摘要：道路裂縫檢測的及時(shí)性對于降低交通事故風(fēng)險(xiǎn)、延長道路使用壽命以及提升運(yùn)輸效率具有至關(guān)重要的作用。在當(dāng)前大數(shù)據(jù)和人工智能的背景下，本文提出了一種結(jié)合數(shù)據(jù)挖掘和SCDYOLO的道路顛簸異常檢測方案，旨在為道路裂縫檢測提供一種高效、準(zhǔn)確的新方法。該方法顯著提升了道路裂縫檢測的精準(zhǔn)度和效率。通過優(yōu)化數(shù)據(jù)清洗方法并引入創(chuàng)新的計(jì)算機(jī)視覺技術(shù)，我們有效降低了時(shí)間與計(jì)算成本，并增強(qiáng)了模型的通用性和魯棒性。

關(guān)鍵詞：道路裂縫檢測；卡爾曼濾波算法；模擬退火算法；SCDYOLO

路面是至關(guān)重要的基礎(chǔ)設(shè)施，而路面裂縫的存在對交通安全存在重大危害。2022年3月，交通運(yùn)輸部、科學(xué)技術(shù)部聯(lián)合發(fā)布的《“十四五”交通領(lǐng)域科技創(chuàng)新規(guī)劃》提出要推動智慧交通與智慧城市協(xié)同發(fā)展，大力發(fā)展智慧交通，推動云計(jì)算、大數(shù)據(jù)、物聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)、區(qū)塊鏈、人工智能等新一代信息技術(shù)與交通運(yùn)輸融合，開展智能交通先導(dǎo)應(yīng)用試點(diǎn)。因此，本研究擬針對智慧交通領(lǐng)域開展研究，符合我國現(xiàn)代信息技術(shù)與交通運(yùn)輸管理和服務(wù)全面融合戰(zhàn)略發(fā)展需求，具有重要的理論研究意義與實(shí)際應(yīng)用價(jià)值。立足于智慧交通領(lǐng)域，旨在以數(shù)據(jù)賦能推動智慧交通建設(shè)，聚焦于道路顛簸檢測，針對以往道路顛簸檢測需要耗費(fèi)大量成本、時(shí)間和檢測精度有待提升的痛點(diǎn)，提出了一種新的基于數(shù)據(jù)挖掘和SCDYOLO的道路顛簸異常檢測方案。

一、當(dāng)前面臨的問題和解決方案

（一）路面裂縫檢測數(shù)據(jù)量龐大，檢測耗費(fèi)時(shí)間成本和計(jì)算資源高

路面裂縫檢測復(fù)雜，涉及大量圖像數(shù)據(jù)的處理。道路網(wǎng)絡(luò)廣泛分布，狀況多樣，收集和標(biāo)注的數(shù)據(jù)集耗時(shí)耗力。裂縫類型、尺寸和方向各異，增加數(shù)據(jù)多樣性和復(fù)雜性，需更多數(shù)據(jù)提升模型泛化能力。高分辨率、多角度拍攝進(jìn)一步增加數(shù)據(jù)量和處理需求，數(shù)據(jù)量增大，傳統(tǒng)算法尤其是機(jī)器視覺方法需要更強(qiáng)的計(jì)算資源，導(dǎo)致硬件成本、能源消耗和時(shí)間成本上升。

（二）當(dāng)前的路面裂縫檢測算法的精度有待進(jìn)一步提高

盡管深度學(xué)習(xí)在圖像識別和分割上有所突破，但路面裂縫檢測算法的精度仍有待提高。裂縫形態(tài)多樣，受光照、材料、老化等因素影響，算法難以準(zhǔn)確識別和定位所有類型裂縫。此外，背景噪聲、路面標(biāo)記等干擾因素也影響算法性能。

道路裂縫形態(tài)各異，背景環(huán)境復(fù)雜多變，這使得特征提取成為一項(xiàng)具有挑戰(zhàn)性的任務(wù)。針對道路裂縫特征難以提取的問題，設(shè)計(jì)全新特征提取模塊SWC2f，該模塊的設(shè)計(jì)結(jié)合了shiftwiseoperator（SW）。此外，不同型號的道路裂縫圖像分辨率各異，導(dǎo)致在同一數(shù)據(jù)集中裂縫像素的區(qū)域大小存在顯著差異，這里就需要考慮到特征融合方法。特征金字塔網(wǎng)絡(luò)（FPN）［1］雖能有效融合多尺度特征以改善目標(biāo)檢測性能，但其局限性在于未將低級定位信息反饋至高級語義特征，且層間特征傳遞限于相鄰層級，導(dǎo)致融合不均衡。為解決此問題，PANet網(wǎng)絡(luò)通過自底向上路徑增強(qiáng)結(jié)構(gòu)融合了淺層與FPN特征。而NASFPN則利用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)搜索自動優(yōu)化特征網(wǎng)絡(luò)設(shè)計(jì)。

二、數(shù)據(jù)集

RDD2022是全球首個(gè)道路損傷數(shù)據(jù)集，旨在推動損傷自動檢測與分類算法的研發(fā)。它涵蓋了六國的高質(zhì)量道路圖像，含55000個(gè)以上損傷實(shí)例，包括縱向、橫向裂縫、鱷魚裂縫和坑洞等。該數(shù)據(jù)集經(jīng)過兩年迭代，引入多國新數(shù)據(jù)，采用多種采集方式。為了增強(qiáng)模型的泛化能力，采用了多種數(shù)據(jù)增強(qiáng)技術(shù)來豐富RDD2022數(shù)據(jù)集，包括調(diào)整圖像的亮度和飽和度、添加噪聲以及進(jìn)行隨機(jī)平移。這些操作使得數(shù)據(jù)集得到有效擴(kuò)展，樣本數(shù)量增加至95068個(gè)，進(jìn)一步增強(qiáng)了模型的魯棒性和適應(yīng)性。

三、基于移動傳感器的數(shù)據(jù)清洗方法

采用卡爾曼濾波算法降低數(shù)據(jù)噪聲。卡爾曼濾波是一種通過結(jié)合傳感器測量和預(yù)測模型來估算動態(tài)系統(tǒng)狀態(tài)的方法，能降低測量噪聲對結(jié)果的影響。它通過區(qū)分測量噪聲和模型誤差，并在不同時(shí)間更新狀態(tài)估計(jì)值，同時(shí)考慮測量誤差，從而提高數(shù)據(jù)的質(zhì)量和可靠性?；静襟E包括狀態(tài)預(yù)測、協(xié)方差預(yù)測、測量更新和協(xié)方差更新。

模擬退火算法是一種全局優(yōu)化方法，模擬固體退火過程，通過溫度變化規(guī)律在復(fù)雜搜索空間中尋找最優(yōu)解。

四、SCDYOLO道路裂縫檢測模型

（一）YOLOv8網(wǎng)絡(luò)介紹

YOLOv8，作為YOLO系列物體檢測模型的最新版本，被細(xì)分為YOLOv8n、YOLOv8s、YOLOv8m、YOLOv8l和YOLOv8x等不同配置。鑒于模型大小與精度的權(quán)衡，本文選用了體積小巧且精度出眾的YOLOv8n網(wǎng)絡(luò)。YOLOv8n模型檢測網(wǎng)絡(luò)的核心結(jié)構(gòu)包括以下四大部分。

Input階段，采用Mosaic數(shù)據(jù)增強(qiáng)技術(shù)以豐富數(shù)據(jù)集，但在最后10個(gè)epoch時(shí)，這一增強(qiáng)技術(shù)會被關(guān)閉。此外，YOLOv8n采用anchorfree機(jī)制，直接預(yù)測對象的中心，而非依賴于已知錨框的偏移量，從而減少了錨框預(yù)測的數(shù)量，并加速了非最大抑制（NMS）過程。Backbone部分，負(fù)責(zé)從輸入圖像中提取關(guān)鍵特征圖。YOLOv8的主干網(wǎng)絡(luò)與YOLOv5相似，但關(guān)鍵差異在于使用C2f模塊替換了C3模塊，這一改進(jìn)顯著降低了模型的復(fù)雜度。Neck部分，專注于多特征融合。YOLOv8通過引入PANFPN方法，顯著增強(qiáng)了不同尺度特征圖之間的融合與利用。Head部分，負(fù)責(zé)預(yù)測目標(biāo)的位置、類別以及置信度分?jǐn)?shù)等關(guān)鍵信息。

（二）位移感知卷積模塊（SWC2f）

在路面裂縫檢測中，多樣的裂縫形態(tài)增加了識別難度［2］。盡管YOLOv8的C2f結(jié)構(gòu)在目標(biāo)檢測中表現(xiàn)出色，但在裂縫檢測方面，其有限的感受也難以捕獲所有關(guān)鍵特征。為解決這一問題，研究通常采用大卷積核如LKA和SlaK，但這增加了計(jì)算負(fù)擔(dān)和內(nèi)存消耗。基于shiftwiseoperator對C2f結(jié)構(gòu)進(jìn)行了優(yōu)化，通過分解大卷積核為多個(gè)小卷積核，并利用位移操作，實(shí)現(xiàn)了在降低計(jì)算資源消耗的同時(shí)提高模型對裂縫的感知能力，旨在提升檢測的精確度和魯棒性。

ShiftWiseOperator方法首先指定一個(gè)focus長度和focus寬度的矩形區(qū)域，然后選擇尺寸小于或等于焦距寬度的卷積核，并調(diào)整這些卷積組的分布以進(jìn)行信息融合。focus長度不需要小于當(dāng)前特征圖的大小，其公式如下：

y（p（i，j））=∏f（kw，kh，A）k=0∑Am=0∑An=0w（p（Δm，Δn）+Δp）·x（p（i，j）+p（Δm，Δn）+Δp）

Δm=m-A2；Δn=n-A2

Δp=g（kh，k），（k∈［0，f（kw，kh，A）］）

其中，w表示所有預(yù)先確定的非重疊小卷積；A表示小卷積核的大?。籯w和kh分別表示focus長度和focus寬度；f（kw，kh，A）表示與（kw，kh，A）相關(guān)的函數(shù)。相應(yīng)地，權(quán)重和特征偏移量Δp是與（kh，k）相關(guān)的函數(shù)，將這個(gè)函數(shù)表示為g。

（三）跨尺度注意力融合模塊（CCAFM）

針對背景復(fù)雜、噪聲多的道路裂縫圖像，采用了通道融合變形卷積注意力機(jī)制，以提升模型對狹長裂縫的特征識別能力。該機(jī)制結(jié)合通道融合和形變卷積，克服了傳統(tǒng)CAM注意力機(jī)制在局部細(xì)節(jié)和多尺度特征交互上的不足，通過增強(qiáng)特征圖交互和空間信息捕獲，提高了模型在道路裂縫檢測的準(zhǔn)確性和泛化性［3］。

假設(shè)輸入特征圖為x∈瘙 綆

C×H×W，其中C表示通道數(shù)，H和W分別表示高度和寬度：

k=Conv（x）⊙σx+IConvPool（x）CW=ChannelAttention（out）

out=k⊙CW+DC（k）⊙（1-CW）

這個(gè)模塊的前向傳播過程可以描述為對輸入特征圖x進(jìn)行卷積操作得到特征圖Conv（x），然后應(yīng)用形變卷積操作DC提取特征。同時(shí)，對經(jīng)過平均池化和卷積操作得到的特征圖ConvPool（x）進(jìn)行Interpolation插值操作調(diào)整尺寸與輸入特征圖相同，然后通過通道注意力模塊ChannelAttention計(jì)算通道權(quán)重。最終將通道注意力模塊的輸出與插值后的特征圖相加，并經(jīng)過Sigmoid激活函數(shù)σ處理，得到最終輸出。將CFD注意力機(jī)制融入CCFM結(jié)構(gòu)中，能夠有效提升特征的提取精度，并實(shí)現(xiàn)特征間的協(xié)同融合。

（四）動態(tài)檢測頭（Dyhead）

道路裂縫具有尺度和形態(tài)的多樣性，以及多變的旋轉(zhuǎn)角度和位置。為了有效檢測，本研究采用了DynamicHead技術(shù)，它結(jié)合了尺度、空間和任務(wù)三種注意力機(jī)制，提高了對裂縫的精確檢測能力，并增強(qiáng)了模型在復(fù)雜場景中的目標(biāo)識別和理解。

給定特征張量F∈RL×S×C，自注意力的表達(dá)式就是：

W（F）=π（F）·F

其中π（·）是注意力函數(shù)。一個(gè)簡單的實(shí)現(xiàn)方法就是用全連接層來實(shí)現(xiàn)該注意力函數(shù)。但直接在所有的維度上學(xué)習(xí)該注意力函數(shù)是非常消耗算力的，由于張量的維度很高，這不太現(xiàn)實(shí)。于是將該注意力函數(shù)轉(zhuǎn)化為三個(gè)連續(xù)的注意力，每個(gè)只關(guān)注于一個(gè)角度：

W（F）=πC（πS（πL（F）·F）·F）eq4·F

其中πL（·），πS（·），πC（·）分別是三個(gè)不同的注意力函數(shù)，應(yīng)用在L、S、C三個(gè)維度上。

1.尺度自適應(yīng)注意力（ScaleAdaptiveAttention）

為了有效應(yīng)對不同尺度的對象，研究設(shè)計(jì)了一種尺度自適應(yīng)注意力模塊。該模塊通過學(xué)習(xí)特征層之間的相對重要性，能夠動態(tài)地調(diào)整特征表示，從而實(shí)現(xiàn)對不同尺度對象的靈活適應(yīng)。這一設(shè)計(jì)有助于提高模型的尺度不變性，進(jìn)一步提升其在處理多尺度目標(biāo)時(shí)的性能。數(shù)學(xué)上，這可以通過以下公式表示：

πL（F）·F=σ（f（F））·F

其中，F(xiàn)是輸入的特征張量；f（·）是一個(gè)線性函數(shù)通過1×1卷積層近似；σ（x）是sigmoid激活數(shù)。

2.空間一致性注意力（SpatialCoherenceAttention）

本研究引入空間一致性注意力模塊，通過可變形卷積和跨層級特征匯聚，增強(qiáng)模型對對象空間連貫性的理解，提升任務(wù)表現(xiàn)。其公式可以表示為：

πS（F）·F=1L∑Ll=1∑Kk=1wl，k·F（l；pk+Δpk；c）·Δmk

其中，L是特征層的數(shù)量；K是稀疏采樣位置的數(shù)量；+Δpk是通過自學(xué)習(xí)的空間偏移量；mk是在位置k的自學(xué)習(xí)重要性標(biāo)量。

3.任務(wù)導(dǎo)向注意力（TaskOrientedAttention）

本研究開發(fā)了任務(wù)導(dǎo)向注意力模塊［4］，它能動態(tài)調(diào)整特征通道，按需激活或抑制通道以優(yōu)化分類和邊界框回歸等任務(wù)，提升了模型在多樣檢測任務(wù)中的適應(yīng)性和表現(xiàn)。其公式如下：

πC（F）·F=maxα1（F）·Fc+β1（F），α2（F）·Fc+β2（F）

其中，F(xiàn)c是第c個(gè)通道的特征切片；α1、α2、β1、β2是通過全局平均池化和全連接層學(xué)習(xí)的超函數(shù)，用于控制激活閾值。

最后，由于上述三個(gè)注意力機(jī)制是按照一定順序進(jìn)行應(yīng)用的，研究采用了串聯(lián)嵌套方式，并通過對串聯(lián)數(shù)量的調(diào)整實(shí)現(xiàn)了最佳效果。

結(jié)語

我們提出一種結(jié)合移動傳感器的道路裂縫檢測，這一創(chuàng)新方法顯著降低了所需的計(jì)算資源和時(shí)間成本。通過應(yīng)用卡爾曼濾波算法去除數(shù)據(jù)噪聲，并結(jié)合啟發(fā)式算法來精確識別路面的顛簸點(diǎn)，我們能夠準(zhǔn)確地定位道路裂縫。

此外，我們引入了SCDYOLO，這是一種新型的計(jì)算機(jī)視覺方法，專門為提高道路裂縫檢測的精確度而設(shè)計(jì)。SCDYOLO模型采用了獨(dú)特的架構(gòu)，集成了SWC2f特征提取模塊、CCAFM特征融合機(jī)制和Dyhead檢測頭，這些均構(gòu)建在YOLOv8n的基礎(chǔ)之上。SWC2f模塊擴(kuò)展了模型的感受，提升了特征提取效率；CCAFM機(jī)制優(yōu)化了特征融合過程，增強(qiáng)了模型的表征能力；而Dyhead的集成則強(qiáng)化了檢測頭，確保了結(jié)果的準(zhǔn)確性和穩(wěn)定性。這些創(chuàng)新使得SCDYOLO在平均精度均值（mAP）上比基準(zhǔn)模型提高了4.1%，并在性能上超越了當(dāng)前主流的目標(biāo)檢測算法。

參考文獻(xiàn)：

［1］李朝勇，張成，韋海丹.基于多尺度特征融合網(wǎng)絡(luò)的路面裂縫分割方法研究［J］.時(shí)空信息學(xué)報(bào)，2023，30（03）：425430.

［2］劉毅，陳一丹，高琳，等.基于多尺度特征融合的輕量化道路提取模型［J］.浙江大學(xué)學(xué)報(bào)（工學(xué)版），2024，58（05）：951959.

［3］王恒濤，張上，張朝陽，等.基于YOLOv5的輕量化PCB缺陷檢測［J］.無線電工程，2022，52（11）：20942100.

［4］羅禹杰，張劍，陳亮，等.基于自適應(yīng)空間特征融合的輕量化目標(biāo)檢測算法［J］.激光與光電子學(xué)進(jìn)展，2022，59（04）：302312.

基金項(xiàng)目：2020年海南省哲學(xué)社會科學(xué)規(guī)劃課題資助“海南省海洋漁業(yè)生態(tài)經(jīng)濟(jì)系統(tǒng)脆弱性及發(fā)展效率研究”［HNSK（QN）2012］

作者簡介：李佳霖（1988—），女，漢族，碩士研究生，博士在讀，講師，研究方向：應(yīng)用數(shù)學(xué)；曹威威（1985—），男，漢族，博士，副教授，研究方向：自然地理學(xué)。