郎 洪 溫 添 陸 鍵 丁 朔 陳圣迪

(1 同濟(jì)大學(xué)道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室，上海 201804)(2 上海海事大學(xué)交通運(yùn)輸學(xué)院，上海 201306)

路面裂縫是評(píng)價(jià)路面質(zhì)量最重要的參數(shù)之一，是大部分病害的早期表現(xiàn)形式，直接影響公路使用壽命和行車安全.隨著路面自動(dòng)化檢測(cè)技術(shù)的進(jìn)步和發(fā)展，在大面積公路養(yǎng)護(hù)作業(yè)中，借助數(shù)字圖像處理方式對(duì)路面裂縫快速識(shí)別和分類，將顯著提高人工式或半自動(dòng)式的病害檢測(cè)效率.因此，路面裂縫自動(dòng)檢測(cè)已成為路面工程研究領(lǐng)域和道路養(yǎng)護(hù)管理部門的關(guān)注焦點(diǎn)[1].

我國(guó)道路檢測(cè)普遍使用二維圖像攝像測(cè)量技術(shù)，從采集的路面原始數(shù)據(jù)而言，檢測(cè)系統(tǒng)大多能夠獲得路面高清灰度數(shù)據(jù)，但該技術(shù)對(duì)路面油污、陰影及光照不均等干擾因素較為敏感且難以給出精確的路面裂縫高程信息，一直制約著路面病害智能化管理水平.近年來(lái)，基于三維激光的掃描技術(shù)因其可測(cè)量出路表面的高程變化，較大程度上減少上述干擾因素的影響等優(yōu)點(diǎn)越來(lái)越受到國(guó)內(nèi)外學(xué)者的關(guān)注[2].其中，應(yīng)用在路面檢測(cè)中的三維數(shù)據(jù)獲取方法有三維結(jié)構(gòu)光掃描技術(shù)[3]、激光掃描儀技術(shù)[4]、雙目視覺立體成像技術(shù)[5]、對(duì)焦測(cè)距[6]、散焦測(cè)距[7]、干涉測(cè)量法[8]等，但因三維激光掃描技術(shù)具有更強(qiáng)的環(huán)境適應(yīng)性和更高的識(shí)別精度，激光掃描技術(shù)研究占主導(dǎo)地位[9].現(xiàn)有基于三維路面數(shù)據(jù)的裂縫檢測(cè)方法通常是先找到高程較低的像素點(diǎn)，然后通過后處理過程去除噪聲，如Jahanshahi等[10]設(shè)計(jì)的高程識(shí)別方法，Zhang等[11]提出的交互式裂縫檢測(cè)方法，Sollazzo等[12]提出的混合裂紋檢測(cè)進(jìn)程，以及Zhang等[13]搭建的三維陰影模型.這些裂縫自動(dòng)檢測(cè)方法大多是基于簡(jiǎn)單的像素假設(shè)和傳統(tǒng)的圖像處理方法，因此對(duì)于復(fù)雜路況如路面紋理顆粒的大小、道橋接縫、標(biāo)線邊緣等干擾的影響，應(yīng)用局限性較大[14].

深度學(xué)習(xí)，特別是卷積神經(jīng)網(wǎng)絡(luò)在圖像辨識(shí)、視頻跟蹤、語(yǔ)音識(shí)別等領(lǐng)域取得了巨大成功.但經(jīng)典的深度學(xué)習(xí)模型主要是針對(duì)較大尺寸、整體目標(biāo)的分類模型或者識(shí)別模型，如AlexNet[15]、GoogLeNet[16]、Faster R-CNN[17]模型等.由于裂縫形態(tài)各異，且具有線性拓?fù)浣Y(jié)構(gòu)，如果直接將這些深度學(xué)習(xí)模型用于路面裂縫面元檢測(cè)，極易造成漏檢和誤判.Li等[18]基于路面三維圖像提出了一種卷積神經(jīng)網(wǎng)絡(luò)模型，該模型能將路面面元分類為無(wú)裂縫、橫向裂縫、縱向裂縫、網(wǎng)狀裂縫或龜裂.Zhang等[19]提出了一種卷積神經(jīng)網(wǎng)絡(luò)模型用來(lái)判斷小尺寸二維路面圖像中是否存在裂縫，并將其與傳統(tǒng)的機(jī)器學(xué)習(xí)方法SVM、Boost進(jìn)行對(duì)比，結(jié)果表明卷積神經(jīng)網(wǎng)絡(luò)更適用于裂縫檢測(cè).Cha等[20]提出了一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)模型與滑動(dòng)窗口的裂縫檢測(cè)方法，將路面二維圖像劃分為若干面元分別輸入模型并將結(jié)果合并.實(shí)驗(yàn)結(jié)果表明，該模型受圖像局部的光點(diǎn)、陰影、模糊等因素影響較小，但在復(fù)雜路況下算法的魯棒性有待驗(yàn)證.

本文考慮路面復(fù)雜場(chǎng)景，對(duì)采集的不同區(qū)域路面三維圖像建立數(shù)據(jù)集，提出一種基于深度學(xué)習(xí)的路面裂縫類病害檢測(cè)方法，對(duì)自動(dòng)識(shí)別到的裂縫面元和裂縫輪廓提取模型的準(zhǔn)確度進(jìn)行試驗(yàn)，并通過與人工數(shù)據(jù)對(duì)比評(píng)估了測(cè)試方法的有效性.

1 路面數(shù)據(jù)集

使用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行路面裂縫檢測(cè)，需準(zhǔn)備大量帶類別標(biāo)簽的路面裂縫數(shù)據(jù).為確保數(shù)據(jù)集中的裂縫具有多樣性，本文所使用的路面三維數(shù)據(jù)采集自山西G20高速、上海市境內(nèi)和浙江省嘉興市境內(nèi)的多條國(guó)道路段，共篩選出1×104張路面三維裂縫圖像，并制作了人工標(biāo)記數(shù)據(jù).

圖像均在正午強(qiáng)光下獲取，試驗(yàn)環(huán)境按照公路技術(shù)狀況評(píng)定標(biāo)準(zhǔn)[21]設(shè)立，每張圖像的分辨率為2048×2048像素，橫向覆蓋路面2 m，縱向采樣間隔1 mm，檢測(cè)時(shí)速在30～100 km/h之間.所建立的路面數(shù)據(jù)集包含了裂縫和路面表面紋理的多種變化，任何2張圖像之間沒有重疊，且來(lái)自同一路段的圖像不超過100張.另外，所選用圖像包含裂縫的多種類型，如龜裂、塊狀裂縫、縱向裂縫和橫向裂縫等，還包含一些非裂縫類型如橋接縫和灌縫等.

為確保裂縫面元在像素級(jí)上是準(zhǔn)確的，對(duì)人工標(biāo)記數(shù)據(jù)進(jìn)行了3輪檢查：①幾名訓(xùn)練有素的操作員在提供的全分辨率三維路面圖像上手動(dòng)標(biāo)記裂縫面元；②其他幾名訓(xùn)練有素的操作人員檢查和復(fù)核裂縫面元，以減少數(shù)據(jù)標(biāo)記的主觀性；③專家對(duì)裂縫面元進(jìn)一步檢驗(yàn)，保證裂縫寬度和長(zhǎng)度的標(biāo)記誤差在3 mm以內(nèi)，并仔細(xì)檢查裂縫的連續(xù)性，如果裂縫中斷部分不超過10 mm, 則將其也標(biāo)記為裂縫面元，否則視其為背景面元.在連續(xù)一年多數(shù)據(jù)制作的基礎(chǔ)上，完成了裂縫面元和背景面元的制備全過程.圖1展示了幾個(gè)具有代表性的三維路面圖像和相對(duì)應(yīng)的人工標(biāo)記數(shù)據(jù).

從數(shù)據(jù)集中選取5000張路面三維圖像，用于模型訓(xùn)練和測(cè)試.這些瀝青表面圖像代表不同的紋理和不同的混合料類，以高速公路和國(guó)省干道為主，包括熱拌瀝青(HMA)和溫拌瀝青(WMA).從5000張圖像中隨機(jī)選取200張作為測(cè)試數(shù)據(jù)，500張作為驗(yàn)證數(shù)據(jù)，其余4300張作為訓(xùn)練數(shù)據(jù).

(a) 路面三維圖像

(b) 人工標(biāo)記的裂縫面元和背景面元

2 基于CNN深度學(xué)習(xí)的PCCNet分類模型及構(gòu)建

2.1 三維數(shù)據(jù)預(yù)處理

預(yù)處理包括圖像池化和高程校準(zhǔn)2個(gè)步驟.為了減少計(jì)算開銷，本文采用最小池化技術(shù)[14]將原始路面三維圖像尺寸2048×2048像素縮小到512×512像素，池化后的三維圖像仍能清晰地看到細(xì)微的裂縫，其中單個(gè)像素的高程值對(duì)應(yīng)于原始三維圖像的4×4像素子塊.利用本文方法對(duì)5000張?jiān)紙D像的裂縫進(jìn)行了檢測(cè)，并對(duì)其池化處理后的圖像進(jìn)行識(shí)別，裂縫面元識(shí)別的準(zhǔn)確率大于92%，說明池化過程對(duì)檢測(cè)精度沒有明顯影響.

在測(cè)量過程中，路面復(fù)雜程度、傳感器性能、測(cè)試系統(tǒng)的機(jī)械震動(dòng)以及人為因素都可能導(dǎo)致某些激光點(diǎn)不能反射回?cái)z像機(jī)，從而造成橫斷面數(shù)據(jù)缺失[22].此外，三維路面表面可能不平整，從而導(dǎo)致不同橫斷面的高程整體水平呈現(xiàn)出較大差異.由于在卷積層使用共享權(quán)重來(lái)計(jì)算局部值的加權(quán)和，因此當(dāng)三維表面不均勻時(shí)，不同位置的相似裂縫可能產(chǎn)生完全不同的響應(yīng)，即網(wǎng)絡(luò)在不平整的路面上學(xué)習(xí)局部特征將更加困難[14].因此，需要對(duì)三維圖像進(jìn)行高程校準(zhǔn).預(yù)處理過程如下：令采集的一組橫斷面高程向量X={X1,X2,…,Xn}，其在三維圖像上對(duì)應(yīng)的像素向量Y={Y1,Y2,…,Yn}，Yi=0 (i=1,2,…,n)屬于激光異常點(diǎn)，Yi≠0 (i=1,2,…,n)不屬于激光異常點(diǎn).對(duì)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

(1)

式中，n為橫斷面高程點(diǎn)個(gè)數(shù)；Xi為篩選出的異常值；Xi-1為異常值的左鄰正常值；Xi+1為異常值的右鄰正常值.

對(duì)激光點(diǎn)修正后的三維圖像進(jìn)行高程校準(zhǔn),步驟如下：

①計(jì)算三維圖像(M×N)每行高程值均值，得到圖像高程分布特征值，即大小為M×1的向量H，并通過計(jì)算行高程值H的均值，得到高程分布的整體水平Havg.

②計(jì)算高程分布特征值偏離整體水平的程度，得到高程校正系數(shù)矩陣W，即

(2)

③將圖像中第x行第y列的像素點(diǎn)高程值Eorigin(x,y)校正為Enew(x,y)，即

(3)

式中，W(x)為第x個(gè)高程校正系數(shù).

2.2 PCCNet模型的建立

本文提出一種新的卷積神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行面元圖像分類.該網(wǎng)絡(luò)的前幾層采用VGG(visual geometry group)網(wǎng)絡(luò)結(jié)構(gòu)，卷積核數(shù)量依次翻倍，所有卷積層都使用小尺寸的3×3卷積核.與VGG等傳統(tǒng)分類模型不同的是，PCCNet將VGG中的全連接層改為卷積層，每個(gè)面元的分類結(jié)果與全局特征無(wú)關(guān)，使得網(wǎng)絡(luò)成為一個(gè)全卷積結(jié)構(gòu)，在捕獲面元局部特征的同時(shí)，極大地減少了模型的參數(shù)量，提高了模型運(yùn)行效率.現(xiàn)有的裂縫分類模型均利用滑動(dòng)窗口將圖像分割為若干子塊，再逐一將子塊輸入模型得到分類結(jié)果，而PCCNet直接以整張圖像作為輸入，輸出8×8的面元分類結(jié)果，分類效率更高，并且能夠充分利用相鄰面元的特征信息.

如圖2所示，本文提出的PCCNet模型網(wǎng)絡(luò)是一種7層全卷積網(wǎng)絡(luò)，由7層卷積層(C1～C7)和6層池化層(P1～P6)組成，每個(gè)卷積層后面都有一個(gè)激活函數(shù)(ReLU).傳統(tǒng)的深度學(xué)習(xí)模型在輸出神經(jīng)元之前會(huì)進(jìn)行全連接，即將池化后的特征與正交編碼后的目標(biāo)類別矩陣建立映射關(guān)系，但針對(duì)裂縫這類目標(biāo)其具有局部、線性拓?fù)浣Y(jié)構(gòu)，使用全連接將引入更多可能的特征映射組，增加了目標(biāo)識(shí)別的復(fù)雜度，因此本文采用最后一層卷積層來(lái)代替全連接操作[14].PCCNet模型的輸入是經(jīng)過池化和高程校準(zhǔn)的三維圖像，尺寸為512×512像素，卷積層C1～C7均使用3×3卷積核.卷積層C1有32個(gè)卷積核，卷積層C2、C3、C4的卷積核數(shù)逐層翻倍，卷積層C5、C6保持256個(gè)卷積核，卷積層C7的卷積核數(shù)降為2.池化層P1～P6皆為2×2的最大池化層.采用Softmax激活函數(shù)計(jì)算路面裂縫面元和背景面元對(duì)應(yīng)的識(shí)別概率值，argmax函數(shù)作為求參數(shù)集合的函數(shù)輸出面元分類結(jié)果.

2.3 模型加速及優(yōu)化

本研究的計(jì)算平臺(tái)為一臺(tái)移動(dòng)計(jì)算工作站，利用NVIDIA GeForce GTX 1070 GPU對(duì)該模型進(jìn)行加速訓(xùn)練.模型基于Python語(yǔ)言實(shí)現(xiàn)，采用PyTorch的深度學(xué)習(xí)框架，利用CUDA平臺(tái)進(jìn)行并行計(jì)算，并使用基于訓(xùn)練數(shù)據(jù)迭代更新神經(jīng)網(wǎng)絡(luò)權(quán)重的Adam優(yōu)化方法.

所使用的驗(yàn)證集和測(cè)試集均不參與模型訓(xùn)練，從而可以在訓(xùn)練完成后更好地觀察模型泛化能力.

PCCNet模型采用多分類方法，在樣本標(biāo)記階段，將裂縫面元和背景面元分別標(biāo)為1和0，并利用交叉熵?fù)p失函數(shù)，對(duì)預(yù)測(cè)值和真值之間的差異進(jìn)行測(cè)量[14].

(4)

式中，Uloss為損失值；yc,ac分別為第c個(gè)面元的真值和預(yù)測(cè)值；q為一張圖像上的面元總數(shù)，取64.

2.4 訓(xùn)練結(jié)果

準(zhǔn)確率和召回率是評(píng)價(jià)裂縫檢測(cè)方法的2個(gè)重要指標(biāo)[23].準(zhǔn)確率P是在預(yù)測(cè)裂縫面元時(shí)預(yù)測(cè)正確的比例，而召回率R為預(yù)測(cè)正確的裂縫面元占總裂縫面元的比例.既有圖像檢測(cè)研究常用F值評(píng)價(jià)模型優(yōu)劣，F(xiàn)值越大模型越優(yōu).其計(jì)算公式為

(5)

(6)

(7)

式中，TP為正確檢測(cè)出的有裂縫面元數(shù)目；FP為背景面元被判別為有裂縫面元的數(shù)目；FN為裂縫面元被誤判為背景面元的數(shù)目.

試驗(yàn)中模型訓(xùn)練的部分超參數(shù)設(shè)置為：訓(xùn)練集遍歷期數(shù)為30，批量大小為16，學(xué)習(xí)率設(shè)置為0.001.每迭代50次，對(duì)完整的驗(yàn)證集進(jìn)行一次測(cè)試，計(jì)算損失函數(shù)、準(zhǔn)確率、召回率和F值.訓(xùn)練結(jié)果如圖3所示.由圖可知，模型訓(xùn)練共進(jìn)行了7500次迭代，損失函數(shù)隨著迭代次數(shù)的增加呈下降趨勢(shì)，F(xiàn)值呈上升趨勢(shì).經(jīng)過3850次迭代之后，驗(yàn)證集損失不再明顯下降，且F值達(dá)到最大，為92.9%，即圖3(b)中圓形標(biāo)記所在位置.但隨著迭代次數(shù)的增加，訓(xùn)練集損失仍在下降，因此當(dāng)?shù)笥?850次時(shí)，模型出現(xiàn)過擬合現(xiàn)象，本文保留迭代3850次時(shí)的模型訓(xùn)練結(jié)果.

(a) 損失函數(shù)

(b) 評(píng)價(jià)指標(biāo)

為進(jìn)行對(duì)比研究，結(jié)合PCCNet模型訓(xùn)練了3個(gè)備選網(wǎng)絡(luò)PCCNet-A、PCCNet-B、PCCNet-C，這些網(wǎng)絡(luò)的架構(gòu)與PCCNet模型相同，但在每個(gè)卷積層使用不同大小和數(shù)量的卷積核.表1給出了用于3個(gè)備選網(wǎng)絡(luò)的卷積核參數(shù).備選網(wǎng)絡(luò)的訓(xùn)練方法與PCCNet模型相同，均經(jīng)過7500次迭代.圖4顯示出模型對(duì)裂縫面元識(shí)別的F值隨迭代次數(shù)的變化情況.結(jié)果表明，迭代次數(shù)大于2500次后，PCCNet-A相比PCCNet在F值曲線上呈現(xiàn)下降趨勢(shì).

此外，與PCCNet和PCCNet-A相比，PCCNet-B和PCCNet-C檢測(cè)性能顯著降低，意味著增大卷積核尺寸會(huì)導(dǎo)致檢測(cè)性能下降，F(xiàn)值曲線呈現(xiàn)一定程度的振蕩，但經(jīng)過3 500次迭代后也趨于穩(wěn)定.綜上所述，本文PCCNet模型由于使用的卷積核尺寸小、數(shù)量多，能更好地感知裂縫局部區(qū)域特征，在驗(yàn)證集上具有最高的F值.

圖4 4種模型對(duì)裂縫面元識(shí)別的F值

表1 備選網(wǎng)絡(luò)的卷積核參數(shù)設(shè)置

3 基于高程檢查的裂縫輪廓提取方法

PCCNet深度學(xué)習(xí)模型實(shí)現(xiàn)了針對(duì)64×64像素較小尺寸的路面裂縫面元圖像及路面背景面元圖像的分類識(shí)別，排除了具有高程特征但為非裂縫面元的圖像，如修補(bǔ)邊緣、標(biāo)線等.為了進(jìn)一步提取裂縫面元內(nèi)裂縫的完整輪廓，還需考慮三維圖像中裂縫的像素級(jí)鄰域特征.

本文在觀察大量實(shí)際工程路面三維圖像基礎(chǔ)上，發(fā)現(xiàn)路面裂縫處的橫斷面高程曲線具有較大的階躍，裂縫表現(xiàn)出較為明顯的輪廓邊緣，并且其高程與相鄰非裂縫區(qū)域的高程差別較大.此外，裂縫種子具有較強(qiáng)的方向性，在特定的拓?fù)浣Y(jié)構(gòu)上呈現(xiàn)出較為連續(xù)的形態(tài).因此，為了最終檢測(cè)出路面裂縫的完整輪廓，本文方法還需要在PCCNet模型基礎(chǔ)上，結(jié)合裂縫高程檢查提取裂縫邊緣輪廓，具體過程如下：

①對(duì)預(yù)處理修正后的像素值進(jìn)行高程驗(yàn)證，在中心像素(i,j)兩側(cè)r個(gè)像素的鄰域內(nèi)，裂縫種子點(diǎn)應(yīng)滿足

(8)

E(i,j)≤KsEavg

(9)

式中，Eavg為中心像素兩側(cè)r個(gè)像素的鄰域內(nèi)所有高程值的平均值；(x,y)為像素坐標(biāo)；E(i,j)為鄰域內(nèi)中心像素的高程值；Ks為動(dòng)態(tài)閾值參數(shù).

②為了驗(yàn)證裂縫種子的方向性，在中心像素的0°、45°、90°和135°共4個(gè)方向計(jì)算兩側(cè)r個(gè)像素的高程均值，若有顯著跳躍，則種子方向性較強(qiáng).

(10)

Mmax=max(Qv)

(11)

Mmin=min(Qv)

(12)

Mmax-Mmin≥T

(13)

式中，v=1,2,3,4，分別表示0°、45°、90°和135°四個(gè)方向；E(d)為第d個(gè)像素的高程值；fv為方向v的2r+1個(gè)像素中的最低深度值；Mmax,Mmin分別為最大、最小高程變化值；T為經(jīng)驗(yàn)閾值參數(shù)，本文設(shè)置為4.

③通過PCCNet模型確定疑似裂縫區(qū)域和疑似裂縫相鄰區(qū)域，利用步驟①和②，分別計(jì)算上述2個(gè)區(qū)域中的裂縫種子點(diǎn)數(shù)，隨著Ks的增大，裂縫占比L也隨之減小，因此本文利用二分方法[23]自動(dòng)搜索Ks的最優(yōu)解.

(14)

L≤Lk

(15)

式中，Ninside為疑似裂縫區(qū)域中裂縫點(diǎn)總數(shù)；Naround為疑似裂縫相鄰區(qū)域中裂縫點(diǎn)總數(shù)；Lk為經(jīng)驗(yàn)閾值參數(shù)，本文設(shè)置為0.9.

4 試驗(yàn)結(jié)果與分析

4.1 裂縫種子檢測(cè)性能

為了更好地評(píng)估本文方法，將已訓(xùn)練好的PCCNet模型結(jié)合裂縫高程檢查方法應(yīng)用于測(cè)試集的三維圖像.本文選取4個(gè)具有代表性的樣本，如圖5(a)所示，1#樣本中三維圖像左側(cè)有豎直標(biāo)線，2#樣本中路面紋理顆粒較大，3#樣本中存在高程變化區(qū)域但為非裂縫類病害，4#樣本中包含橋接縫.圖5(b)為PCCNet模型的識(shí)別結(jié)果，藍(lán)色方框?yàn)樽詣?dòng)識(shí)別的裂縫面元，黃色方框?yàn)榱芽p面元相鄰區(qū)域，其余區(qū)域?yàn)楸尘懊嬖?圖5(c)為裂縫高程檢查方法檢測(cè)結(jié)果，藍(lán)色為已識(shí)別的裂縫輪廓，黃色為疑似的裂縫輪廓，紅色為背景誤差.將背景誤差去除，融合PCCNet模型和裂縫高程檢查識(shí)別結(jié)果，獲得最終裂縫圖像，如圖5(d)所示.

從試驗(yàn)過程可發(fā)現(xiàn)，PCCNet模型對(duì)裂縫面元定位準(zhǔn)確，有效地剔除了可能具有干擾因素的背景面元，單獨(dú)依靠裂縫的高程檢查方法對(duì)路面標(biāo)線

(a) 路面三維圖像

(b) PCCNet模型檢測(cè)結(jié)果

(c) 裂縫高程檢查方法檢測(cè)結(jié)果

(d) 融合結(jié)果

邊緣、路面紋理顆粒、高程變化區(qū)域和橋接縫的干擾因素較為敏感，會(huì)將這些非裂縫類病害誤識(shí)別為裂縫.因此將PCCNet模型與裂縫高程檢查方法結(jié)合，可有效地避免誤判，提高方法的準(zhǔn)確性.

4.2 方法驗(yàn)證

為了評(píng)估裂縫識(shí)別的準(zhǔn)確性，分別應(yīng)用本文方法、種子識(shí)別方法[23]和改進(jìn)的Canny方法[24]對(duì)測(cè)試集所有200張路面三維圖像進(jìn)行裂縫識(shí)別，以裂縫單元格為處理單元，通過與人工描點(diǎn)結(jié)果進(jìn)行對(duì)比.表2列出了這3種方法的準(zhǔn)確率、召回率和F值，圖6展示了3種方法在測(cè)試集上的對(duì)比結(jié)果.從圖6(a)可看出，本文方法準(zhǔn)確率最高(均值為87.8%)，種子識(shí)別方法和改進(jìn)Canny方法準(zhǔn)確率稍低(均值分別為66.5%和63.4%).圖6(b)表明

表2 3種方法評(píng)價(jià)指標(biāo)統(tǒng)計(jì)結(jié)果

(a) 準(zhǔn)確率

(b) 召回率

(c) F值

本文方法召回率最高(均值為90.1%)，種子識(shí)別方法召回率稍低(均值為79.4%)，改進(jìn)Canny方法召回率最低(均值為44.7%).從圖6(c)可看出，本文方法的F值均值為88.9%，而種子識(shí)別方法和改進(jìn)Canny方法的F值均值分別為72.4%和52.4%.可見，本文方法優(yōu)于種子識(shí)別方法和改進(jìn)Canny方法.

圖7給出了改進(jìn)Canny方法、種子識(shí)別方法和本文方法在4個(gè)代表性樣本(5#～8#樣本)的測(cè)試圖像上的裂縫識(shí)別結(jié)果.其中，5#樣本包含縱向裂縫，縫隙較寬，三維圖像整體比較平滑；6#樣本裂縫類型為龜裂，圖像左側(cè)有局部噪聲；7#樣本裂縫特征表現(xiàn)為縱向和橫向交叉且裂紋較細(xì)；8#樣本中包含塊狀裂縫.研究發(fā)現(xiàn)，改進(jìn)Canny方法識(shí)別出的裂縫種子存在大量的漏檢，方法對(duì)裂紋寬度較為敏感，如圖7(c)中7#和8#樣本，較細(xì)的裂縫種子無(wú)法捕獲，這種漏檢解釋了改進(jìn)Canny方法召回率相對(duì)較低的原因.種子識(shí)別方法提高了召回率，但對(duì)局部噪聲敏感，如圖7(d) 中6#樣本左側(cè)區(qū)域出現(xiàn)的誤判.與改進(jìn)Canny方法和種子識(shí)別方法相比，本文方法在抑制噪聲和檢測(cè)細(xì)小裂紋方面具有更強(qiáng)的魯棒性.

(a) 路面三維圖像

(b) 人工標(biāo)記結(jié)果

(c) 改進(jìn)Canny方法檢測(cè)結(jié)果

(d) 種子識(shí)別方法檢測(cè)結(jié)果

(e) 本文方法檢測(cè)結(jié)果

5 結(jié)論

1) 針對(duì)目前傳統(tǒng)的圖像處理和經(jīng)典深度學(xué)習(xí)模型不能很好地檢測(cè)路面裂縫的問題，本文采用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，提出了一種路面裂縫面元分類模型即PCCNet模型，并結(jié)合裂縫高程檢查方法用于裂縫的自動(dòng)識(shí)別.

2) 通過訓(xùn)練集4 300張高精度三維圖像的訓(xùn)練，模型在3850次迭代之后出現(xiàn)過擬合，PCCNet模型在驗(yàn)證集上的總體F值最大，為92.9%，表明建立的網(wǎng)絡(luò)能較好地區(qū)分裂縫類病害和非裂縫類病害.

3)將本文方法應(yīng)用在測(cè)試集的200張三維圖像上，準(zhǔn)確率和召回率分別為87.8%和90.1%.與改進(jìn)Canny方法和種子識(shí)別方法對(duì)比，本文方法在抑制噪聲和檢測(cè)細(xì)小裂紋方面具有更強(qiáng)的魯棒性.在未來(lái)的研究中，該方法將用來(lái)解決更復(fù)雜的問題，如水泥路面破碎板和板角斷裂等病害的識(shí)別.