国内道路路面病害检测研究综述(基于深度学习).pdf

简介：
国内利用机器学习技术中的深度神经网络模型对路面积分层次图像特征提取进行多源遥感影像数据的预处理与融合研究，形成了一个系统化的综述。在道路路面病害检测领域，传统的图片自动识别技术存在明显的缺陷，在图像清晰度不高、光照条件不稳定、车道线模糊、旁车遮挡、油污覆盖、水渍影响、阴影干扰、路标线缺失、减速带损坏等情况下的识别效果较差。近年来，随着深度学习在图像识别领域的突破性进展，国内学者开始将这一技术优势用于道路路面病害的自动检测分析中。道路路面病害检测既可以被视为一项在道路运维管理中具有基础性的传统工作，也可以被视为一项以目标检测为核心任务、人工参与度较高的一项工作。在《公路技术状况评定标准（JTG 5210-2018）》一书中，仅就沥青路面而言，就有多达11大类、21中类的病害类型需要识别和评定。在道路路面病害检测过程中，图像预处理技术和相关手段扮演着至关重要的角色。该技术的主要目标是通过最大化数据简化来提升特征提取与识别工作的可靠性和稳定性。在实际应用中，常见的预处理需求包括消除阴影影响、去除车道标线以及平衡光照；此外，在复杂背景环境下进行图像增强也常常被视为预处理过程中的关键难点。王 beers 在处理路面阴影时采用 OTSU 算法。该算法的本质是进行图像亮度对比，在同一幅图中分别应用 OTSU 分割技术。若两者的差别不大，则可推断该区域无阴影。李女士则开发出一种基于自适应亮度梯度的新方法来去除路面阴影。具体而言，首先在进行后续分析前，先运用形态学膨胀和高斯滤波处理以去除路面裂隙及纹理特征；接着，在处理后的图像中应用改进的最大熵理论确定最佳阈值，从而清晰区分阴影与非阴影区域；最后通过优化亮度等高分割模型，并结合亮度校正策略，有效去除路面阴影。在车道线移除方面，黄涛（2019）对这一技术进行了深入研究，并提出了一种基于Mask R-CNN的方法：首先，该算法能够准确识别出车道线区域；随后，对所检测到的车道线区域进行了去除处理；紧接着采用了改进版Criminisi算法来修复被破坏的像素；最终实现了对车道线条的有效去除非 wanted。在光照均衡处理方面，王骜（2016）基于直方图均衡化方法，在横向光照分布上进行了系统性优化。黄涛（2019）提出了一种基于变换域的Mask匀光法，不仅完成了图像的初步光照校正，还结合伽玛校正算法来调节亮度和对比度，伽玛系数通过自适应二分查找确定后不再进行人工调整，最终实现了批量处理下的统一亮度控制。白胜（2019）则采用了直方图均衡化与中值滤波相结合的预处理方法，有效降低了光照不均的影响。 在复杂背景处理方面，王骜（2016）采用了改进的双边滤波算法，并基于局部噪声方差的方法实施区域型滤波，以减少图像处理导致的目标信息丢失。通过图像分割手段去除非目标信息，从而实现降噪的目的。温佳乐（2019）采用全局对比度归一化方法来去除图片中最为明显的变动源，使图像像素的标准差符合同一尺度参数的要求，并通过数据增强手段减少模型的泛化误差。在图像增强技术中，王骜（2016）采用$直方图均衡化$和$中值滤波$方法进行预处理操作，以缓解因光照分布不均而导致的图像质量问题。为了提高道路路面病害检测的准确性和效率，可以采用深度学习技术。此外，图像预处理技术需要不断优化和提升，以适应不同的道路路面病害检测场景。