《Results in Engineering》:Deep Learning-Based Detection and Evaluation of Pavement Surface Damage
编辑推荐:
本文针对路面损伤检测中人工评估主观性强、效率低的问题,提出了一种基于DeepLabV3+架构的深度学习模型,结合ResNet-101与MobileNet骨干网络,并采用Optuna进行超参数优化,实现了对裂缝、坑洞等四类路面损伤的高精度语义分割。研究构建了包含920张高分辨率图像的PavementDamagesG-7数据集,模型在测试集上最高mIoU达89.25%,F1-Score达92.09%。创新性地将分割结果与路面状况指数(PCI)评估结合,结果显示AI评估与人工PCI结果高度一致(误差<0.01%),为道路基础设施智能监测提供了可扩展、客观的解决方案。
道路如同城市的血脉,其健康状况直接关系到交通安全和运营效率。然而,传统的路面损伤检测主要依赖人工巡检,不仅耗时费力,还容易受到主观因素影响,不同评估者可能对同一处损伤的严重程度判断不一。此外,尽管一些地区采用车载传感器进行辅助检测,但成本高昂且难以大规模推广。面对日益老化的道路基础设施,如何实现高效、精准的损伤检测与评估,成为道路维护领域亟待解决的难题。
近年来,人工智能技术为这一领域带来了新的希望。特别是深度学习模型,在图像识别和分割任务中展现出强大潜力。但是,现有的路面损伤数据集往往分辨率较低、损伤类别单一,且多集中在北美、欧洲等地区,难以适应全球不同地区的复杂路况。针对这些问题,来自哥伦比亚德尔瓦莱大学的研究团队开展了一项深入研究,相关成果发表在《Results in Engineering》上。
为了突破现有技术的局限,研究团队开发了一个名为PavementDamagesG-7的新型数据集。该数据集包含920张1920×1080像素的高分辨率立体图像,涵盖了裂缝、龟裂、坑洞、修补、排水沟和路面标线等多种损伤类型,采集自真实道路环境,包含不同光照和阴影条件,具有更强的现实代表性。
在技术方法上,研究人员主要采用了以下几种关键方法:首先,他们使用DeepLabV3+语义分割架构,并对比了ResNet-101和MobileNet两种骨干网络的性能;其次,利用Optuna框架进行了50次超参数优化实验,寻找最佳训练配置;第三,采用Deep Ensembles策略集成表现最佳的20个模型,以评估预测的不确定性;最后,将分割结果与路面状况指数(PCI)标准对接,实现了从像素级分割到工程评估的转化。所有实验基于PyTorch 2.0.1框架,在NVIDIA GeForce RTX 2080 GPU上完成。
5.2. DeepLabV3+ (ResNet-101骨干网络)
使用ResNet-101作为骨干网络的DeepLabV3+模型在50次训练试验中,表现最佳的20个模型在测试集上达到了F1-Score 88.17%和mIoU 86.00%的性能。训练损失曲线显示模型能够有效收敛,但验证损失存在一定波动,表明模型对某些验证样本较为敏感。
5.3. DeepLabV3+ (MobileNet骨干网络)
轻量级的MobileNet骨干网络在保持竞争力的同时(F1-Score 88.32%,mIoU 85.88%),展现了更清晰的边界分割能力。特别是在处理细长裂缝等复杂模式时,MobileNet因参数较少、过拟合风险低而表现更稳定。
5.4. Deep Ensembles
通过集成20个最佳模型,研究发现MobileNet生成的不确定性地图空间连贯性更好,能更清晰标识损伤边界。这表明轻量级架构在复杂场景下可能更具优势,尤其是在处理类间不平衡和纹理变化时。
5.5. 损伤检测
在两类损伤(裂缝类与坑洞类)的详细对比中,MobileNet在细节保持上表现更佳,而ResNet-101在大型均匀损伤区域检测中更稳定。为改善类不平衡问题,研究将类别从7个缩减到4个(裂缝、坑洞、龟裂和路面标线),重新训练后MobileNet模型mIoU提升至89.25%,F1-Score达92.09%。
5.6. 损伤评估
通过与人工PCI评估对比,AI模型在两条实际道路上的评估结果与人工结果高度一致。在Street 1中,AI PCI为74.70,人工为75.20,相对误差仅0.01%;Street 2中两者结果完全一致(PCI=28.50)。研究还发现,当考虑实际损伤区域而非整个车道宽度时,PCI评估更为精确,这为精细化养护决策提供了新思路。
6. 讨论
研究表明,尽管ResNet-101在定量指标上略占优势,但MobileNet在细节保持和边界清晰度方面表现更佳,更适合实际部署。此外,模型在外部数据集(如KU Leuven提供的混凝土管道裂缝数据集和公开的CFD数据集)上也表现出良好的泛化能力,验证了方法的鲁棒性。
与现有技术相比,本研究提出的方法在多项指标上优于U-Net、SegNet等模型,特别是在处理复杂路面纹理和多种损伤类型时表现突出。将深度学习分割与工程标准PCI相结合,是本研究的重要创新点,为道路基础设施的智能化、标准化评估提供了可行路径。
这项研究不仅开发了高性能的路面损伤检测模型,还创建了高质量的数据集,为后续研究奠定了坚实基础。通过将先进的计算机视觉技术与工程实践标准深度融合,研究团队为道路维护领域提供了一套可扩展、自动化的解决方案,有望显著提升道路检测的效率和客观性,为智慧交通基础设施建设贡献了重要力量。