首頁資訊人工智能賦能公路健康巡檢，全天候自動巡查

人工智能賦能公路健康巡檢，全天候自動巡查

來源：泰然健康網(wǎng) 時間：2024年12月28日 18:41

道路是有一定使用壽命的工程結(jié)構(gòu)物。道路建成后，受環(huán)境、交通荷載等因素的影響，路面的使用性能及各項設(shè)施會出現(xiàn)不同程度的損壞，路面使用性能的惡化，將增加車輛的運營費用，包括燃油、輪胎和保修材料的消耗以及行程時間等費用。

嚴重的道路損壞，甚至?xí)绊懶熊嚨陌踩Ｒ虼藢σ呀ǔ傻某鞘械缆肪W(wǎng)、公路路網(wǎng)，需要及時發(fā)現(xiàn)公路損壞，并對公路實施經(jīng)常性、周期性的養(yǎng)護管理，以保證路網(wǎng)能達到應(yīng)有的服務(wù)水平，這也是各級道路管理部門的主要職責(zé)之一。

智能化巡檢發(fā)展

隨著時間的推移和設(shè)施總量的增加，我國道路養(yǎng)護需求呈現(xiàn)快速的增長趨勢。再加上我國長期以來的“重建輕養(yǎng)”觀念，導(dǎo)致道路養(yǎng)護基礎(chǔ)十分薄弱，養(yǎng)護任務(wù)艱巨，大量早期修建的道路陸續(xù)進入改擴建及大中修養(yǎng)護階段，養(yǎng)護任務(wù)逐年增加。

近年來，公路養(yǎng)護里程占公路總里程比例不斷上升；2016年公路養(yǎng)護里程所占比例已達97.7%。據(jù)交通運輸部統(tǒng)計數(shù)據(jù)顯示，2019年，我國公路養(yǎng)護里程495.31萬公里，占公路總里程98.8%，基本做到了有路必養(yǎng)，每一年在公路養(yǎng)護中的投入高達數(shù)百億元，潛在市場巨大。

我國已經(jīng)進入一個大規(guī)模道路養(yǎng)護時代，面臨著重大的養(yǎng)護任務(wù)，加強道路管養(yǎng)已成為我國道路基礎(chǔ)設(shè)施發(fā)展的當務(wù)之急，是推動城市精細化管理的重要措施，是我國道路安全和民生發(fā)展的重要保障。

道路巡檢是道路日常管養(yǎng)的第一要務(wù)，但目前現(xiàn)有的道路巡查方式自動化、信息化、智能化水平較低。以上海為例，目前上海市市管道路巡查主要以人工巡查為主，以汽車、電瓶車為代步工具，使用平板、手機、記錄表作為記錄工具。

對于管養(yǎng)執(zhí)行單位而言，以人工為主的巡查方式，巡查效率低、時效性差，同時巡查過程中人員的安全性難保障；而對于行業(yè)監(jiān)管單位而言，以人工為主的巡查方式，主觀性太強，其巡檢有效性、巡檢結(jié)果真實、完整性難保障，形成的巡檢結(jié)果是非結(jié)構(gòu)化數(shù)據(jù)，難以用于推動城市道路設(shè)施精細化管養(yǎng)。

此外，以傳統(tǒng)高精度檢測車為代表的傳統(tǒng)路面病害檢測，依賴重型檢測設(shè)備，雖然能較精確地檢測出路面病害，也能形成對道路養(yǎng)護有效的結(jié)構(gòu)化數(shù)據(jù)，但成本價格較高，并且巡檢速度緩慢，很難滿足我國大體量中低等級道路的運維管養(yǎng)，大部分道路常年少檢，甚至是無檢，錯過最佳養(yǎng)護時期。

圖1 高精度檢測車

綜合來看，我國道路健康數(shù)據(jù)采集存在較為突出的“供需矛盾”。而在日常巡檢中借助智能化、信息化手段，不僅可以降低成本、提高效率，也能較為精準的識別出業(yè)主方需求的路面病害識別、交通設(shè)施異常識別等，還能形成結(jié)構(gòu)化數(shù)據(jù)，從而提升巡檢數(shù)據(jù)的價值；同時，考慮到中國大體量的城市道路設(shè)施漏檢，城市道路智能化巡檢具有極大的市場空間。

輕量化智能化巡檢產(chǎn)品原理

近年來隨著人工智能算法的快速迭代和進步，人工智能算法應(yīng)用在路面病害識別的嘗試和研究也逐漸多了起來。

技術(shù)的逐漸成熟使得智能化巡檢產(chǎn)品的應(yīng)用成為可能，目前市場上已成功應(yīng)用的道路智能化巡檢產(chǎn)品還比較少，大多數(shù)產(chǎn)品都是基于前端的視覺傳感設(shè)備、邊緣處理設(shè)備和人工智能算法對路面病害進行采集、傳輸和識別，最后在web平臺或移動平臺結(jié)果呈現(xiàn)。

圖2 智能化巡檢產(chǎn)品結(jié)構(gòu)

2.1前端硬件設(shè)備

前端硬件設(shè)備主要包含車載攝像機和車載處理器，車載攝像頭一般為裝在巡檢車頂部的云臺相機用于拍攝巡檢車前方畫面，也有少部分產(chǎn)品選擇工業(yè)相機拍攝巡檢車后方畫面，云臺相機焦距大，拍攝視角大，可拍攝到多條車道的畫面同時還能拍攝到路側(cè)設(shè)施如護欄和標識標牌。工業(yè)相機則是針對單車道畫面進行拍攝，畫面質(zhì)量更高，有利于人工智能算法識別路面病害的精準率。

車載處理器一般是工控機，利用車載電源供電，對車載攝像頭拍攝到的圖像進行切幀、存儲。工控機中會選配4G/5G模塊、WiFI模塊、GPS模塊等，4G/5G模塊和WIFI模塊用于對工控機存儲的圖像數(shù)據(jù)以及其他結(jié)構(gòu)化數(shù)據(jù)進行傳輸，GPS模塊用于定位路面病害位置。

車載處理器也可結(jié)合邊緣計算棒或計算卡這類擁有強大算力的邊緣化設(shè)備，將原本部署在云端服務(wù)器的人工智能識別算法部署到車載處理器上，實現(xiàn)路面病害識別的邊緣化和實時化。部分智能化巡檢產(chǎn)品還會根據(jù)業(yè)務(wù)需求添加其他硬件設(shè)備，如上海智能交通的路測寶產(chǎn)品通過車載振動傳感器，收集巡檢車在路面行駛時的振動數(shù)據(jù)，最后可計算出道路平整度IRI指數(shù)。

圖3 車載攝像機和車載處理器

2.2 路面病害識別的人工智能算法

產(chǎn)品中應(yīng)用的路面病害識別人工智能算法一般基于目前主流框架下開發(fā)的，如Tensorflow、Pytorch等，模型則一般是識別效果好同時圖像推理速度較快的目標檢測模型，如yolo系列模型。

人工智能算法包括訓(xùn)練好的深度學(xué)習(xí)模型和輔助深度學(xué)習(xí)模型的一些算法，前端硬件設(shè)備采集和傳輸?shù)膱D片作為算法的輸入，通常會使用預(yù)處理算法如圖像縮放、圖像增強、圖像銳化等常規(guī)方法對輸入圖片進行預(yù)處理，圖像預(yù)處理能提升后續(xù)深度學(xué)習(xí)模型識別路面病害的精度。

緊接著圖像信息進入深度學(xué)習(xí)模型，深度學(xué)習(xí)模型如前文中提到的yolo系列模型，包含大量的圖像卷積、池化處理，最后輸出圖片內(nèi)的病害目標框。最后根據(jù)業(yè)務(wù)需求，還可以對深度學(xué)習(xí)模型輸出的目標框進行后處理，對這些目標框再做一次篩選，常見的后處理操作有非極大值抑制（NMS）。

圖4 人工智能算法流程

同時為了滿足業(yè)主的需求，部分產(chǎn)品的人工智能算法處理識別路面病害，還能識別一些路面異常情況，如對路側(cè)的護欄、標識標牌、路沿石等設(shè)施進行檢測，或?qū)β访鎾仦⑽锂惓缶?/p>

人工智能算法通常部署在云端服務(wù)器，服務(wù)器中配有英偉達的高性能顯卡，對車載處理器傳輸?shù)椒?wù)器中的路面圖片進行處理和識別。如前文中提到的，人工智能算法也可部署在車載處理器上，實現(xiàn)邊緣計算，但邊緣部署的人工智能算法會受限于邊緣端的算力，通常識別精度與部署在服務(wù)器端的算法相比較會有所下降。

2.3 業(yè)務(wù)平臺和呈現(xiàn)

識別到的路面病害信息和其他巡檢相關(guān)信息最終會展示在業(yè)務(wù)平臺，平臺通常具有以下兩種功能

a. 大屏展示：使用宏觀大屏展示各條道路的路面病害情況，大屏中會呈現(xiàn)道路網(wǎng)格圖，路面病害會以撒點形式呈現(xiàn)在平臺界面上，同時平臺界面上還會呈現(xiàn)道路相關(guān)指標如道路狀況指數(shù)PCI、道路平整度IRI指數(shù)等。

圖5 數(shù)據(jù)平臺大屏呈現(xiàn)

b. 業(yè)務(wù)平臺：主要面向道路管養(yǎng)單位，對單個路面病害的細節(jié)進行呈現(xiàn)，將人工智能算法識別到的病害及相關(guān)屬性信息如GPS定位、病害長寬等推送出來，在該平臺上可完成從病害修復(fù)派單到最后病害閉合的閉環(huán)流程。

圖6 業(yè)務(wù)平臺呈現(xiàn)及派單

路面病害識別的人工智能算法現(xiàn)狀

圖7 路面病害識別的人工智能算法效果圖

目前市場上的智能巡檢產(chǎn)品的公司，前端硬件都是集成其他硬件廠商的產(chǎn)品，所以在產(chǎn)品硬件方面并沒有很大差距，只有因為業(yè)務(wù)需求的不同而產(chǎn)生的硬件組成結(jié)構(gòu)差異。

算法的好壞對路面病害識別精度有決定性因素，雖然人工智能模型和相關(guān)的業(yè)務(wù)算法對于使用者來說是一個黑盒，無法了解到各個公司用的是什么模型和相關(guān)的技術(shù)路線，但通過當前最新的計算機視覺方向（CV）論文和相關(guān)的目標檢測比賽，可以從側(cè)面了解到整個行業(yè)的算法發(fā)展。

目前對路面病害識別效果顯著并且成熟的人工智能算法模型有Cascade-RCNN為首的RCNN系列目標檢測模型和Yolov3等yolo系列目標檢測模型。Global Road Damage Detection Challenge（以下簡稱GRDDC）是IEEE 舉辦的大數(shù)據(jù)比賽，從2018年開始到2020年已連續(xù)舉辦3屆。

在GRDDC2020比賽中，獲得第一名的隊伍算法用的是Yolov5模型以及集成預(yù)測、模型融合等技巧，最后在測試集中取得的F1分數(shù)為0.67，而參賽前十名的大多數(shù)隊伍使用的是yolo系列模型以及一些比較通用的數(shù)據(jù)增強技巧如隨機剪裁、圖像轉(zhuǎn)換等。

可見yolov4和yolov5在路面病害識別方面有比較優(yōu)秀的表現(xiàn)，而cascade-rcnn模型在多個目標檢測比賽中都取得很好的成績，雖然在GRDDC中表現(xiàn)不是最好，但也同樣有使用價值。

圖8 GRDDC大賽測試集成績排名，大賽結(jié)束時（左），結(jié)束后至今（右）

GRDDC2020比賽結(jié)束后依然允許算法研究人員繼續(xù)提交數(shù)據(jù)驗證自己的算法性能，到現(xiàn)在再看一次成績排行榜，可以發(fā)現(xiàn)測試集中第一名的F1分數(shù)已經(jīng)達到了0.73，商湯的路面病害識別算法排到了第二名（病害識別召回率83.7%、精準率62.8%）。

比賽舉辦結(jié)束到現(xiàn)在，目標檢測模型尤其是模型的主干網(wǎng)絡(luò)（backbone）并沒有重大突破，所以推測算法的提升更多的來自機器學(xué)習(xí)技巧的應(yīng)用，尤其是模型融合技巧，通過多種模型的融合推理，可以顯著提升模型的識別精度，但這種技巧只能用于特定數(shù)據(jù)集并且模型推理速度很慢，難以用于實際生產(chǎn)工作。

所以目前產(chǎn)品中使用的人工智能算法應(yīng)該是權(quán)衡過算法運行速度以及識別精度而得出的最適合業(yè)務(wù)的算法。

結(jié)語

隨著人工智能化進程的推進，智能化巡檢產(chǎn)品的市場也會越來越大。目前人工智能算法在交通這個大領(lǐng)域還處于應(yīng)用探索階段，在不久的將來，以需求為導(dǎo)向的人工智能算法會逐步成熟和完善，從目前以路面病害為主的檢測范圍擴大到養(yǎng)護單位和其他業(yè)主同樣關(guān)心的標識標牌損壞或遮擋、標線模糊等問題，同時隨著前端硬件逐步升級，采集的圖像更加精細，邊緣計算算力更加強大，智能化巡檢也將完全脫離人工干涉，在一定程度上完全替代傳統(tǒng)的人工巡檢模式。

網(wǎng)址: 人工智能賦能公路健康巡檢，全天候自動巡查 http://m.gysdgmq.cn/newsview881755.html