机载快速路面缺陷检测系统设计开题报告

当今，道路缺陷主要可以分为横向裂缝、纵向裂缝、块状裂缝、龟裂裂缝、修补后裂缝等这几种 ^[6]，极大的影响着人们的日常出行及交通便利，所以道路缺陷检测系统事关重要。车载式多功能道路缺陷检测系统，由图像采集装置与图象处理系统组成。20 世纪 90 年代期间，路面缺陷智能检测系统得到高速发展，尤其是国外技术的高速前进，发明了一系列道路缺陷自动检测系统，并应用于实际作业中^[1]。另外，计算机与电子、机械 、通信和数学的紧密结合使路面检测设备更加智能 、高效。新的技术也不断应用到路面缺陷检测中，如超声技术 、图像处理技术、探地雷达技术等^[2] ，而基于计算机视觉对道路路面裂缝的识别领域，研究方向大致分为两部分:其一是基于数字图像处理，主要由人工判别特征，利用频率、边缘、HOG、灰度、纹理和熵等众多特征规律，设计一些特征识别条件来限制以完成识别;其二便是基于深度学习的研究，这些研究主要集中在以下几个方面：道路图像的预处理、道路缺陷图像的分割及特征提取、道路图像的分类识别算法及模型的研究^[3]。

国内外的深度学习算法的进步也带领着图像检测道路缺陷的进步，Cao^[19]所回顾的道路缺陷检测方法，也不能发现基于深度学习的道路缺陷检测技术也即将成为一种趋势。在国内，道路缺陷检测技术在不断的进步着，最基础比如温^[15]研究了CNN基本原理以及特征提取过程，将其运用到路面缺陷的分类识别中。在CNN的基础之上，还有宰^[5]基于遗传算法与简化PCNN模型的图像检测方案，使得遗传算法具有智能搜索全局最优解的特点，在该算法下形成的模型参数使得裂缝图像分割结果最佳。经典的深度算法包括 RCNN，Fast RCNN，Faster RCNN^[14], 在经典的深度学习算法所存在不足的基础上，可以使用Mask RCNN模型的道路缺陷检测，Mask RCNN是在Faster RCNN的基础上用 ROI Align 代替ROI Pooling，并且增加全卷积网络(Fully ConvolutionalNetwork,FCN)来产生对应的 mask 分支^[10]。王^[12]等设计了一种 FCN与CRF 端到端连接的层级结构,利用CRF与SoftMax函数结合的方式计算损失函数。 充分考虑到相似像素之间标签相同的可能性,有效融合了全局特征,使网络在持续迭代中不断优化训练结果,实现了将分类结果与像素一一对应。还有OpenVINO模型优化的智能道路裂缝检测系统，该系统可以采用 Ope-nVINO 平台优化及轻量级网络构建的方法进行模型优化加速^[7] ，其检测效率及精度得到明显提升，在实际场景中达到了较好的性能。其中还有使用了 U-Net 的优化网络 UNet ，其编码解码器的子网络通过一系列嵌套且密集的跳跃路径连接，可以有效地减少编码解码器子网特征映射之间的语义差距^[8]。对于有附加物的道路需要检测缺陷时，可以首先利用基于局部均值的降采样方法对图像进行降采样处理，再使用形态学开闭运算对图像去噪。用阈值固定的分割算法对图像分割，进行标志线的检测。再使用 Canny 算子与 Otsu 相结合的分割算法对图像进行分割。对分割图像进行裂缝检测、裂缝融合、尺寸计算、井盖检测、切割线检测等处理 ^[9]。蔡^[13]还提出 SVD 分解获取探地雷达图像主成分和缺陷的办法，以及图像拉伸和稀疏脉冲反褶积加强缺陷雷达图像。

在国外，道路缺陷检测技术还是有着一定的领先，比如Xiao^[16]等基于自适应阈值的道路缺陷检测方法; Wu^[18]基于多尺度全卷积网络的沥青路面裂缝检测方法；Lei^[20]基于无人机图像处理的路面缺陷检测研究; Lin^[17]基于边缘计算平台的路面缺陷检测系统的实现等等。

随着时代的发展，交通在经济发展以及人们日常生活的出行之中有着极其重要的影响，而在自然和人为因素等造成的公路损害对于行车安全有着较大的影响，所以对于道路的缺陷检测和及时维护有着十分重大的意义。近年来，由于传统人工路面缺陷检测方法具有耗费高、效率低、危险系数高及受主观影响较大等问题，路面缺陷检测技术成为该领域研究热点^[4]，本课题便是基于计算机视觉的图像处理技术来实现更加高精度的道路缺陷的检测系统，从而取代人工和半自动检测技术。

未来路面检测技术及设备向高精度、快速高效、测试安全、操作便捷方向发展。由于自动化的检测是以车为载体，需很好的解决行车带来的问题 ：(1)去噪处理； (2)去除车辆在行驶过程由振动引起的姿态变化对数据的真实性的影响 ；(3)数据处理速度快 ，有利于人工的判断，并作出相应的行为； (4) 软件部分后处理功能强大 ，对如破损的种类识别更丰 富更准确 ； (5)对于天气、路况、车辆等复杂的问题的影响建立数学模型分析实现；(6)对于同一个 指标可以综合多种检测技术，提高检测精度；(7) 测试装置功能集成，检测参数相同的多个指标同时检测 。

道路工程试验检测工作是公路施工技术管理中的一个重要组成部分，同时也是公路工程质量控制和竣工评定工作中不可缺少环节。道路状况检测是公路建设与管理中的关键性，基础性技术，它对检验和控制工程质量至关重要。国外在路面检测技术方面的研究已有30 多年的历史，并且随着高新技术的发展在近些年里有所突破。 根据国情和需要，采用了不同的研究思路和方法，形成了不同的风格特点的检测技术和检验设备^[11]。

参考文献：

[1]王万里. 道路缺陷检测识别算法研究[D].武汉工程大学,2015.

[2]王丹. 基于机器视觉的路面缺陷检测算法研究[D].河北工业大学,2020.

[3]何颖. 基于机器学习的道路表面缺陷检测方法研究[D].重庆交通大学,2020.

[4]杨静,李孝兵.路面检测技术现状及未来发展趋势[J].公路交通科技(应用技术版),2012,8(01):104-106 118.

[5]宰柯楠. 道路裂缝图像识别的算法研究[D].郑州大学,2017.

[6]阮崇武. 基于图像的道路裂缝检测与分类算法研究[D].华中科技大学,2015.

[7]张旭,陈绪君,刘瑞康,张才裕.基于OpenVINO模型优化的智能道路裂缝检测系统[J].信息技术,2020,44(07):62-68.DOI:10.13274/j.cnki.hdzj.2020.07.013.

[8]张海川,彭博,许伟强.基于UNet 及条件生成对抗网络的道路裂缝检测[J].计算机应用,2020,40(S2):158-161.

[9]王创. 基于机器视觉的路面裂缝及附属物检测研究[D].西安理工大学,2018.

[10]李画,李明晶,李凯,赵雪竹.Mask RCNN模型在路面缺陷检测中的应用[J].科学技术创新,2020(29):131-132.

[11]曹博.浅谈道路检测技术发展现状[J].黑龙江交通科技,2011,34(07):119-120.

[12]王丹,李琦,梁栋,张烁瑜.基于多尺度全卷积与CRF的路面裂缝检测算法[J].燕山大学学报,2021,45(04):367-376.

[13]蔡依煌. 基于GPR的路面铺装分层和道路缺陷检测算法研究[D].哈尔滨工业大学,2019.

[14]李画. 基于深度学习的路面缺陷检测方法研究[D].长春大学,2021.

[15]温佳乐. 基于卷积神经网络的公路路面缺陷识别研究与实现[D].广东工业大学,2019.

[16] XiaoliangJiang, Xiaojun Yang, Xiaokang Ding. An efficient and reliable approach basedon adaptive threshold for road defect detection[J]. International Journal ofInnovative Computing and Applications,2021,12(5-6).

[17]Lin,YC,Chen,WH,Kuo,CH.ImplementationofPavementDefectDetectionSystemonEdgeComputingPlatform.[J].CHEMISTRY, MULTIDISCIPLINARY. 2021,05,24(101)

[18]WuYangxu,Yang Wanting,Pan Jinxiao,Chen Ping. Asphalt pavement crack detectionbased on multi-scale full convolutional network[J]. Journal of Intelligent Fuzzy Systems,2021,40(1).

[19]CaoWenming,Liu Qifan,He Zhiquan. Review of Pavement Defect Detection Methods[J].IEEE Access,2020,8.

[20]LeiZhang,Weichi Xu,Leilei Zhu,Xiaozhe Yuan,Chuang Zhang. Study on PavementDefect Detection Based on Image Processing Utilizing UAV[J]. Journal ofPhysics: Conference Series,2019,1168(4).