基于EfficientNet-B0与ResNet50迁移学习的真实路面裂缝六分类及道路状况指数(RCI)维护优先级评估

《Frontiers in Signal Processing》:Deep learning–based pavement crack classification and road condition assessment for intelligent transportation infrastructure

【字体: 大 中 小 】 时间:2026年10月21日 来源:Frontiers in Signal Processing 2.6

编辑推荐:

  引言:道路基础设施的高效维护对于保障交通安全、保持路面可使用性以及支撑交通网络的长期可持续性至关重要。然而,传统路面检测主要依赖人工目视评估,存在耗时、成本高和主观性强的问题。本研究提出一种基于深度学习的框架,用于自动化路面裂缝分类和道路状况评估。方法:该框架

  
引言:道路基础设施的高效维护对于保障交通安全、保持路面可使用性以及支撑交通网络的长期可持续性至关重要。然而,传统路面检测主要依赖人工目视评估,存在耗时、成本高和主观性强的问题。本研究提出一种基于深度学习的框架,用于自动化路面裂缝分类和道路状况评估。方法:该框架使用通过多功能路面评估系统(SMAC)采集的真实路面图像。研究采用迁移学习(transfer learning),基于ResNet50和EfficientNet-B0架构对六类路面表面类别进行分类。采用数据增强(data augmentation)和加权交叉熵损失(weighted cross-entropy loss)以提高稳健性并处理类别不平衡。模型性能通过准确率(accuracy)、精确率(precision)、召回率(recall)、F1分数(F1-score)和混淆矩阵(confusion matrix)分析进行评估。随后根据分类结果构建道路状况指数(RCI),以支持维护优先级排序。结果:EfficientNet-B0总体分类准确率达到89.8%,优于ResNet50(73.3%)。其在龟裂和纵向裂缝上的F1分数为0.92,横向裂缝为0.93,无裂缝路面为1.00。所提出的RCI成功区分路面退化水平并支持维护优先级排序。讨论:该框架为路面裂缝分类、道路状况评估和面向维护的决策支持提供智能、可解释且实用的解决方案。这些结果证明了深度学习在智能交通系统中用于可扩展路面监测和更高效基础设施管理的潜力。
研究背景与问题:道路运输基础设施对经济发展、区域连通和可持续交通具有基础性作用。路面退化通常由交通荷载、环境条件、老化及材料疲劳引起,形成纵向、横向、龟裂、分枝和随机裂缝等表面病害;若未早期识别与处理,可能发展为严重结构损伤并影响行车舒适性、道路安全和维护成本。传统检测主要依赖人工目视调查,虽在实践中广泛采用,但费时、昂贵、主观性强,且在活跃交通环境中存在安全风险,难以支撑大规模路网监测。现有图像处理与计算机视觉研究已用于裂缝检测,但许多方法依赖手工特征,在光照变化、路面纹理复杂、阴影和噪声下稳健性不足;深度学习特别是卷积神经网络(CNN,Convolutional Neural Network)可自动学习层级特征,但多数研究集中于二分类裂缝检测或孤立裂缝分类,未将路面状况评估与面向维护的决策支持整合为统一智能框架,且部分研究依赖简化数据集或受控条件。基于此,研究人员提出基于深度学习的框架,利用多功能路面评估系统(SMAC,Système Multifonction d’Auscultation des Chaussées)采集的真实路面图像,开展六类路面表面分类与道路状况评估,并构建道路状况指数(RCI,Road Condition Index)以支持维护优先级排序。

研究设计与意义:研究人员采用迁移学习,对ResNet50和EfficientNet-B0两种深度学习架构进行比较,对分枝裂缝、纵向裂缝、龟裂、横向裂缝、随机裂缝和无裂缝路面六类进行分类;通过数据增强和加权交叉熵损失提升稳健性并缓解类别不平衡;以准确率、精确率、召回率、F1分数和混淆矩阵评价模型。基于分类输出的完整预测概率分布与归一化结构严重度权重,构建概率化RCI,并引入香农熵(Shannon entropy)识别高不确定性预测以供人工筛查。研究结果表明EfficientNet-B0总体准确率89.8%,优于ResNet50的73.3%,且RCI可区分路面退化水平并支持维护优先级排序,说明深度学习在可扩展路面监测与智能交通基础设施管理中的应用潜力。

关键技术方法:样本来自SMAC检测车采集的真实摩洛哥路面图像,该车由摩洛哥国家道路研究中心(CNER,National Center for Road Studies and Research)运营;图像覆盖六类路面表面。方法采用ResNet50与EfficientNet-B0迁移学习,图像统一为224×224像素并归一化;训练中使用随机旋转、水平翻转、随机缩放裁剪和亮度调整等数据增强;采用加权交叉熵损失处理类别不平衡;以准确率、精确率、召回率、F1分数和混淆矩阵评价分类。RCI由CNN预测概率与基于0—5严重度排序归一化的结构影响权重计算退化得分后取补,并以香农熵进行不确定性筛查;决策支持层按RCI阈值划分维护优先级。

研究结果:
混淆矩阵分析:通过ResNet50与EfficientNet-B0在六类路面表面的混淆矩阵比较,EfficientNet-B0对角线占优,对无裂缝、龟裂和纵向裂缝正确分类率较高,例如无裂缝类别正确分类266例、纵向裂缝253例;ResNet50在随机、分枝和纵向裂缝间混淆较多,横向裂缝亦较难。结论是EfficientNet-B0特征表示与稳健性更强,而视觉相似裂缝形态仍是主要误分类来源。
分类指标分析:通过精确率、召回率和F1分数比较,EfficientNet-B0在无裂缝类别取得1.00的精确率、召回率和F1分数,龟裂与纵向裂缝F1分数均为0.92,横向裂缝为0.93,分枝裂缝为0.74,随机裂缝为0.73;ResNet50的随机裂缝F1分数仅0.27,分枝裂缝0.44,横向裂缝0.41。EfficientNet-B0总体准确率89.8%,高于ResNet50的73.3%。结论是EfficientNet-B0更适合所提出的RCI估计框架;加权交叉熵损失有助于缓解类别不平衡,但分枝和随机裂缝仍有混淆。
典型预测与RCI解释:通过同一幅含纵向裂缝的路面图像比较,ResNet预测置信度69.47%,RCI为0.64,对应预防性维护建议;EfficientNet-B0预测置信度95.23%,RCI为0.78,对应监测建议。结论是RCI不仅依赖预测类别,还整合完整概率分布,因而能反映预测不确定性;EfficientNet-B0在同一裂缝类别下给出更稳定、更自信的评估。
道路状况评估与决策支持:通过将连续RCI映射为维护等级,RCI>0.85为优秀、0.70
讨论总结:EfficientNet-B0因复合缩放策略在保持计算效率的同时提升细粒度特征表示,故在多数裂缝类别上优于ResNet50;误分类主要发生在分枝、纵向和随机裂缝之间,源于裂缝形态和纹理相似、光照变化、裂缝不连续及采集条件差异。该框架无需昂贵现场测量或人工严重度标注,仅依赖图像分类输出估计相对退化,具有可扩展性和可解释性;决策支持层将RCI转化为维护等级,并考虑CNN预测置信度。局限包括RCI为相对指标而非PCI或国际 roughness 指数(IRI,International Roughness Index)等标准指标,未整合裂缝宽度、裂缝密度、车辙、坑洞和交通荷载信息,阈值未用标准化PCI调查校准,且RCI依赖所选CNN的概率分布。未来方向包括基于分割的裂缝严重度估计、Transformer视觉架构、多模态监测、时序退化预测、无人机(UAV)影像和智能交通系统(ITS)部署。

研究结论翻译:本研究提出了一种基于深度学习的智能框架,用于利用真实路面图像进行自动化路面裂缝分类、路面状况估计和面向维护的决策支持。该框架将卷积神经网络架构与概率道路状况指数(RCI)公式相结合,为现代交通基础设施系统中的智能路面监测提供可解释且可扩展的解决方案。研究人员研究了两种先进深度学习架构ResNet50和EfficientNet-B0,用于涉及六类路面表面类别的多类路面裂缝分类:纵向裂缝、横向裂缝、分枝裂缝、随机裂缝、龟裂和无裂缝路面。实验结果表明,EfficientNet-B0在视觉上具有挑战性的路面病害模式中持续取得更优分类性能和更强稳健性,尤其是在低对比度和结构模糊的路面条件下。除裂缝分类外,本工作引入了一种基于CNN预测概率分布与源自路面工程解释的归一化结构严重度权重相结合的概率路面状况评估策略。与传统确定性路面评分方法需要昂贵现场检查或标准化严重度标注不同,该框架直接从基于图像的深度学习输出估计相对路面退化。因此,所提出的RCI公式能够实现全自动路面状况估计,同时保持可解释性和方法可重复性。此外,所提出的决策支持层将连续RCI值转换为与不同交通和修复解释相关的面向维护的路面状况等级。该策略增强了框架在智能维护优先级排序、面向交通的基础设施监测和大规模路网评估中的实际适用性。CNN预测置信度的集成进一步提高了维护建议的可靠性和可解释性,尤其是对于视觉模糊的路面裂缝模式。获得的实验结果证实了人工智能和深度学习技术用于下一代智能路面监测系统的潜力。该框架具有若干实际优势,包括自动化能力、降低对人工检查的依赖、适用于大型交通基础设施的可扩展性以及与智能交通系统(ITS)应用的兼容性。尽管本研究取得了有希望的结果,但仍存在若干局限。该框架目前主要集中于基于图像的裂缝分析,未整合其他路面退化指标,如车辙、坑洞、交通荷载条件、裂缝宽度或环境退化因素。此外,所提出的道路状况指数是相对路面退化指标,而非PCI或IRI等标准化路面评价指标。因此,未来工作将聚焦于将框架扩展至多模态路面评估策略,整合基于分割的裂缝严重度估计、基于Transformer的视觉架构、地理空间信息、时间路面退化预测和真实路面检查记录。此外,将该框架部署于基于无人机(UAV)的路面监测系统和智能交通基础设施平台,可能显著提高自动化路面状况评估技术的可扩展性和实时适用性。总体而言,所提出的框架表明,深度学习分类模型、概率路面退化估计和智能决策支持机制的结合,是面向未来智能交通基础设施的可扩展自动化路面管理系统发展的有前景方向。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号