摘要：车辙深度是路面状况评价和道路养护的一个重要指标。现有车辙深度测量方法未考虑复杂路况下坑槽、松散、裂缝和桥梁接缝等对车辙计算的影响,其有效性和适用性受到了限制,测量结果的真实性也有待进一步验证。有鉴于此,文中提出了一种基于语义分割模型的沥青路面车辙异常检测与校正方法。采用三维线激光技术采集道路横断面高程数据,利用包络线算法提取车辙深度。对于最大车辙深度超过10 mm的横断面,搭建基于深度学习的语义分割框架,提出改进的DeepLabV3+网络对病害类型进行自动辨识和像素定位,并结合最大车辙深度高程点,设计基于拉格朗日插值的校正规则来对异常车辙进行校正。研究结果表明,改进的DeepLabV3+模型能较为准确地识别和定位造成车辙检测异常的路面病害,其对5种路面特征和病害的综合检测准确率达81.63%,在均交并比(MIoU)和大部分交并比(IoU)上的表现均优于U-Net、PSPNet、DeepLabV3+模型。现场验证结果表明,文中方法不仅能够自动分析车辙异常的原因,还能通过对异常车辙的校正排除其他病害的影响,从而较大程度地还原实际车辙深度水平。文中研究成果可为路面预防性养护提供科学数据支撑。

摘要：准确高效的坑槽检测和分割对于公路预防性维护、结构健康至关重要。针对以往路面坑槽提取方法存在有效性和准确性不足等问题,提出一种基于YOLOX-Transformer两步模型的路面坑槽提取方法。首先,采用三维线激光检测车获取不同地区和环境下的路面数据,制作1300余张标记坑槽区域与精确轮廓的图像样本库。然后,引入YOLOX深度学习算法,训练和建立坑槽检测模型,实现坑槽自动识别和定位,进而提出基于Transformer体系架构的路面坑槽分割网络(Pyramid Self-attention Segmentation Network,PSASNet),对检测到的坑槽进行精细化分割,该网络完全由Transformer机制构成,克服了传统CNN感受野受卷积核大小限制的固有缺陷;在PSASNet中,设计一个金字塔自注意力模块(Pyramid Self-Attention Module,PSAM),通过使用像素块融合及自适应空洞率窗口划分方式代替池化操作,实现全局感受野,同时避免了信息损失;为了突出不同尺度特征序列中的路面对象特征,增强网络区分前景与背景的能力,PSAM采用多层感知机可学习的特征映射操作,实现多尺度特征提取,并连接2个Swin Block提取上下文注意力信息。对PSAM进行消融试验,与PSAM组合的网络架构在召回率、F1分数以及交并比上较PPM均有不同程度的提升,证明PSAM可以独立提高坑槽分割模型的性能。将提出的坑槽分割模型与其他对比模型在测试集上进行性能评估。结果表明:相比于其他基线模型,PSASNet能够更准确地提取坑槽并实现像素级描述,且F1分数和交并比分别为91.74%和0.841。设计一组对比试验证明了提出的检测-分割两步法在坑槽提取上相比仅使用语义分割模型的一步法具有显著优势。基于YOLOX检测到的坑槽病害区域,PSASNet能够有目的地分割坑槽,提高了坑槽病害提取的精度和效率。