)據(jù)進(jìn)行下采樣，尺寸由原來的4 096×2 048 減少為1 024×512，其中二維圖像采用雙線性插值方法，三維圖像和高程數(shù)據(jù)采用8×8平均池化技術(shù)以捕捉細(xì)微的高程差異，最終將這3種類型的圖像數(shù)據(jù)在像素級上一一對應(yīng)。

1.2 數(shù)據(jù)集制作

經(jīng)數(shù)據(jù)預(yù)處理后，根據(jù)二維圖像與相應(yīng)的三維圖像建立瀝青路面雙通道數(shù)據(jù)集DB0。從數(shù)據(jù)集中選取4 000 張雙通道圖像用于路面病害語義分割模型的訓(xùn)練和測試，其中，隨機(jī)抽取3 000 張作為訓(xùn)練集，500張作為驗證集，剩余500張作為測試集。數(shù)據(jù)集中的所有標(biāo)簽圖都是在像素級圖像上手動標(biāo)記完成，不同類型道路病害的圖像標(biāo)記數(shù)量見表1。此外，為了驗證文中提出的車轍異常檢測與校正方法的可靠性，選擇坑槽、裂縫等破損類病害較多的路段作為實地驗證模擬路段，建立模擬路段數(shù)據(jù)集DB1。數(shù)據(jù)集對應(yīng)的路面實際長度為6.5 km，共1 250 張瀝青路面雙通道圖像數(shù)據(jù)。數(shù)據(jù)集中包含了不同路面材料和紋理，路面存在較多裂縫、坑槽、松散、橋接縫和油污。

表1 訓(xùn)練集、驗證集和測試集中不同類型道路病害的圖像數(shù)量Table 1 Quantities of each type of pavement distress used for net training， validation and testing

2 基于語義分割模型的路面病害檢測與分割

采用三維線激光成像技術(shù)自動獲取路面微觀變形，進(jìn)而提取橫斷面高程數(shù)據(jù)。根據(jù)JTG/T E61—2014《公路路面技術(shù)狀況自動化檢測規(guī)程》，基于橫斷面數(shù)據(jù)的路面車轍深度計算方法主要分為兩種：直尺法［18］和包絡(luò)線法［8］，文中采用包絡(luò)線法。JTG 5210—2018《公路技術(shù)狀況評定標(biāo)準(zhǔn)》［19］（以下簡稱《標(biāo)準(zhǔn)》）中將車轍損壞程度分為輕度和重度，其中輕度車轍的深度在10~15 mm 之間，重度車轍的深度大于15 mm；另一方面，在《標(biāo)準(zhǔn)》的公路技術(shù)狀況指標(biāo)等級劃分中，車轍深度大于10 mm 的路段評級為優(yōu)級以下。綜上，文中將含有10 mm 以上車轍深度的圖像作為異常車轍校正的候選圖像，建立了一種基于深度學(xué)習(xí)的語義分割框架，提出了對DeepLabV3+網(wǎng)絡(luò)進(jìn)行病害自動識別和像素定位的改進(jìn)方法。

2.1 網(wǎng)絡(luò)架構(gòu)

DeepLabV3+是Chen等［20］于2018年提出的一種先進(jìn)實時的語義分割方法，它結(jié)合了空間金字塔池化模塊和編碼器-解碼器結(jié)構(gòu)。前者能對多尺度的上下文信息進(jìn)行編碼，而后者可以通過逐步恢復(fù)空間信息來捕捉更清晰的目標(biāo)邊界。DeepLabV3+的結(jié)構(gòu)如圖1所示。

圖1 DeepLabV3+的結(jié)構(gòu)Fig.1 Architecture of DeepLabV3+

在編碼器結(jié)構(gòu)中，網(wǎng)絡(luò)的主干部分Modified Aligned Xception 采用步長為2的深度分離卷積層進(jìn)行下采樣操作。通過多層卷積，每個卷積層后面都有1 個批量標(biāo)準(zhǔn)化層（BN 層）和1 個激活函數(shù)（ReLU），通道數(shù)從最初輸入的雙通道圖像變成最后輸出的帶有2 048 個通道的特征圖。通過主干部分，可以得到2個不同尺寸的特征圖，其中低級特征圖的尺寸為輸入圖像的1/4，在網(wǎng)絡(luò)主干結(jié)構(gòu)終端輸出的高級特征圖的尺寸為輸入圖像的1/16。主干部分后連接金字塔池化模塊，將通過金字塔池化后的承載不同尺度信息的特征圖進(jìn)行拼接操作并送入具有1×1 卷積核的卷積層，得到空間分辨率為32×32、通道數(shù)為256的輸出結(jié)果。

在解碼器結(jié)構(gòu)中，首先將低級特征圖送入具有1×1 卷積核的卷積層，使通道數(shù)減少到48 個；同時將編碼器終端的輸出結(jié)果進(jìn)行上采樣操作，并對兩者進(jìn)行拼接；最后再進(jìn)行卷積和上采樣操作輸出預(yù)測結(jié)果。

2.2 參數(shù)設(shè)置和模型訓(xùn)練

文中在觀察大量實際工程路面圖像的基礎(chǔ)上，發(fā)現(xiàn)路面二維圖像包含強(qiáng)度信息，在一定程度上反映了病害特征，但也受到很多因素的影響，比如路面油污、紋理、區(qū)域特征等。三維高程數(shù)據(jù)能較好地克服上述缺點，提供更多有用的信息和更少的噪音［21］。因此，為了充分利用二維和三維圖像的優(yōu)勢，在模型正式訓(xùn)練前，準(zhǔn)備了帶相應(yīng)標(biāo)簽的由二維和三維圖像組建成的雙通道路面圖像作為訓(xùn)練集和驗證集。

考慮到研究中使用的數(shù)據(jù)集的一些特點，比如不同類型病害數(shù)量的比例不均衡、坑槽和松散類病害的數(shù)量相對較少、與整張路面圖像相比大部分病害的尺寸都很小而背景像素的占比過大，文中采用焦點損失函數(shù)（見式（3））。焦點損失函數(shù)一方面可以通過為每個類別設(shè)置權(quán)重來避免因類別不平衡造成的學(xué)習(xí)率下降的問題，另一方面可以減少易辨類別（如背景像素）損失值的貢獻(xiàn)度，同時提高識別困難的類別的重要性［21］，即識別錯誤越多，模型學(xué)習(xí)速度越快。

式中：n為圖像像素數(shù)量，即1 024 × 512；N為類別數(shù)量，即5；p(i，j)為第j個類別在標(biāo)簽圖第i個位置的真值，取值為1 或0；為第j個類別在預(yù)測圖第i個位置的概率；γ為聚焦參數(shù)，它可以調(diào)低易辨類別的重要性，考慮數(shù)據(jù)集的特征，文中將其設(shè)為2；αj為樣本不平衡參數(shù)，文中將背景、裂縫、坑槽、松散和橋接縫的不平衡參數(shù)分別設(shè)為1、3、4、4、2。

模型的訓(xùn)練采用Adam 優(yōu)化方法。訓(xùn)練過程的部分超參數(shù)設(shè)置如下：批量大小為16，學(xué)習(xí)率和權(quán)值衰減參數(shù)分別為0.000 1和10-8。為了確定編碼器模塊最佳的輸出步長（OS），文中分別設(shè)置OS 為8、16 和32，并對網(wǎng)絡(luò)訓(xùn)練效果進(jìn)行了比較，發(fā)現(xiàn)速度和精度在輸出步長為16 時達(dá)到最優(yōu)。在訓(xùn)練過程中，每迭代100 次就對驗證集進(jìn)行1 次測試，計算訓(xùn)練集的損失值、驗證集的損失值和均交并比（MIoU），訓(xùn)練過程如圖2所示?？梢钥闯觯簱p失函數(shù)隨著迭代期數(shù)的增加呈下降趨勢，MIoU 則呈上升趨勢；在模型遍歷300個周期后，驗證集的損失值不再明顯下降，且MIoU 在第347 個周期時達(dá)到最大，為82.48%，位于圖2（b）中虛線方框標(biāo)記處；之后出現(xiàn)了過擬合現(xiàn)象，文中保留遍歷期數(shù)為347時的訓(xùn)練結(jié)果。

圖2 改進(jìn)的DeepLabV3+的訓(xùn)練結(jié)果Fig.2 Training results of the improved DeepLabV3+

3 車轍深度異常值的校正

用包絡(luò)算法篩選出最大車轍深度大于10 mm 的數(shù)據(jù)作為車轍深度異常值校正的候選圖像。通過文中提出的語義分割模型對這些候選圖像進(jìn)行像素級分類。在此基礎(chǔ)上，設(shè)計了一種車轍深度異常值的校正準(zhǔn)則，該準(zhǔn)則基于像素級的語義分割結(jié)果，同時考慮了不同類型病害的特征，其步驟如下。

步驟1對語義分割網(wǎng)絡(luò)輸出結(jié)果的每一行進(jìn)行判斷，若存在病害像素，進(jìn)入下一步，否則該橫斷面的車轍深度保留不變。

步驟2結(jié)合圖片中每條橫斷面最大車轍深度的像素點位置，若病害像素點與最大車轍深度高程點不重合，則該橫斷面上的病害像素點不會影響最大車轍深度的計算，該橫斷面車轍深度保留不變；否則，進(jìn)入下一步，重新計算車轍深度。

步驟3對于識別出的裂縫類病害，由于裂縫類病害的縫寬較窄，損壞深度較大，故先用拉格朗日插值法（如式（4）所示）對病害像素對應(yīng)的高程值進(jìn)行校正，橫斷面曲線的校正效果見圖3（a）。對于識別出的坑槽和松散類病害，考慮到其具有破損較為集聚且病害面積大小不一的特征，文中設(shè)定了1 個閾值，即某一橫斷面的病害像素點若超過100 個，則認(rèn)為對車轍深度計算的影響較大，將對應(yīng)行的高程數(shù)據(jù)整行剔除，否則采用與裂縫類病害相同的方法校正，校正效果見圖3（b）和3（c）。而對于識別出的橋接縫類病害，由于其通常橫跨道路的整個橫斷面，因此，橋接縫所在的橫斷面不應(yīng)參與車轍深度的計算，故將對應(yīng)行的高程數(shù)據(jù)整行剔除，如圖3（d）所示。

圖3 路面病害的高程曲線和校正效果Fig.3 Transverse elevation curves and the corresponding cor?rection effect of pavement distress

式（4）中：n=j，j+1，…，j+xi-1，j+xi；(i，j)， (i，j+ 1)，…，(i，j+xi- 1)，(i，j+xi) 為 各 類 型病害在第i行橫斷面的高程坐標(biāo)；x(i，j)，x(i，j+ 1) ，…，x(i，j+xi- 1) ，x(i，j+xi)為各類型病害像素對應(yīng)的高程值，為了更好地擬合車轍變形曲線，經(jīng)試驗比較，取病害前10、前15 個像素對應(yīng)高程值的平均值（式中對應(yīng)x(i，j- 15)j15和以及病害后一個像素的對應(yīng)高程值作為擬合曲線中橫坐標(biāo)為j- 15、j- 1 和j+xi+ 1 的給定點，其中x=c，p，r，分別表示坑槽、松散和裂縫病害。

為深入揭示所提方法的校正原理，下面結(jié)合具體情形做進(jìn)一步分析。對于因路面病害影響最大車轍深度測量結(jié)果的情況，分兩種情形進(jìn)行橫斷面高程數(shù)據(jù)異常點的校正。情形1：病害像素正好位于車轍橫向剖面輪廓的最低點，利用拉格朗日插值法對病害像素對應(yīng)的高程數(shù)據(jù)異常點進(jìn)行校正，此時，最大車轍深度計算基點位于校正后的病害像素點對應(yīng)位置，如圖4（a）所示；情形2：病害像素與車轍橫向剖面輪廓最低點不重合（病害出現(xiàn)在車轍凹陷處之外也屬此情形），經(jīng)校正后的橫斷面曲線如圖4（b）所示，此時，最大車轍深度計算基點為車轍橫向剖面輪廓最低點。以上討論不包括剔除整條橫斷面曲線的情況。

圖4 路面病害影響車轍深度測量結(jié)果的兩種情形及校正效果Fig.4 Two cases of pavement distress affecting the results of rut depth measurement and the corresponding correction effect

4 試驗結(jié)果與分析

4.1 語義分割網(wǎng)絡(luò)的性能評估

訓(xùn)練結(jié)束后，將保存的最佳模型參數(shù)應(yīng)用于測試集上以評估網(wǎng)絡(luò)性能。為評估雙通道輸入數(shù)據(jù)的效果，實驗中分別以二維、三維和雙通道路面圖像作為輸入數(shù)據(jù)對改進(jìn)的DeepLabV3+模型進(jìn)行測試。由表2可知：僅使用二維路面圖像作為輸入數(shù)據(jù)時，模型只對橋接縫類病害有較好的分割效果，而在其他病害上的交并比（IoU）都偏低；僅使用三維路面圖像作為輸入數(shù)據(jù)時，除了裂縫類病害外，模型在其他類型病害上均有較好的表現(xiàn)。對比試驗表明，大多數(shù)路面破損在三維路面圖像上比在二維路面圖像上具有更明顯的特征。此外，使用雙通道圖像作為輸入數(shù)據(jù)時，模型的MIoU 達(dá)81.63%，高于僅使用二維或三維路面圖像時。

表2 使用不同類型圖像作為輸入數(shù)據(jù)的網(wǎng)絡(luò)識別精度比較Table 2 Comparison of network accuracy using different types of images as input data %

對使用不同損失函數(shù)訓(xùn)練得到的網(wǎng)絡(luò)進(jìn)行精度比較，發(fā)現(xiàn)對于大部分路面病害（特別是松散類病害），采用焦點損失函數(shù)比采用交叉熵?fù)p失函數(shù)訓(xùn)練的網(wǎng)絡(luò)有更好的分割效果，如表3所示，前者在松散類病害上的IoU比后者高了0.7個百分點。

表3 使用不同損失函數(shù)訓(xùn)練的網(wǎng)絡(luò)識別精度比較Table 3 Comparison of network accuracy trained by different loss functions %

為進(jìn)一步評估文中提出的語義分割網(wǎng)絡(luò)，分別訓(xùn)練了Unet、PSPNet和DeepLabV3+作為比較網(wǎng)絡(luò)。將它們分別應(yīng)用在測試集上，得到病害識別和分割結(jié)果。表4 列出了4 種網(wǎng)絡(luò)對每類病害的IoU 和MIoU?？梢钥闯觯簩τ诳硬酆蜆蚪涌p，4種網(wǎng)絡(luò)的識別精度較好；以Resnet101為主干的DeepLabV3+在坑槽、橋接縫類病害上的IoU 較高，在裂縫上的IoU較低；U-Net在松散、橋接縫和裂縫上的表現(xiàn)較好，但在坑槽病害上的IoU 較低；PSPNet的性能相對較差，MIoU 僅為77.58%；相比之下，改進(jìn)后的DeepLabV3+在背景、松散、橋接縫上的IoU均達(dá)到了較高水平，并且其MIoU在所有模型中最高。圖5展示了改進(jìn)后的DeepLabV3+在測試集上的預(yù)測結(jié)果，其中，矩形虛線框標(biāo)記出的假陽性誤判表明較細(xì)的線形裂縫存在漏檢，這也解釋了表4 中裂縫IoU 較低的原因。然而，在實際車轍檢測中，淺層裂縫的影響可以忽略不計。此外，由于坑槽和松散病害表征相似，界定較為模糊，預(yù)測結(jié)果中出現(xiàn)了將坑槽誤判為松散的情況（虛線橢圓標(biāo)記處），但對文中提出的校正方法，兩者間的誤判并不影響最終的校正效果。綜上，文中選擇改進(jìn)的DeepLabV3+模型作為本研究語義分割的最終模型。

圖5 改進(jìn)的DeepLabV3+在測試集上的性能Fig.5 Performance of the improved DeepLabV3+ on test set

表4 不同網(wǎng)絡(luò)在測試集上的識別精度比較Table 4 Comparison of accuracy of different networks on test set %

4.2 實地驗證

在全長為6.5 km的路段上（數(shù)據(jù)集DB1），利用文中方法對異常車轍深度進(jìn)行了校正。首先，選擇最大車轍深度大于10 mm 的圖像作為車轍異常校正的候選圖像。然后，通過語義分割模型輸出病害識別與分割結(jié)果，利用文中提出的異常車轍深度校正方法，分別對不同類型病害造成的異常車轍進(jìn)行校正。

圖6（a）和圖6（b）分別為裂縫的二維和三維圖像，它們共同構(gòu)成雙通道圖像作為語義分割模型的輸入數(shù)據(jù)；圖6（c）為裂縫病害的預(yù)測圖；圖6（d）為車轍深度異常值校正前后各橫斷面最大車轍深度構(gòu)成的全斷面車轍深度曲線。若路面橫斷面出現(xiàn)病害，車轍深度曲線將出現(xiàn)較大的跳躍，如圖6（d）中圖像行數(shù)為160—445 行時所示，由于受裂縫病害的影響，測得的車轍深度出現(xiàn)大幅度的提升，在第405 行達(dá)到最大（12 mm），顯著高于445 行之后無病害時所測得的3~5 mm 的車轍深度。而實際車轍曲線應(yīng)是連續(xù)平穩(wěn)的，從圖中可以看出，虛線所代表的校正后的車轍深度曲線走勢較為平緩，較大程度地還原了車轍深度變化的真實情況。

圖6 校正前后橫斷面的車轍深度比較Fig.6 Comparison of rutting depth on cross section before and after correction

圖7顯示了DB1數(shù)據(jù)集在校正前后的車轍異常分析結(jié)果。根據(jù)語義分割模型的識別結(jié)果，在最大車轍深度曲線上自動標(biāo)記了造成車轍異常的病害類型?？硬鄄『σ驎?yán)重破壞路面結(jié)構(gòu)，造成路面塌陷，所以車轍深度測量值出現(xiàn)嚴(yán)重異常。相比之下，裂縫病害雖普遍存在于各等級道路中，但對路面的損壞程度較輕，在實際車轍異常檢測中，較細(xì)的線性裂紋的影響通?？梢院雎圆挥嫞缇幪柷?0 的圖像中大多數(shù)由裂縫病害造成的車轍異常，其車轍深度在校正前后并無明顯變化，而對于較深的網(wǎng)狀裂紋（如圖7 中虛線方框標(biāo)記處），其對車轍深度測量值則會造成較大影響。

圖7 校正前后病害圖片最大車轍深度比較Fig.7 Comparison of maximum rutting depth in distress im?ages before and after correction

為進(jìn)一步評價路面車轍狀況，引入車轍深度指數(shù)（IRDI）［15，22］為

式中：IRD為左車轍和右車轍最大值的平均值；IRDa和IRDb為車轍深度參數(shù)，分別取10 和40；a0和a1為模型參數(shù)，分別為1.0和3.0。

校正前后病害圖片的車轍深度指數(shù)如圖8所示。從圖8中可以看出，文中提出的車轍異常校正方法最大程度地修復(fù)了由病害導(dǎo)致的車轍深度指數(shù)異常，提高了車轍深度的測量精度。值得注意的是，由于語義分割模型自身的局限性，可能存在個別病害像素遺漏的現(xiàn)象。雖然校正后的RDI曲線比校正前的RDI曲線更準(zhǔn)確地反映了車轍的實際狀況，但一些車轍深度指數(shù)無法完全消除病害影響，仍然存在比正常值偏低的趨勢（如圖中黑色圓圈標(biāo)記處）。

圖8 校正前后病害圖片的車轍深度指數(shù)比較Fig.8 Comparison of rutting depth index in distress images be?fore and after correction

上述試驗與分析結(jié)果顯示，文中提出的車轍異常分析方法可對異常車轍進(jìn)行識別和校正，為預(yù)防性養(yǎng)護(hù)提供有針對性的車轍養(yǎng)護(hù)方案。今后應(yīng)進(jìn)一步提高模型識別定位的精度，從而獲得更接近真實的路面車轍深度。

5 結(jié)語

文中基于高精度三維高程數(shù)據(jù)，利用包絡(luò)線算法自動提取橫斷面車轍深度。在異常車轍檢測中，搭建改進(jìn)的DeepLabV3+模型，并將二維和三維組建的雙通道圖像作為網(wǎng)絡(luò)輸入、將焦點函數(shù)作為損失函數(shù)對模型進(jìn)行訓(xùn)練。測試結(jié)果顯示，該模型在絕大多數(shù)病害的IoU 以及MIoU 上比U-Net、PSPNet、DeepLabV3+有更好的性能，5種路面特征和病害的綜合檢測準(zhǔn)確率達(dá)到81.63%，說明改進(jìn)的DeepLabV3+模型能較為準(zhǔn)確地識別和定位造成車轍檢測異常的路面病害。

根據(jù)改進(jìn)的DeepLabV3+模型識別出的病害類型和像素定位，利用文中提出的基于拉格朗日插值的校正規(guī)則對異常車轍進(jìn)行校正，實地驗證結(jié)果表明，文中提出的車轍異常檢測與校正方法不僅能有效識別導(dǎo)致車轍異常的原因，而且能最大程度地減小其他病害的影響，特別是對坑槽和較深的網(wǎng)狀裂縫這類對車轍測量值有較大影響的病害具有很好的效果。采用該方法進(jìn)行校正，能夠恢復(fù)較為真實的車轍橫斷面曲線，提高車轍深度測量精度。

文中提出的車轍異常分析方法能夠彌補(bǔ)現(xiàn)有車轍檢測技術(shù)在計算車轍深度時未考慮具有三維特征的路面破損（如坑槽、松散、裂縫和橋接縫）影響的不足，不僅能有效識別導(dǎo)致車轍異常的原因，而且所提出的車轍異常校正方法在較大程度上減小了路面病害對車轍計算的影響，測量結(jié)果較好地還原了實際車轍深度水平。今后將進(jìn)一步研究車轍與路面破損和平整度之間的關(guān)系，以輔助路面養(yǎng)護(hù)決策。