侯越，李秋晗,b，張晨,b，陸國(guó)陽(yáng)，葉周景，陳逸涵,e，汪林兵*，曹丹丹

a Beijing Key Laboratory of Traffic Engineering, Beijing University of Technology, Beijing 100124, China b Key Laboratory of Transport Industry of Big Data Application Technologies for Comprehensive Transport, Beijing Jiaotong University, Beijing 100044, China c Department of Civil and Environmental Engineering, The Hong Kong Polytechnic University, Hong Kong 999077, Chinad National Center for Materials Service Safety, University of Science and Technology Beijing, Beijing 100083, Chinae School of Transportation, Southeast University, Nanjing 211189, China f Department of Civil and Environmental Engineering, Virginia Tech, Blacksburg, VA 24061, USA

1. 引言

在現(xiàn)代交通系統(tǒng)中，道路是車輛和行人通行的重要交通基礎(chǔ)設(shè)施之一。道路的服役性能和使用壽命直接影響了人們的出行體驗(yàn)和效率，是需要在道路全壽命周期內(nèi)考慮的重要因素。因此，監(jiān)測(cè)路面健康狀況并進(jìn)行必要的路面養(yǎng)護(hù)對(duì)保障公共交通服務(wù)質(zhì)量以及通行安全至關(guān)重要。傳統(tǒng)的路面監(jiān)、檢測(cè)主要通過(guò)人工現(xiàn)場(chǎng)檢查，來(lái)識(shí)別路面病害，并評(píng)估路面服役狀況。由于公路里程的逐漸增多，通過(guò)人工方式監(jiān)測(cè)并評(píng)估路面服役狀況變得日益困難。近年來(lái)，各項(xiàng)先進(jìn)技術(shù)在路面結(jié)構(gòu)動(dòng)力響應(yīng)監(jiān)測(cè)和路面服役狀況評(píng)價(jià)中得到了廣泛的應(yīng)用，包括各項(xiàng)可用于監(jiān)測(cè)路面結(jié)構(gòu)狀況的埋入式傳感技術(shù)，可用于評(píng)價(jià)路面狀況的圖像處理技術(shù)，以及可用于分析或預(yù)測(cè)路面材料和結(jié)構(gòu)性能的機(jī)器學(xué)習(xí)方法。這些先進(jìn)技術(shù)的應(yīng)用在一定程度上可以取代人工檢測(cè)/檢查手段，有助于提高路面養(yǎng)護(hù)效率，指導(dǎo)養(yǎng)護(hù)決策，最終幫助改善和維持路面服役質(zhì)量和通行性能。

本文從路面?zhèn)鞲屑夹g(shù)、圖像處理技術(shù)和機(jī)器學(xué)習(xí)方法三方面介紹了當(dāng)前路面結(jié)構(gòu)動(dòng)力響應(yīng)監(jiān)測(cè)研究的最新進(jìn)展。在路面?zhèn)鞲屑夹g(shù)方面，主要介紹了埋入式傳感器以及物聯(lián)網(wǎng)（IoT）技術(shù)在路面監(jiān)測(cè)中的應(yīng)用；在圖像處理技術(shù)方面，主要介紹了幾種可有效識(shí)別路面病害類型的典型算法；在機(jī)器學(xué)習(xí)方法方面，介紹了與路面工程應(yīng)用相關(guān)的基本理論和典型方法。這些技術(shù)/方法在道路工程應(yīng)用中主要有以下優(yōu)勢(shì)：①能實(shí)現(xiàn)路面動(dòng)力響應(yīng)的長(zhǎng)期監(jiān)測(cè)；②能自動(dòng)/半自動(dòng)檢測(cè)/識(shí)別部分典型路面病害類型；③作業(yè)周期短，人工成本低。但上述方法也存在如下缺點(diǎn)：①相比于傳統(tǒng)方法，常需要聘用經(jīng)過(guò)專業(yè)培訓(xùn)且技術(shù)熟練的道路工程師；②上述方法分析工作需要以大量監(jiān)測(cè)數(shù)據(jù)為基礎(chǔ)；③許多基礎(chǔ)理論仍處于發(fā)展研究階段，因此可能不像傳統(tǒng)方法那樣成熟。

近幾十年來(lái)，上述三種技術(shù)的應(yīng)用極大地推動(dòng)了路面監(jiān)測(cè)與分析的發(fā)展，提高了公共交通基礎(chǔ)設(shè)施的服役性能和使用壽命。為了幫助土木工程師進(jìn)一步了解道路監(jiān)測(cè)新技術(shù)，本文總結(jié)了近年來(lái)路面監(jiān)測(cè)和分析中的埋入式傳感技術(shù)、圖像處理技術(shù)和機(jī)器學(xué)習(xí)方法的最新進(jìn)展，并提出了這些技術(shù)在路面監(jiān)測(cè)與分析中的應(yīng)用和未來(lái)發(fā)展。

2. 埋入式傳感技術(shù)和物聯(lián)網(wǎng)技術(shù)在路面監(jiān)測(cè)中的應(yīng)用

目前，應(yīng)用于路面監(jiān)測(cè)的傳感技術(shù)主要包括非埋入式和埋入式。非埋入式包括目視檢查、導(dǎo)管、攝像機(jī)、擋光板和雷達(dá)系統(tǒng)等。這類方法由于不需要開挖路面，安裝部署過(guò)程簡(jiǎn)易方便，但檢測(cè)效果容易受到天氣條件的影響。埋入式監(jiān)測(cè)，需要在路面結(jié)構(gòu)中埋入傳感器，用于監(jiān)測(cè)路面在車輛循環(huán)荷載和各種環(huán)境因素耦合下的動(dòng)力響應(yīng)。通過(guò)分析路面結(jié)構(gòu)動(dòng)力響應(yīng)數(shù)據(jù)，可以獲取交通和結(jié)構(gòu)狀態(tài)的信息，對(duì)交通基礎(chǔ)設(shè)施管理和路面養(yǎng)護(hù)具有重要意義。本文總結(jié)了典型的埋入式傳感和物聯(lián)網(wǎng)技術(shù)在道路監(jiān)測(cè)方面的發(fā)展，如圖1所示。

2.1. 結(jié)構(gòu)監(jiān)測(cè)

路面的結(jié)構(gòu)狀況對(duì)其服役性能和壽命至關(guān)重要。為了優(yōu)化路面結(jié)構(gòu)和材料的設(shè)計(jì)，延長(zhǎng)道路的服役壽命，研究人員修建了多個(gè)測(cè)試車道，通過(guò)在路面結(jié)構(gòu)中埋設(shè)傳感器來(lái)監(jiān)測(cè)路面在交通荷載和環(huán)境影響下的實(shí)時(shí)服役性能。

Rollings和Pittman [1]利用埋入式應(yīng)變計(jì)，建立了基于應(yīng)力的路面性能分析模型。結(jié)果表明，溫度和水對(duì)路面性能有顯著影響。Sebaaly等[2]利用埋入式應(yīng)力-應(yīng)變傳感器，獲取了路面在各種工況下的橫向和縱向應(yīng)變數(shù)據(jù)，并基于此確定了路面結(jié)構(gòu)模量與應(yīng)力/應(yīng)變之間的關(guān)系。Xue和Weaver [3]研究了美國(guó)俄亥俄州實(shí)驗(yàn)道路在車輛載荷作用下的路面結(jié)構(gòu)動(dòng)力響應(yīng)，測(cè)試了不同路面結(jié)構(gòu)的力學(xué)指標(biāo)，并考慮了溫度作用下結(jié)構(gòu)受力的變化情況。Al-Qadi等[4] 對(duì)試驗(yàn)路面在車輛移動(dòng)荷載作用下的應(yīng)變響應(yīng)進(jìn)行了評(píng)估，研究了不同溫度、車速、胎壓下瀝青路面的縱向壓縮應(yīng)變量。Gon?alves等[5]在兩種不同路面結(jié)構(gòu)的路基頂部安裝了應(yīng)變計(jì)，監(jiān)測(cè)加速加載試驗(yàn)中路面結(jié)構(gòu)的應(yīng)力響應(yīng)。Timm和Priest [6]在國(guó)家瀝青技術(shù)中心的18個(gè)道路實(shí)驗(yàn)段安裝了溫度、濕度、應(yīng)力和應(yīng)變傳感器，測(cè)量了瀝青路面在不同車輛載荷和環(huán)境條件下的動(dòng)力響應(yīng)情況。Scholz [7]采用應(yīng)力傳感器、溫度傳感器和位移傳感器等，對(duì)俄勒岡州路面表層底部在不同軸載和氣候條件下的彎曲應(yīng)變情況進(jìn)行了長(zhǎng)期監(jiān)測(cè)。Hornyak等[8]在實(shí)驗(yàn)道路上安裝了大量傳感器，通過(guò)長(zhǎng)期采集和分析傳感器數(shù)據(jù)，比較了三種不同應(yīng)變傳感器的效果，優(yōu)化了傳感器的埋設(shè)深度和位置。Xue等[9,10]利用瀝青應(yīng)變傳感器和壓力傳感器監(jiān)測(cè)路面在車輛移動(dòng)載荷作用下的應(yīng)變與應(yīng)力響應(yīng)情況，并進(jìn)一步分析了道路的服役狀況和交通信息。

圖1. 路面監(jiān)測(cè)采用的典型埋入式傳感技術(shù)。

2.2. 交通監(jiān)測(cè)

車輛移動(dòng)載荷下的路面動(dòng)力響應(yīng)信號(hào)可用于獲取車速、車型和車重等交通信息。動(dòng)態(tài)稱重（WIM）系統(tǒng)是最常用的埋入式交通監(jiān)測(cè)技術(shù)之一。根據(jù)監(jiān)測(cè)車輛的車速范圍，可分為高速動(dòng)態(tài)稱重系統(tǒng)和低速動(dòng)態(tài)稱重系統(tǒng)兩類[11]。高速動(dòng)態(tài)稱重系統(tǒng)[12]用于交通數(shù)據(jù)采集和交通流量控制，最常用的傳感器包括環(huán)路探測(cè)器、壓電傳感器和光纖傳感器。低速動(dòng)態(tài)稱重系統(tǒng)主要安裝在收費(fèi)站內(nèi)，多用于執(zhí)法機(jī)構(gòu)執(zhí)行超重罰款。一般低速動(dòng)態(tài)稱重系統(tǒng)系統(tǒng)中使用的傳感器主要有應(yīng)力應(yīng)變傳感器、壓電傳感器和光纖傳感器。

Zhang等[13]利用應(yīng)力-應(yīng)變傳感器測(cè)量路面在車輛荷載作用下的動(dòng)態(tài)應(yīng)變，分析獲得車輛的軸間距和軸數(shù)。Xue等[14]利用應(yīng)變儀和壓力傳感器測(cè)量了路面在車輛移動(dòng)載荷作用下的應(yīng)力-應(yīng)變信號(hào)，并利用ABAQUS軟件采用高斯模型反算車重、軸距、交通流量等信息。

除了應(yīng)力-應(yīng)變傳感器，壓電傳感器以其靈敏度高、尺寸小、剛度大等優(yōu)點(diǎn)在動(dòng)態(tài)稱重系統(tǒng)中得到了廣泛的應(yīng)用。壓電傳感器的工作原理是將機(jī)械能轉(zhuǎn)換為電能。在一定的受力范圍內(nèi)，產(chǎn)生的電荷與壓電材料上的壓力近似呈線性關(guān)系[15]。壓電傳感器使用的材料包括壓電陶瓷換能器（PZT）和壓電聚偏二氟乙烯（PVDF）。Mazurek等[16]使用聚偏二氟乙烯材料自制壓電傳感器，并進(jìn)行了動(dòng)態(tài)稱重試驗(yàn)。結(jié)果表明，壓電傳感器具備良好的動(dòng)態(tài)稱重性能。Zhang等[17]利用水泥基壓電傳感器監(jiān)測(cè)了交通流量，建立了傳感器電壓輸出與交通流量之間的數(shù)學(xué)模型。

光纖傳感器也可用于動(dòng)態(tài)稱重系統(tǒng)[18]。當(dāng)車輛載荷作用于光纖傳感器時(shí)，光纖傳感器產(chǎn)生變形導(dǎo)致光強(qiáng)發(fā)生改變。通過(guò)分析光強(qiáng)的變化，可解析出車輛軸載信息。Malla等[19]根據(jù)彎曲半徑與輸出光信號(hào)強(qiáng)度之間的關(guān)系，評(píng)估了光纖的光學(xué)特性。Yuan等[20]通過(guò)在不同尺寸和加載率的動(dòng)態(tài)壓縮載荷實(shí)驗(yàn)，對(duì)研制的邁克爾遜干涉儀進(jìn)行了測(cè)試。Batenko等[21]討論了將光纖傳感器用于動(dòng)態(tài)稱重系統(tǒng)的可能性，并通過(guò)測(cè)量誤差分析來(lái)提高稱重精度。Zhang等[22]開發(fā)出了基于光纖布拉格光柵（FBG）技術(shù)的動(dòng)態(tài)稱重原型系統(tǒng)。Zhao等[23]將分布式光纖傳感器嵌入圓形硅橡膠封裝單元中，將其改造成壓縮傳感裝置。Dong等[24]將光纖布拉格光柵傳感器安裝在機(jī)場(chǎng)瀝青路面上，監(jiān)測(cè)路面在飛機(jī)載荷作用下的動(dòng)態(tài)響應(yīng)情況。在測(cè)試過(guò)程中采集了載荷偏移位置、速度、動(dòng)態(tài)響應(yīng)持續(xù)時(shí)間等信息。光纖傳感器具有結(jié)構(gòu)簡(jiǎn)單，電磁干擾低，監(jiān)測(cè)范圍廣，安裝簡(jiǎn)便，且易于維護(hù)的優(yōu)勢(shì)。然而，相較于傳統(tǒng)的彎曲傳感器和壓電傳感器，光纖傳感器需要采用更為復(fù)雜的技術(shù)和昂貴的解調(diào)儀器來(lái)測(cè)量光信號(hào)的強(qiáng)度和相位。

埋入式傳感系統(tǒng)可用于路面結(jié)構(gòu)健康和交通信息監(jiān)測(cè)。常用的埋入式傳感器包括：光纖布拉格光柵傳感器、應(yīng)力-應(yīng)變傳感器、壓力傳感器、壓電傳感器、位移傳感器、溫度傳感器和濕度傳感器。上述傳感器通常通過(guò)電纜將監(jiān)測(cè)數(shù)據(jù)傳輸?shù)讲杉O(shè)備，這種有線的傳輸方式也將導(dǎo)致監(jiān)測(cè)系統(tǒng)存在一些缺點(diǎn)，如傳感器安裝過(guò)程路面結(jié)構(gòu)損壞，現(xiàn)場(chǎng)數(shù)據(jù)采集量巨大，實(shí)時(shí)數(shù)據(jù)處理難度大，能耗高，數(shù)據(jù)采集設(shè)備成本高，系統(tǒng)安裝過(guò)程復(fù)雜等。

2.3. 物聯(lián)網(wǎng)在路面監(jiān)測(cè)中的應(yīng)用

物聯(lián)網(wǎng)是一種利用傳感器、電子標(biāo)簽和計(jì)算機(jī)網(wǎng)絡(luò)將事物互聯(lián)互通的新型信息網(wǎng)絡(luò)[25]，也是一個(gè)提供事物實(shí)時(shí)信息并實(shí)現(xiàn)自動(dòng)跟蹤和控制的平臺(tái)。物聯(lián)網(wǎng)技術(shù)在構(gòu)建路面?zhèn)鞲邢到y(tǒng)，實(shí)現(xiàn)路面的多指標(biāo)監(jiān)檢測(cè)等方面具有巨大潛力。目前，物聯(lián)網(wǎng)技術(shù)在路面監(jiān)測(cè)中的應(yīng)用研究主要集中在以下幾個(gè)方面。

2.3.1. 微機(jī)電系統(tǒng)

微機(jī)電系統(tǒng)（MEMS）是集微傳感器、微執(zhí)行器、微機(jī)械結(jié)構(gòu)、微電源和高性能電子集成器件于一體的微系統(tǒng)[26]。系統(tǒng)尺寸僅為幾毫米，甚至更小。

由于小尺寸的集成便利性，一些研究人員嘗試將微機(jī)電傳感器應(yīng)用于路面的結(jié)構(gòu)和材料監(jiān)測(cè)。Alavi等[27]使用小型球形封裝系統(tǒng)，開發(fā)出了一種自供電智能壓電傳感器，用于監(jiān)測(cè)瀝青混凝土的受損情況。Ong等[28]開發(fā)出了一種嵌入式無(wú)線微機(jī)電系統(tǒng)傳感器，用于實(shí)時(shí)監(jiān)測(cè)土木工程材料的含水量。Lian [29]開發(fā)出了Pi傳感器平臺(tái)，用于測(cè)量X、Y和Z方向上的局部壓力、應(yīng)變、濕度、溫度以及加速度。雖然，許多MEMS傳感器已用于應(yīng)力、應(yīng)變和位移監(jiān)測(cè)。但其監(jiān)測(cè)效果受到施工過(guò)程中高溫、潮濕和腐蝕環(huán)境的短期影響，以及凍融循環(huán)和車輛反復(fù)荷載的長(zhǎng)期影響，仍需要開展大量試驗(yàn)來(lái)提高其耐久性。

2.3.2. 無(wú)線傳感器網(wǎng)絡(luò)

無(wú)線傳感器網(wǎng)絡(luò)（WSN）已廣泛應(yīng)用于數(shù)據(jù)融合、信號(hào)分析、事件定位、時(shí)間同步、獨(dú)立監(jiān)測(cè)、成本控制等眾多領(lǐng)域[30]。在道路工程中，無(wú)線傳感器網(wǎng)絡(luò)可以便捷地用于路面監(jiān)測(cè)，如圖2所示。Bennett等[31]利用應(yīng)變傳感器和溫度傳感器評(píng)估了瀝青路面的性能，測(cè)得的數(shù)據(jù)通過(guò)射頻（RF）通信發(fā)送至距離監(jiān)測(cè)點(diǎn)約4 m的計(jì)算機(jī)上。Xue等[9,10]在路面上安裝了水平和垂直應(yīng)變計(jì)、稱重傳感器、熱電偶和濕度傳感器，所有埋入式傳感器均通過(guò)電纜與路邊的V-Link無(wú)線節(jié)點(diǎn)相連，利用V-Link無(wú)線節(jié)點(diǎn)將數(shù)據(jù)遠(yuǎn)程無(wú)線傳輸至采集儀上。Haoui等[32]利用Sensys Networks VDS240無(wú)線車輛監(jiān)測(cè)系統(tǒng)，監(jiān)測(cè)車身長(zhǎng)度、車速和交通流量等信息。Pei等[33]通過(guò)Mica2 Motes無(wú)線傳感器網(wǎng)絡(luò)，監(jiān)測(cè)路面的溫度和濕度，以此反映交通安全狀況。

綜上所述，使用無(wú)線傳感網(wǎng)絡(luò)進(jìn)行路面監(jiān)測(cè)具有諸多優(yōu)點(diǎn)。然而，在實(shí)際工程中，復(fù)雜的道路環(huán)境對(duì)無(wú)線傳感器網(wǎng)絡(luò)的穩(wěn)定應(yīng)用提出了許多挑戰(zhàn)，如嘈雜環(huán)境中的無(wú)線通信、數(shù)據(jù)傳輸和處理困難、軟硬件開發(fā)以及無(wú)線傳感器的能源供應(yīng)等。

2.4. 小結(jié)

圖2. 基于無(wú)線傳感器的交通監(jiān)測(cè)系統(tǒng)。LoRa：遠(yuǎn)距離；VPN：虛擬專用網(wǎng)絡(luò)。

通過(guò)監(jiān)測(cè)和分析路面在車輛荷載作用下的動(dòng)力響應(yīng)，可以獲得路面結(jié)構(gòu)狀況和交通信息。路面結(jié)構(gòu)狀況包括：應(yīng)力、應(yīng)變、位移、撓度和振動(dòng)，這些信息對(duì)于路面結(jié)構(gòu)的預(yù)警和及時(shí)養(yǎng)護(hù)至關(guān)重要。交通信息包括：車流量、車重、車速和車型，這些信息對(duì)于提高路網(wǎng)運(yùn)輸效率、優(yōu)化路網(wǎng)管理具有重要意義。傳統(tǒng)的埋入式傳感系統(tǒng)包括：應(yīng)力-應(yīng)變傳感器、光纖傳感器和壓電傳感器。由于需要配備適配器和數(shù)據(jù)采集設(shè)備，導(dǎo)致監(jiān)測(cè)系統(tǒng)成本增加、能耗增高、集成度降低。為了克服傳統(tǒng)埋入式路面監(jiān)測(cè)的缺點(diǎn)，大量學(xué)者開始研究利用了微機(jī)電系統(tǒng)和無(wú)線傳感器網(wǎng)絡(luò)技術(shù)，開發(fā)基于物聯(lián)網(wǎng)技術(shù)的路面監(jiān)測(cè)系統(tǒng)。目前研究工作在路面結(jié)構(gòu)數(shù)據(jù)類型、數(shù)據(jù)獲取方式和監(jiān)測(cè)精度等方面取得了進(jìn)展，但在數(shù)據(jù)傳輸、解析，傳感器集成、能耗和成本等方面仍有局限性，未來(lái)需要開展以下研究：

（1）路面結(jié)構(gòu)在服役過(guò)程中受到車輛荷載和環(huán)境因素的影響，為了實(shí)現(xiàn)長(zhǎng)期且穩(wěn)定的監(jiān)測(cè)，需要不斷優(yōu)化傳感器封裝與埋設(shè)工藝，提高埋入式傳感器的性能，逐步滿足低功耗、低成本、高精度、高集成度、抗壓和防水的要求。

（2）在實(shí)際路面監(jiān)測(cè)中，車型、車速和輪載分布以及溫、濕度都不斷變化。道路結(jié)構(gòu)的服役狀況和路面平整度隨著道路服役時(shí)間的增加而下降。研究人員需要研發(fā)高效的數(shù)據(jù)處理算法和準(zhǔn)確的評(píng)估模型，消除上述因素的不利影響。

（3）在路面監(jiān)測(cè)中，埋入式傳感器采用常規(guī)電源供電，能耗較高。為了實(shí)現(xiàn)大范圍的監(jiān)測(cè)、長(zhǎng)期穩(wěn)定的通信以及低成本的能源供應(yīng)，未來(lái)的路面埋入式傳感系統(tǒng)需要設(shè)計(jì)出一種自供電的系統(tǒng)架構(gòu)。

（4）與傳統(tǒng)的3G/4G通信技術(shù)相比，最新的5G通信技術(shù)可以大幅度加快實(shí)時(shí)路面監(jiān)測(cè)的數(shù)據(jù)傳輸。然而，5G通信儀器需要使用大功率電源。

（5）目前安裝埋入式傳感器需要破壞和重建路面結(jié)構(gòu)。未來(lái)，可采用3D打印技術(shù)或預(yù)制技術(shù)，對(duì)傳感器進(jìn)行封裝設(shè)計(jì)，實(shí)現(xiàn)傳感器的預(yù)制，以提高埋入式傳感器的部署效率，減少路面結(jié)構(gòu)損傷。未來(lái)，預(yù)制技術(shù)和3D打印技術(shù)可用于路面結(jié)構(gòu)施工或維護(hù)過(guò)程中埋入式傳感器的設(shè)計(jì)、制造和安裝，以實(shí)現(xiàn)更高效的監(jiān)測(cè)。

3. 圖像處理技術(shù)在路面監(jiān)測(cè)中的應(yīng)用

在路面使用過(guò)程中，經(jīng)常會(huì)出現(xiàn)路面病害?？焖?、準(zhǔn)確地監(jiān)測(cè)并檢測(cè)路面病害對(duì)保障公共交通安全至關(guān)重要。裂縫是最常見(jiàn)的路面病害之一。典型路面裂縫類型包括[34]：縱向裂縫、橫向裂縫、斜向裂縫、龜裂以及塊狀裂縫或網(wǎng)狀裂縫。

圖3. 利用圖像處理方法檢測(cè)路面裂縫的典型處理步驟。

相較于傳統(tǒng)的人工路面裂縫檢測(cè)，圖像處理技術(shù)處理速度更快、結(jié)果更準(zhǔn)確。隨著攝像機(jī)功能日益增強(qiáng)，拍攝的路面圖像分辨率也越來(lái)越高，從而推動(dòng)了圖像處理技術(shù)廣泛應(yīng)用于路面病害的分析與識(shí)別中。圖3展示了Zakeri等[35]總結(jié)的通過(guò)圖像處理技術(shù)檢測(cè)路面裂縫的典型步驟：①使用攝像機(jī)獲取裂縫圖像；②對(duì)圖像進(jìn)行降噪預(yù)處理；③增強(qiáng)降噪后圖像的對(duì)比度；④分割增強(qiáng)后的圖像，充分提取裂縫信息；⑤圖像后處理；⑥識(shí)別圖像上的裂縫。

3.1. 圖像預(yù)處理

通常，路面圖像是由遍布整個(gè)道路網(wǎng)的路面檢測(cè)車拍攝。在實(shí)際路面圖像拍攝過(guò)程中，路面破損、污點(diǎn)、積水、路面紋理和陰影等原因會(huì)形成圖像噪點(diǎn)。不同的光照和外部條件會(huì)影響圖像中的路面裂縫識(shí)別的效果。因此，在圖像預(yù)處理階段，通常需要采用圖像濾波法消除圖像噪聲，同時(shí)保留目標(biāo)區(qū)域中的有用特征。

圖像濾波法[36,37]可以分為空間域?yàn)V波法以及頻率域?yàn)V波法?？臻g域?yàn)V波法具有批量處理圖像的優(yōu)點(diǎn)。在進(jìn)行空間域?yàn)V波之前，需將原始圖像轉(zhuǎn)換為灰度圖像[38]。常用的空域?yàn)V波法包括：均值濾波法、中值濾波法以及形態(tài)濾波法。

3.1.1. 均值濾波法

根據(jù)Wang [39]和Li [40]的研究，發(fā)現(xiàn)均值濾波法對(duì)高斯噪聲有較好的平滑效果。由于均值濾波法的處理步驟簡(jiǎn)單，這種方法處理速度較快。然而，它在平滑噪聲的同時(shí)會(huì)模糊目標(biāo)區(qū)域，導(dǎo)致部分邊緣信息的丟失[39]。均值濾波的表達(dá)式如方程（1）[41]所示：

式中，g(x, y)為輸出圖像；f(m, n)為輸入圖像；D為濾波器覆蓋的像素?cái)?shù)；Sxy為待處理像素的鄰域；m × n為圖像大小。

3.1.2. 中值濾波法

與線性平均濾波器相比，中值濾波在統(tǒng)計(jì)學(xué)上屬于非線性濾波器[41]。由于裂縫的灰度值一般比鄰域低，因此通過(guò)該方法可以很容易地識(shí)別出裂縫。同時(shí)，模板窗口越大，其降噪性能也越強(qiáng)。Ma等[42]利用多方向窗口獲取灰度圖像的中值，不僅消除了噪聲，還獲得了裂縫的邊緣特征。中值濾波的表達(dá)式如方程（2）[41]所示：

式中，g(x, y)為輸出圖像；f(m, n)為輸入圖像；Sxy為待處理像素的鄰域；m×n為圖像大小。

3.1.3. 形態(tài)濾波法

Wang [43]和Liu等[44]采用形態(tài)濾波法進(jìn)行裂紋檢測(cè)。這種方法對(duì)脈沖噪聲處理效果良好，主要包括開運(yùn)算和閉運(yùn)算兩個(gè)過(guò)程。開運(yùn)算是先腐蝕再膨脹的過(guò)程。閉運(yùn)算是先膨脹再腐蝕的過(guò)程[41]。腐蝕操作可以消除小亮點(diǎn)噪聲，而膨脹操作則可以增強(qiáng)圖像中的裂縫細(xì)節(jié) [43,44]。

開運(yùn)算采用的算法在保持原始圖像亮度的同時(shí)能夠平滑裂縫邊緣、去除細(xì)節(jié)并消除圖像中的尖銳噪聲。閉運(yùn)算采用的算法可以連接裂縫之間的縫隙，填補(bǔ)裂縫中的小孔。

3.1.4. 其他方法

除了上述三種方法外，還有許多新的方法。Wang [43]采用了K鄰域法，其效果不如中值濾波法和均值濾波法顯著。Han K和Han HF [45]以及Luo [46]則采用基于區(qū)域特征或勻光處理的濾波方法。Wang [43]對(duì)圖像進(jìn)行銳化，以提升邊緣清晰度并降低噪聲。Li等[47]采用基于圖形變換的改進(jìn)Ostu法檢測(cè)路面裂縫。Talab等[48]使用Sobel算子進(jìn)行濾波。Gao等[49]采用高斯卷積法，Qiu [50]使用基于梯度值的改進(jìn)Sobel法。Zhu [51]通過(guò)梯度倒數(shù)加權(quán)法消除噪聲提高檢測(cè)的準(zhǔn)確性。

3.2. 圖像質(zhì)量增強(qiáng)

進(jìn)行濾波后，圖像中的大部分尖銳噪聲會(huì)被消除，整個(gè)圖像將變得模糊。在此階段，圖像灰度值越接近背景灰度值，圖像的邊緣越發(fā)模糊。為了提取邊緣信息，需要使用灰度變換和直方圖均衡化等方法來(lái)增強(qiáng)圖像質(zhì)量。

3.2.1. 灰度變換

灰度變換的主要功能是對(duì)原始圖像的灰度范圍進(jìn)行壓縮或擴(kuò)展，以便調(diào)整目標(biāo)區(qū)域（路面裂縫）與背景區(qū)域（路面矩陣）之間的對(duì)比度。

Wang [43]和Di [52]均采用了灰度變換進(jìn)行圖像增強(qiáng)。線性函數(shù)可以擴(kuò)大整個(gè)圖像的灰度范圍。但它不僅能增強(qiáng)圖像所含裂縫信息，也能增強(qiáng)噪聲信息。分段線性變換如方程（3）[43]所示：

式中，g(x, y)為輸出圖像；f(m, n)為輸入圖像；a和b分別為原始圖像的灰度上限和下限，c和d則分別為已處理圖像的灰度上限和下限。

灰度變換還可以劃分為伽馬變換和對(duì)數(shù)變換。對(duì)數(shù)變換和伽馬變換的表達(dá)式分別如方程（4）和方程（5）[43]所示：

式中，g(x, y)為輸出圖像；f(x, y)為輸入圖像；v為對(duì)數(shù)變換的底數(shù)；q為常數(shù)；γ為縮放程度的正常數(shù)。根據(jù)垂直和水平投影，利用灰度值可對(duì)橫向裂縫、縱向裂縫或網(wǎng)狀裂縫的類型進(jìn)行判別[53]。

3.2.2. 直方圖均衡化

直方圖均衡化可用于擴(kuò)大灰度圖像直方圖的灰度范圍，從而增加圖像顯示的細(xì)節(jié)。同時(shí)，直方圖均衡化還能顯示裂縫區(qū)域和背景區(qū)域的灰度值（在圖像分割過(guò)程中，這點(diǎn)可以十分有用）。Wang [43]、Di [52]、Zhang [54]和Zhu [51]將這種方法應(yīng)用于非常亮或者非常暗的圖像增強(qiáng)處理。直方圖的表達(dá)式如方程（6）和方程（7）[43]所示：

式中，rk為灰度值；n(rk)為特定灰度值的數(shù)量；MN為圖像像素總數(shù)；p(rk)為特定像素出現(xiàn)的概率；L為灰度值的數(shù)量；Sk為輸出灰度值；T(rk)為變換函數(shù)。

除了上述方法外，研究人員還提出了其他圖像質(zhì)量增強(qiáng)方法。Wen [55]提出了一種改進(jìn)的路面裂縫圖像預(yù)處理灰度校正算法。Gang等[56]提出了一種基于有限脊波變換（FRIT）的圖像增強(qiáng)算法，可用于路面裂縫較模糊的圖像處理。Li等[57]采用數(shù)學(xué)形態(tài)學(xué)方法對(duì)圖像目標(biāo)進(jìn)行細(xì)化，去除冗余信息，保存裂縫的形態(tài)。

3.3. 圖像分割

通過(guò)上述兩個(gè)步驟（即圖像預(yù)處理和圖像增強(qiáng)），就可以獲得低噪聲、高對(duì)比度的路面裂縫圖像。為便于識(shí)別裂縫，還需提取裂縫的邊緣信息，并對(duì)圖像進(jìn)行分割。圖像分割的方法包括形態(tài)學(xué)檢測(cè)法、閾值分割法以及邊緣檢測(cè)法等。

3.3.1. 邊緣檢測(cè)法

邊緣檢測(cè)器可以清晰地描繪出裂縫的邊緣信息。該算法根據(jù)裂縫邊緣的灰度變化，利用微分函數(shù)對(duì)邊緣信息進(jìn)行識(shí)別。

如圖4所示，有多種邊緣算子。不同的路面裂縫檢測(cè)任務(wù)（如邊緣搜索[40,51,58,59]和邊緣檢測(cè)[51,58,59]）需要采用不同的邊緣算子。

Roberts算子的表達(dá)式如方程（8）[41]所示：

圖4. 邊緣檢測(cè)的部分算子。

Prewitt算子的表達(dá)式如方程（9）[41]所示：

拉普拉斯算子是一種二階偏導(dǎo)數(shù)算子，可同時(shí)檢測(cè)水平裂縫和垂直裂縫[40,54]。拉普拉斯算子的表達(dá)式如方程（10）[41]所示：

式中，f為原始圖像；x為圖像水平方向上的像素值；y為圖像垂直方向上的像素值。

3.3.2. 形態(tài)學(xué)方法

形態(tài)學(xué)方法也可用于裂縫邊緣檢測(cè)。Zhang等[60]認(rèn)為，形態(tài)學(xué)方法容易丟失裂縫邊緣信息。Li等[57]認(rèn)為，與其他使用圖像像素值變化來(lái)提取裂縫邊緣信息的其他邊緣檢測(cè)方法相比，形態(tài)學(xué)方法可以得到裂縫的形態(tài)學(xué)特征。Xu和Gao [61]基于圖像增強(qiáng)和數(shù)學(xué)形態(tài)學(xué)法提取了裂縫邊緣信息。

3.3.3. 閾值分割法

閾值分割法用于根據(jù)計(jì)算得出的閾值，將圖像劃分為兩部分。一般情況下，取值低于閾值的部分為裂縫區(qū)域，而取值超過(guò)閾值的部分為背景路面區(qū)域。閾值分割法分為全局閾值分割法以及局部閾值分割法。Ma等[42]和Talab等[48]提出了Ostu全局閾值分割法。通常，在使用該方法之前或之后，圖像都可以通過(guò)灰度拉伸預(yù)處理來(lái)降低噪聲。Ma等[42]在進(jìn)行Ostu閾值分割后，使用十字形結(jié)構(gòu)元素進(jìn)行閉運(yùn)算拼合裂縫。Wang [39]基于圖像變換改進(jìn)了水泥路面裂縫檢測(cè)算法。Liu [62]采用局部閾值分割法，這種方法對(duì)于有陰影的路面裂縫圖像有良好的處理效果。Xu等[63]還提出基于自適應(yīng)形態(tài)濾波以及Ostu算法實(shí)現(xiàn)雙閾值目標(biāo)。

3.4. 圖像后處理

有時(shí)，經(jīng)過(guò)以上三個(gè)步驟處理圖像后，仍然很難提取到裂縫邊緣信息。在這種情況下，部分研究人員進(jìn)行圖像后處理，如形態(tài)學(xué)圖像處理、最大連通域降噪或邊緣連接等。

3.4.1. 形態(tài)學(xué)圖像處理

在數(shù)學(xué)形態(tài)學(xué)方法中，膨脹、腐蝕、開運(yùn)算和閉運(yùn)算是圖像處理的幾種常用變換。Wang等[64]利用膨脹和腐蝕運(yùn)算，獲得了清晰的邊緣裂縫圖像。Wang [43]通過(guò)形態(tài)學(xué)運(yùn)算降噪，更清晰地識(shí)別出裂縫。Ma等[42]則采用對(duì)裂縫邊緣產(chǎn)生的負(fù)面影響較小的閉運(yùn)算來(lái)處理圖像。

3.4.2. 圖像降噪

有時(shí)由于噪聲的存在，圖像處理算法在檢測(cè)不完整的裂縫邊緣或裂縫形狀模糊等情況下仍存在局限性，因此，許多研究人員采用最大連通域法進(jìn)行降噪。Liu [62]和Ma等[42]使用最大連通域法，根據(jù)裂縫的連通性確定裂縫的位置。

3.4.3. 邊緣檢測(cè)和連接

此外，部分研究人員利用邊緣連接來(lái)拼接裂縫，以獲得更清晰的裂縫形狀。Zhang [54]提出了一種改進(jìn)的基于根據(jù)小波變換的圖像邊緣檢測(cè)算法。他還提出了一種全新的基于Canny的算法連接裂縫圖像上不連續(xù)的邊緣點(diǎn)。

3.5. 小結(jié)

隨著計(jì)算機(jī)技術(shù)的發(fā)展，研究人員不斷改進(jìn)傳統(tǒng)的裂縫檢測(cè)方法，特別是針對(duì)低質(zhì)量的路面圖像提出了圖像處理算法。圖5所示為低光照條件下的典型瀝青路面裂縫圖像。為了獲得更好的圖像處理效果，許多研究人員提出了眾多新穎的算法，這使得計(jì)算過(guò)程十分復(fù)雜，從而難以對(duì)路面圖像進(jìn)行批量處理。另外，由于路面圖像具備不同的特征，許多現(xiàn)行圖像處理算法無(wú)法自動(dòng)適應(yīng)所有類型的路面圖像。因此，需要開展進(jìn)一步的研究工作，提高算法的適應(yīng)性，從而能夠處理不同條件下的路面圖像。

圖5. 低光照條件下典型的瀝青路面裂縫圖像。

4. 機(jī)器學(xué)習(xí)在路面分析中的應(yīng)用

機(jī)器學(xué)習(xí)是基于計(jì)算機(jī)技術(shù)的一種先進(jìn)算法與模型系統(tǒng)，其目標(biāo)旨在利用模式（而不是明確的條件）來(lái)解決各種問(wèn)題[65]。通過(guò)使用機(jī)器學(xué)習(xí)方法，可以有效地計(jì)算、識(shí)別、分類和分析路面結(jié)構(gòu)與交通流量信息。目前，應(yīng)用于路面工程采用的機(jī)器學(xué)習(xí)方法主要有：支持向量機(jī)（SVM）、人工神經(jīng)網(wǎng)絡(luò)（ANN）以及卷積神經(jīng)網(wǎng)絡(luò)（CNN）等深度學(xué)習(xí)方法。

4.1. 支持向量機(jī)

支持向量機(jī)是由Cortes和Vapnik [66]首先提出的。本質(zhì)上，它是一種廣義線性分類器，通過(guò)監(jiān)督式學(xué)習(xí)對(duì)數(shù)據(jù)進(jìn)行二分類。Cortes和Vapnik [66]率先將這種方法用于數(shù)字手寫體識(shí)別中。

支持向量機(jī)算法通過(guò)輸入數(shù)據(jù){xk, yk}Nk=1來(lái)構(gòu)造決策邊界，并將數(shù)據(jù)劃分為兩類，其中，xk∈Rn為真實(shí)向量空間中的輸入數(shù)據(jù)，yk∈{?1, 1}為數(shù)據(jù)標(biāo)簽。決策邊界是用于求解學(xué)習(xí)樣本的最大邊距超平面[65]。SVM使用內(nèi)核機(jī)制，當(dāng)核函數(shù)是線性時(shí)，它與邏輯回歸沒(méi)有本質(zhì)上的區(qū)別；當(dāng)核函數(shù)為非線性時(shí)，即使無(wú)法在基本特征空間對(duì)數(shù)據(jù)執(zhí)行線性分離，支持向量機(jī)仍有良好的效果 [67]。

支持向量機(jī)的訓(xùn)練階段可簡(jiǎn)化為損失函數(shù)的優(yōu)化過(guò)程。將方程（11）)和方程（12）聯(lián)立，求解損失函數(shù)的最小值[68]：

式中，JP為w和ek的函數(shù)；yk∈{?1, 1}為數(shù)據(jù)標(biāo)簽，k = 1, …, N；ek≥0為松弛變量；w∈Rn和b∈R為超平面的法向量和相交點(diǎn)，R為實(shí)數(shù)；Φ(xk)是非線性可分問(wèn)題的映射函數(shù)[68]。

許多研究中已經(jīng)采用支持向量機(jī)進(jìn)行路面性能預(yù)測(cè)和病害檢測(cè)。Hoang等[69]采用基于人工蜂群（ABC）優(yōu)化算法的多級(jí)支持向量機(jī)學(xué)習(xí)模型對(duì)路面裂縫進(jìn)行分類。在研究中還采用了非局部均值、微分濾波等技術(shù)手段來(lái)分析裂縫特征，大幅提高了預(yù)測(cè)準(zhǔn)確率。Schlotjes等[70]收集了眾多的道路數(shù)據(jù)資料和結(jié)構(gòu)失效專家診斷圖，利用支持向量機(jī)預(yù)測(cè)了路面發(fā)生結(jié)構(gòu)失效的概率。Pan等[71]采用四種不同的函數(shù)，對(duì)坑槽、裂縫和路面進(jìn)行了分類和路面故障預(yù)測(cè)。Fujita等[72]通過(guò)機(jī)器學(xué)習(xí)對(duì)瀝青路面圖像進(jìn)行了裂縫檢測(cè)。

4.2. 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一種具有較強(qiáng)的自學(xué)能力的非線性特征處理和預(yù)測(cè)網(wǎng)絡(luò)結(jié)構(gòu)[67]。其基本結(jié)構(gòu)可分為輸入層、隱藏層和輸出層。隱藏層之間大量的節(jié)點(diǎn)單元稱為神經(jīng)元。每個(gè)神經(jīng)元都與上一層的神經(jīng)元相連，如圖6所示。神經(jīng)元的作用是對(duì)上一層的輸入數(shù)據(jù)進(jìn)行線性變換和非線性變換[67]。輸出層和隱藏層的區(qū)別在于，非線性激活函數(shù)替換為softmax函數(shù)[67]，并使用其他邏輯函數(shù)來(lái)預(yù)測(cè)分類任務(wù)輸出的概率。

對(duì)于輸入(X, Y) = {(x(1), y(1)), …, (x(m), y(m))}而言，單層神經(jīng)元的線性變換和非線性變換可以用方程（13）和方程（14）[73,74]表示：

式中，w為隱藏層的權(quán)重矩陣；θ為隱藏層的偏差；g(z)為激活函數(shù)。

常用的激活函數(shù)包括：sigmoid函數(shù)、雙曲正切函數(shù)（tanh）和線性整流（ReLU）函數(shù)[75]。激活函數(shù)必須采用非線性函數(shù)，否則，不管隱藏層的數(shù)量是多少，神經(jīng)網(wǎng)絡(luò)都只是輸入值的線性組合輸出。

圖6. 人工神經(jīng)網(wǎng)絡(luò)算法原理圖。

softmax函數(shù)是有限項(xiàng)離散概率分布的梯度對(duì)數(shù)歸一化，如方程（15）[73]所示：

為了解決ReLU函數(shù)在負(fù)域的零導(dǎo)數(shù)問(wèn)題，研究人員提出了一種高級(jí)Leaky ReLU函數(shù)，如方程（16）[76]所示：

式中，λ為一個(gè)非常小的數(shù)。

除了上述前向傳播過(guò)程外，人工神經(jīng)網(wǎng)絡(luò)最重要的一個(gè)部分是反向傳播過(guò)程。輸出預(yù)測(cè)值與其真實(shí)值之間的差值用損失函數(shù)表示。反向傳播指的是使用梯度下降等優(yōu)化算法找到損失函數(shù)最小值的過(guò)程[72]。方程（17）[77]為交叉熵?fù)p失函數(shù)：

式中，?(i)為實(shí)際輸出值；y(i)為期望輸出值。

標(biāo)準(zhǔn)梯度下降算法和參數(shù)更新規(guī)則如方程（18）和方程（19）所示：

式中，w?為更新后的權(quán)重；α為學(xué)習(xí)率，即每次迭代的梯度下降步長(zhǎng)。

路面工程師將人工神經(jīng)網(wǎng)絡(luò)方法廣泛應(yīng)用于路面病害檢測(cè)和性能評(píng)價(jià)。與Hoang等[68,69]相似，Banharnsakun [78]采用人工蜂群算法訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)，對(duì)病害圖像中的橫向裂縫、縱向裂縫和坑槽進(jìn)行分類，并與支持向量機(jī)的分類結(jié)果進(jìn)行比較。比較結(jié)構(gòu)表明，人工蜂群-人工神經(jīng)網(wǎng)絡(luò)優(yōu)于支持向量機(jī)-人工蜂群。Elbagalati等[79]提出了一種人工神經(jīng)網(wǎng)絡(luò)模式識(shí)別模型，用于協(xié)助路面管理系統(tǒng)（PMS）決策過(guò)程。Pan等[71]采用人工神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)快速、準(zhǔn)確地識(shí)別路面裂縫和坑洞。

然而人工神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別方面存在一定的缺點(diǎn)，如計(jì)算成本高昂。當(dāng)圖像信息量大且神經(jīng)元完全連通時(shí)，生成的參數(shù)數(shù)量會(huì)呈指數(shù)增長(zhǎng)，會(huì)極大地增加神經(jīng)網(wǎng)絡(luò)的迭代時(shí)間。

4.3. 卷積神經(jīng)網(wǎng)絡(luò)

傳統(tǒng)機(jī)器學(xué)習(xí)方法（支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)）在路面監(jiān)測(cè)和分析中已經(jīng)得到了廣泛的應(yīng)用。近年來(lái)，隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，深度學(xué)習(xí)方法開始被應(yīng)用于路面病害監(jiān)測(cè)與檢測(cè)。卷積神經(jīng)網(wǎng)絡(luò)是一種典型的采用卷積進(jìn)行計(jì)算的深度神經(jīng)網(wǎng)絡(luò)。相較于只能使用全連接層的人工神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算效率方面更具有優(yōu)勢(shì)。卷積核參數(shù)共享機(jī)制以及各層之間的局部連接使其能夠以更低的計(jì)算成本完成復(fù)雜的特征學(xué)習(xí)任務(wù)[80]。同一層的權(quán)值小于人工神經(jīng)網(wǎng)絡(luò)的權(quán)值。不同于人工神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)的隱藏層通常由不同的功能層、卷積層、池化層以及全連接層構(gòu)成。

卷積層的作用是對(duì)輸入數(shù)據(jù)進(jìn)行卷積運(yùn)算[77]。池化層的作用是對(duì)從卷積層提取的信息進(jìn)行選擇和過(guò)濾[77]，縮小模型規(guī)模，加快計(jì)算速度，提高已提取特征的魯棒性。超參數(shù)包括卷積核大小、步長(zhǎng)和填充值。一般采用最大池化法和平均池化法進(jìn)行信息過(guò)濾。最大池化法是將池化區(qū)域的最大值作為新的特征輸出，平均池化法則是輸出池化區(qū)域的平均值[77]。

圖7. 用于路面裂縫圖像識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。64 × 64 × 3代表特征圖的高度、寬度和通道；尺寸、步長(zhǎng)和填充值均為核心的超參數(shù)；conv：卷積；FC：全連接層。

對(duì)于深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)而言，一般池化層設(shè)置在多個(gè)連續(xù)卷積層之后，全連接層設(shè)置在整個(gè)網(wǎng)絡(luò)的末端多個(gè)。例如，Gopalakrishnan等[82]采用的VGG網(wǎng)絡(luò)[81]作為遷移學(xué)習(xí)算例來(lái)識(shí)別路面裂縫。然而，Zhang等[83]提出的CrackNet為了實(shí)現(xiàn)像素級(jí)的裂縫識(shí)別，并未采用池化層。

全連接層相當(dāng)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的隱藏層。特征圖傳遞到全連接層后，三維結(jié)構(gòu)丟失并擴(kuò)展為一個(gè)向量，再通過(guò)激活函數(shù)傳遞到下一層。圖7是為有裂縫路面和無(wú)裂縫路面分類而設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

4.4. 機(jī)器學(xué)習(xí)相關(guān)理論

4.4.1. 數(shù)據(jù)集

數(shù)據(jù)集的選擇影響機(jī)器學(xué)習(xí)算法的性能。在監(jiān)督學(xué)習(xí)中，數(shù)據(jù)集分為三個(gè)部分：訓(xùn)練集、開發(fā)集和測(cè)試集[80]。首先，將訓(xùn)練算法應(yīng)用于訓(xùn)練集；然后，根據(jù)開發(fā)集確定最優(yōu)模型；最后，在測(cè)試集上評(píng)估網(wǎng)絡(luò)模型的性能。一般來(lái)說(shuō)，層次越深、規(guī)模越大的神經(jīng)網(wǎng)絡(luò)需要用于訓(xùn)練使用的數(shù)據(jù)集越大。因此，深度學(xué)習(xí)方法在路面監(jiān)測(cè)中的應(yīng)用需要在訓(xùn)練過(guò)程開始之前收集足夠的樣本[84]，并準(zhǔn)備大量的數(shù)據(jù)集。

4.4.2. 正則化

為了防止神經(jīng)網(wǎng)絡(luò)方差過(guò)大，即數(shù)據(jù)過(guò)度擬合，可采用兩種方法解決這個(gè)問(wèn)題：一種是增加數(shù)據(jù)量，另一種是使用正則化方法。一般而言，越簡(jiǎn)單的結(jié)構(gòu)需要學(xué)習(xí)的特征越少。常用的正則化方法包括：L2正則化（權(quán)重衰減）[85]和dropouts函數(shù)[86]。

在L2正則化中，代價(jià)函數(shù)經(jīng)定義為[85]：

式中，λ為正則化的超參數(shù)，為實(shí)現(xiàn)優(yōu)化，需在驗(yàn)證集上對(duì)超參數(shù)進(jìn)行調(diào)整以獲得最優(yōu)值；nsample是樣本的數(shù)量。反向傳播過(guò)程中，權(quán)重w更新規(guī)則變?yōu)閇85]：

在dropout方法中[86]，在(0, 1)的范圍內(nèi)為各隱藏層設(shè)置一個(gè)閾值p，保留各神經(jīng)元的概率。這樣每一層中有部分神經(jīng)元被刪除，神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)更少、規(guī)模更小。

兩種正則化方法均可應(yīng)用于路面病害檢測(cè)中。Fei等[87]使用CrackNetV進(jìn)行瀝青路面裂縫的像素級(jí)分類，采用L2正則化來(lái)防止過(guò)度擬合。Cha等[88]在混凝土路面檢測(cè)過(guò)程中使用dropout函數(shù)對(duì)模型進(jìn)行正則化。

4.4.3. 歸一化

為了避免輸入數(shù)據(jù)的特征出現(xiàn)過(guò)大的差異，通常會(huì)對(duì)這些數(shù)據(jù)進(jìn)行歸一化處理。批量歸一化（BN）是指對(duì)深度網(wǎng)絡(luò)的中間層輸出執(zhí)行歸一化[89]，通常選擇隱藏層的線性輸出結(jié)果進(jìn)行批量歸一化，而不采用激活函數(shù)的輸出值進(jìn)行歸一化[89]：

式中，為防止σ等于0，ε為一無(wú)窮小正數(shù)。γ決定了Z～的分布方差，β決定了特征分布的均值。批量歸一化不僅適用于輸入層，也適用于深度隱藏層[90]。采用批量歸一化處理輸入層有兩個(gè)主要原因，一是為了加快網(wǎng)絡(luò)的訓(xùn)練過(guò)程，二是為了在訓(xùn)練過(guò)程中加入噪聲。目前，多數(shù)卷積網(wǎng)絡(luò)神經(jīng)模型的路面病害檢測(cè)方法都會(huì)進(jìn)行批量歸一化的過(guò)程。

4.4.4. 優(yōu)化器

網(wǎng)絡(luò)反向傳播過(guò)程中，選擇最合適的優(yōu)化器十分困難。最常用的方法之一是小批量梯度下降法[91]。在每次迭代中，網(wǎng)絡(luò)對(duì)訓(xùn)練集的隨機(jī)子集進(jìn)行學(xué)習(xí)。小批量規(guī)模是網(wǎng)絡(luò)的一個(gè)超參數(shù)，這個(gè)值越大，網(wǎng)絡(luò)運(yùn)行所需的計(jì)算量就越大。當(dāng)小批量規(guī)模等于訓(xùn)練集的規(guī)模時(shí)，稱為批量梯度下降（BGD）；當(dāng)規(guī)模等于1時(shí)，稱為隨機(jī)梯度下降（SGD）。

此外，還有其他優(yōu)化器也可以加快網(wǎng)絡(luò)的訓(xùn)練過(guò)程，例如，Zhang等[83]和Fei等[87]采用的動(dòng)量算法[92]，以及由Kingma等[93]提出、Dorafshan等[94]和Krizhevsky等[95]采用的自適應(yīng)矩估計(jì)（Adam）算法。

4.5. 深度學(xué)習(xí)方法在路面病害檢測(cè)和狀態(tài)評(píng)估中的應(yīng)用

本節(jié)總結(jié)了使用機(jī)器學(xué)習(xí)方法（特別是深度學(xué)習(xí)方法）進(jìn)行路面病害檢測(cè)和狀態(tài)評(píng)估的研究工作。

4.5.1. 分類任務(wù)

路面病害檢測(cè)中最重要的分類任務(wù)之一是區(qū)分有開裂區(qū)域的路面圖像與沒(méi)有開裂區(qū)域的路面圖像，以及同一圖像中的裂縫區(qū)域與非裂縫區(qū)域。傳統(tǒng)的二維路面病害圖像的識(shí)別與檢測(cè)大多基于圖像處理技術(shù)，如索貝爾算法[96]以及Canny算法[97]。然而，這些方法大多只能達(dá)到半自動(dòng)檢測(cè)的水平。卷積神經(jīng)網(wǎng)絡(luò)的引入可實(shí)現(xiàn)自動(dòng)檢測(cè)。

一些研究人員采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)分類，即在輸入圖像后，卷積神經(jīng)網(wǎng)絡(luò)可以自動(dòng)判斷其是否屬于預(yù)先設(shè)定的類別。例如，卷積神經(jīng)網(wǎng)絡(luò)可以判斷輸入路面圖像是否有裂縫。Cha等[88]提出了一種卷積神經(jīng)網(wǎng)絡(luò)模型，該模型能夠自動(dòng)識(shí)別受曝光和陰影影響的水泥路面受損圖像中的裂縫。Hoang等[68,69]提出了卷積神經(jīng)網(wǎng)絡(luò)-裂縫檢測(cè)模型（CDM），該模型采用分類器和滑動(dòng)窗口相結(jié)合的方法對(duì)大尺寸瀝青路面裂縫圖像進(jìn)行識(shí)別。Wang和Hu [98]結(jié)合主成分分析（PCA）訓(xùn)練了一個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型，可以識(shí)別輸入的不同尺寸的路面病害圖像中的縱向裂縫、橫向裂縫和龜裂。Zhang等[83]提出了一種可實(shí)現(xiàn)像素級(jí)的裂縫識(shí)別的被稱為CracNet的卷積神經(jīng)網(wǎng)絡(luò)模型，該模型可以準(zhǔn)確檢測(cè)到路面受損情況。不同于SegNet上采樣法和下采樣法，CrackNet的特點(diǎn)在于為了保障層間傳輸過(guò)程中圖像的尺寸保持不變，它不具備池化層。Zhang等[99]隨后將該模型改進(jìn)為第二代模型CrackNet II，該模型刪除了特征生成器，優(yōu)化了1 × 1卷積層的結(jié)構(gòu)。Fei等[87]提出了全新的CrackNet-V的卷積神經(jīng)網(wǎng)絡(luò)模型，該模型繼承了CrackNet沒(méi)有池化層的特點(diǎn)。Sha等[100]使用卷積神經(jīng)網(wǎng)絡(luò)評(píng)估了路面病害。此外，卷積神經(jīng)網(wǎng)絡(luò)模型還可以應(yīng)用于路面紋理研究[101,102]。

反射裂縫是半剛性路面底層的另一種嚴(yán)重的路面損傷形式。如果在反射裂縫最終形成之前對(duì)路面進(jìn)行相應(yīng)的養(yǎng)護(hù)，就可以防止反射裂縫的出現(xiàn)。然而，傳統(tǒng)的路面圖像很難發(fā)現(xiàn)這種內(nèi)部損傷。為了解決這個(gè)問(wèn)題，路面工程師使用探地雷達(dá)（GPR）來(lái)檢測(cè)內(nèi)部損傷。通過(guò)使用卷積神經(jīng)網(wǎng)絡(luò)，可以對(duì)不同的內(nèi)部損傷進(jìn)行分類 [103]。

4.5.2. 物體檢測(cè)任務(wù)

深度學(xué)習(xí)方法可以便捷地識(shí)別并定位圖像上不同目標(biāo)。對(duì)于路面工程師而言，快速定位并識(shí)別不同的病害有助于更好地開展養(yǎng)護(hù)作業(yè)。Cao等[104]利用卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)機(jī)場(chǎng)水泥路面上的不同物體。通過(guò)卷積神經(jīng)網(wǎng)絡(luò)對(duì)螺絲和石頭進(jìn)行定位，利用空間轉(zhuǎn)換網(wǎng)絡(luò)（STN）對(duì)圖像進(jìn)行仿射轉(zhuǎn)換，最終通過(guò)VGG-13的模型對(duì)機(jī)場(chǎng)路面圖像進(jìn)行物體檢測(cè)[81]。Cha等[84]利用Faster R-卷積神經(jīng)網(wǎng)絡(luò)[105]自動(dòng)檢測(cè)水泥混凝土裂縫、鋼筋腐蝕（中高度）、螺栓腐蝕和橋梁設(shè)施鋼板分層等問(wèn)題。

4.5.3. 性能預(yù)測(cè)和狀態(tài)評(píng)估

在無(wú)法開展實(shí)驗(yàn)室測(cè)試或現(xiàn)場(chǎng)測(cè)試時(shí)，可利用機(jī)器學(xué)習(xí)相關(guān)方法預(yù)測(cè)路面材料的力學(xué)性能。Majidifard等[106]提出了兩種創(chuàng)新性的機(jī)器學(xué)習(xí)算法基因表達(dá)式編程（GEP）以及混合人工神經(jīng)網(wǎng)絡(luò)/模擬退火法（ANN/SA）。通過(guò)兩種算法建立的模型可以確定瀝青混合料的斷裂能，進(jìn)而優(yōu)化材料的混合比。Gong等[107]開發(fā)了兩種深度神經(jīng)網(wǎng)絡(luò)來(lái)提高路面車轍預(yù)測(cè)的準(zhǔn)確性。結(jié)果表明，這兩種神經(jīng)網(wǎng)絡(luò)的性能要優(yōu)于多元線性回歸模型。

在分析路面病害的嚴(yán)重程度的基礎(chǔ)上可以開展路面狀況評(píng)估。Majidifard等[108]利用包含7237張谷歌路面圖像的路面圖像數(shù)據(jù)集（PID）開展了路面狀況評(píng)估。通過(guò)建立“You Only Look Once” (YOLO)深度學(xué)習(xí)框架和U-net模型進(jìn)一步量化了路面病害的嚴(yán)重程度。

4.6. 小結(jié)

利用機(jī)器學(xué)習(xí)方法可以有效地對(duì)路面病害和路面結(jié)構(gòu)狀況進(jìn)行識(shí)別、分類和分析。早期大部分研究人員采用支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)作為路面缺陷分類的方法，這種分類方法的準(zhǔn)確性能滿足當(dāng)時(shí)的工程需求。隨著計(jì)算機(jī)技術(shù)的發(fā)展，憑借局部連接和權(quán)重共享的優(yōu)點(diǎn)，深度學(xué)習(xí)方法（如卷積神經(jīng)網(wǎng)絡(luò)）在路面病害檢測(cè)和性能評(píng)價(jià)方面取得了較好的效果。機(jī)器學(xué)習(xí)方法具備的多種功能可以幫助土木工程師解決路面監(jiān)測(cè)面臨的各種問(wèn)題，如路面裂縫類型識(shí)別、路面受損位置標(biāo)記等。未來(lái)開展研究時(shí)，需要考慮下列問(wèn)題：

（1）為了獲得規(guī)模更大的數(shù)據(jù)集，需要針對(duì)路面的性能和狀況開展更多的現(xiàn)場(chǎng)或?qū)嶒?yàn)室實(shí)驗(yàn)。

（2）對(duì)于不同設(shè)備在不同條件下獲取的路面圖像，需要提高機(jī)器學(xué)習(xí)方法的適應(yīng)性。

（3）在此階段，許多研究都集中于路面裂縫識(shí)別上。未來(lái)機(jī)器學(xué)習(xí)方法的研究可能會(huì)擴(kuò)展到各種不同的路面病害。

5. 結(jié)論

路面是最重要的民用基礎(chǔ)設(shè)施之一。為了保障路面的功能和安全，必須對(duì)路面狀況進(jìn)行監(jiān)測(cè)，并及時(shí)進(jìn)行養(yǎng)護(hù)。目前，土木工程師通過(guò)各種埋入式傳感技術(shù)采集路面的動(dòng)態(tài)響應(yīng)數(shù)據(jù)，并通過(guò)圖像處理技術(shù)和機(jī)器學(xué)習(xí)方法對(duì)路面狀況進(jìn)行分析。本文綜述了近年來(lái)埋入式傳感技術(shù)、圖像處理技術(shù)和機(jī)器學(xué)習(xí)方法在路面監(jiān)測(cè)方面的最新進(jìn)展，并提出了今后路面監(jiān)測(cè)與分析的發(fā)展方向。主要結(jié)論如下：

（1）路面結(jié)構(gòu)在服役期間受到車輛反復(fù)載荷和惡劣環(huán)境因素的綜合作用。為了實(shí)現(xiàn)長(zhǎng)期且穩(wěn)定的監(jiān)測(cè)，需要提高埋入式傳感器的性能，優(yōu)化傳感器封裝方式，以滿足低功耗、低成本、高精度、高集成度、抗壓、防水的要求。

（2）由于路面現(xiàn)場(chǎng)圖像特征千差萬(wàn)別，許多現(xiàn)有的圖像處理算法無(wú)法自動(dòng)適應(yīng)所有類型的路面圖像。因此，需要開展進(jìn)一步的研究工作，提高算法對(duì)于不同條件、不同特征的道路圖像的適應(yīng)性。

（3）為了獲得規(guī)模更大的數(shù)據(jù)集，需要針對(duì)路面的性能和狀況開展更多的現(xiàn)場(chǎng)或?qū)嶒?yàn)室試驗(yàn)。此外，還需要利用機(jī)器學(xué)習(xí)方法，檢測(cè)并識(shí)別更多類型的路面病害。

致謝

本文得到了國(guó)家重點(diǎn)研發(fā)計(jì)劃（2017YFF0205600）、北京工業(yè)大學(xué)國(guó)際科研合作種子基金（2018A08）、北京市交通委員會(huì)科技項(xiàng)目（編號(hào)：2018-kjc-01-213）、北京市基礎(chǔ)研究基金（科研類）市級(jí)科技創(chuàng)新服務(wù)能力建設(shè)項(xiàng)目（PXM2019_014204_500032）的支持。

Compliance with ethics guidelines

Yue Hou, Qiuhan Li, Chen Zhang, Guoyang Lu, Zhoujing Ye, Yihan Chen, Linbing Wang, and Dandan Cao declare that they have no conflict of interest or financial conflicts to disclose.