一种沥青混凝土路面早期裂缝检测方法及系统

本发明涉及路面裂缝检测，具体涉及一种沥青混凝土路面早期裂缝检测方法及系统。

背景技术：

1、随着交通运输量的持续增长和车辆荷载的不断增加，沥青混凝土路面在使用过程中容易出现早期裂缝的问题。这些裂缝不仅影响道路表面的质量和美观，更会加速路面结构的老化，降低其使用寿命，并对行车安全造成威胁。传统的路面维护方式往往依赖于定期的人工巡查，这种方式效率低下且难以及时发现早期的小规模裂缝，导致错过最佳修复时机，增加了后期维修的成本和复杂性。因此，迫切需要一种高效、精确的自动检测方法来实现对沥青混凝土路面早期裂缝的快速识别与评估。

2、传统技术方案主要依靠人工目视检查或简单的图像处理技术进行路面裂缝检测。前者需要大量的人力投入，检测结果受个人经验影响较大，而且对于细微裂缝难以做到全面覆盖；后者虽然引入了数字图像处理手段，但受限于算法的局限性和环境因素(如光照条件变化)，检测精度不高，误报率偏高。现有的一些自动化检测系统也多基于二维图像分析，缺乏对三维空间信息的有效利用，无法准确捕捉裂缝的真实形态和深度信息。此外，传统技术较少考虑裂缝发展的动态特性及外部环境对其的影响，难以提供科学的预测和预警机制。

3、现有的路面裂缝检测技术已经在一定程度上实现了自动化，例如通过安装在车辆上的摄像头采集路面图像并运用计算机视觉算法进行初步分析。然而，这类方法通常只能识别出较为明显的裂缝，对于微小或隐蔽的裂缝检测效果不佳，同时未能充分利用现代机器学习和深度学习的强大模式识别能力。另外，目前的技术方案中关于裂缝类型分类和几何参数测量不够精细，缺乏一个完整地从数据获取到裂缝状态评估的全流程解决方案。这限制了其在实际应用中的有效性和可靠性，特别是在大规模公路网络监测方面。

4、本技术方案针对上述问题提出了一种基于三维点云数据和深度学习模型的沥青混凝土路面早期裂缝自动检测方法，能够更加准确地检测和分类早期裂缝，提供详细的裂缝信息支持决策制定，并能建立有效的裂缝状态跟踪和预警机制，显著提升了路面养护工作的效率和质量。

技术实现思路

1、本发明一种沥青混凝土路面早期裂缝检测方法，包括：

2、s1、获取路面三维点云数据形成纹理图像，通过纹理分析技术对纹理图像进行扫描，识别纹理图像中灰度变化的区域，标记为疑似裂缝区，作为第一裂度；

3、s2、在第一裂度标记出的疑似裂缝区，通过深度学习模型mask r-cnn进行分割疑似裂缝区，确定裂缝类型并测量裂缝的几何参数，作为第二裂度；

4、s3、基于第二裂度提供的裂缝类型及几何参数信息，结合历史数据和环境因素，通过机器学习模型评估裂缝的发展趋势及其损害程度，作为第三裂度；

5、s4、通过第三裂度建立裂缝检测机制，利用裂缝检测机制记录跟踪早期沥青混凝土路面裂缝的状态变化；

6、s5、设定裂缝状态评估阈值，通过裂缝检测机制输出裂缝状态与裂缝状态评估阈值进行对比，通过阈值边界机制进行预警，形成沥青混凝土路面的早期裂缝检测。

7、优选的，所述s1中纹理图像的形成通过获取三维点云数据投影到二维平面，形成纹理图像；所述三维点云数据通过配备有激光扫描仪的移动检测设备沿待检测的沥青混凝土路面行驶，利用激光扫描仪以高密度点云的形式捕捉路面表面的三维坐标数据形成。

8、优选的，所述利用纹理分析技术对形成的纹理图像进行扫描，通过构建灰度共生矩阵glcm计算像素点与其邻域内其他像素点之间的灰度值关联性；给定的像素点(x,y)，统计像素点与距离为d且方向为θ的邻域像素之间灰度值对出现的频率，形成共生矩阵glcm(d,θ)；所述共生矩阵中的元素p(i,j|d,θ)为距离d和方向θ下，灰度级别为i的像素与其邻域中灰度级别为j的像素共同出现的概率；所述通过共生矩阵计算纹理特征对比度和相关性，识别出具有高对比度或低相关性的区域作为灰度变化显著的区域，标记为疑似裂缝区；所述对比度公式为：cd＝∑i,j(i-j)2p(i,j|d,θ)，所述相关性公式为：其中μi、μj分别是i和j的灰度均值，σi、σj分别是i和j的灰度标准差。

9、优选的，所述s2中利用深度学习模型mask r-cnn处理标记为疑似裂缝区的纹理图像，将纹理图像输入到经过大量标注数据训练过的mask r-cnn模型中，所述mask r-cnn模型识别并生成每个疑似裂缝区域的像素级掩码，实现裂缝区域的精确分割；所述裂缝类型通过mask r-cnn模型输出的掩码与预定义的裂缝模板库进行匹配，通过计算掩码形状特征与模板之间的相似度和几何特征，识别裂缝类型属于纵缝、横缝、斜向裂缝或龟裂裂缝；所述通过掩码边界提取技术测量裂缝的几何参数，沿裂缝边缘拟合曲线或直线段，进而计算裂缝的长度，通过分析裂缝宽度方向上的灰度变化梯度，确定裂缝的最大宽度，根据裂缝掩码的主轴方向，计算裂缝的方向角，形成第二裂度。

10、优选的，所述mask r-cnn模型识别并生成每个疑似裂缝区域的像素级掩码后进行裂缝区域的精确分割；所述通过纹理分析技术标记为疑似裂缝区的纹理图像输入到经过预训练的深度学习模型mask r-cnn中，利用卷积神经网络cnn提取图像特征，通过区域提议网络rpn生成包含裂缝的候选区域；所述对于每个候选区域，mask r-cnn执行分类任务以确定是否为裂缝，同时使用全卷积网络fcn分支针对每个类别生成对应的像素级二值掩码，进行定义裂缝的边界，并采用非极大值抑制nms算法去除冗余的重叠掩码，保留真实裂缝的高分值掩码；所述根据生成的像素级掩码对原始纹理图像中的裂缝区域进行准确分割，确保每个裂缝区域都被独立且完整地标记出来。

11、优选的，所述裂缝类型的识别，通过mask r-cnn模型输出的像素级掩码与预定义的裂缝模板库进行匹配识别；所述匹配识别通过计算掩码形状特征与模板之间的相似度和几何特征，所述计算掩码的形状特征，包括但不限于面积a、周长p、主轴方向θ、纵横比其中l和w分别为掩码的长度和宽度；所述对于纵缝、横缝、斜向裂缝或龟裂的类型的裂缝，根据典型几何特征定义相应的模板，如纵缝的高纵横比和接近垂直的方向角，横缝的低纵横比和水平方向角，斜向裂缝的中间纵横比和非正交方向角，以及龟裂的复杂分支结构识别，利用相似度函数其中m表示掩码，t表示模板，w1、w2和w3分别为面积权重系数、周长权重系数和主轴方向权重系数，σa和σp分别是面积标准差参数和周长标准差参数，进行量化掩码与模板之间的相似度；所述通过比较掩码与各类裂缝模板的相似度得分，选择得分最高的模板所对应的裂缝类型作为最终识别结果，实现对裂缝类型的匹配和分类。

12、优选的，所述第三裂度为评估裂缝的发展趋势及其损害程度；所述第三裂度通过收集第二裂度提供的裂缝类型及几何参数信息，包括裂缝的长度、宽度、方向以及类型，结合历史数据，如过往相同或相似位置的裂缝发展记录，以及环境因素包括但不限于温度变化、湿度水平、交通流量，进行构建多维特征空间；所述将多维特征输入到预先训练好的机器学习模型中，利用时间序列分析模型捕捉裂缝随时间的变化模式，计算裂缝扩展速率r和损害指数di；所述扩展速率r由裂缝增长的历史数据推算得出，损害指数di则综合考虑了几何参数与环境因素的影响，根据机器学习模型的输出结果，生成裂缝未来发展趋势。

13、优选的，所述裂缝扩展速率r和损害指数di的计算，通过多维特征输入到预先训练好的机器学习模型中进行计算；所述多维特征包括裂缝类型及几何参数，所述几何参数包括长度l、宽度w、方向θ、历史数据以及环境因素，其中环境因素包括温度变化t、湿度水平h、交通流量f；所述裂缝扩展速率r，公式为其中δl(t)表示在时间间隔δt内裂缝长度的变化量，进行量化裂缝的增长速度；所述损害指数di，通过时间序列综合评估模型计算，公式为：其中，xt代表在时间点t的多维特征向量，包含几何参数和环境因素；fi(xt)为非线性函数，评估每个特征对损害的影响；wi是与fi相关联的权重系数；g(ht)为历史数据的非线性函数，φ为比例因子，调整历史数据对当前损害评估的影响程度，n为特征数量。

14、优选的，所述裂缝状态评估阈值的设定根据历史数据和经验确定不同裂缝类型的初始阈值tc，所述初始阈值tc包括几何参数、扩展速率r和损害指数di的临界值，利用裂缝检测机制输出的裂缝状态数据与初始阈值tc进行实时对比裂缝监测点，采用公式d＝|di-tc|，其中d表示当前损害指数与阈值之间的差异，用于量化裂缝状态偏离正常范围的程度，当d超过预设的安全边界db，即d>db时，触发警报。

15、一种沥青混凝土路面早期裂缝检测系统，包括数据采集模块、图像生成模块、纹理分析模块、mask r-cnn模块、评估模块、预警模块和反馈模块；

16、所述数据采集模块获取路面的三维点云数据，通过配备有激光扫描仪的移动检测设备沿待检测的沥青混凝土路面行驶进行收集数据，将收集到的三维点云数据传递给图像生成模块；

17、所述图像生成模块将三维点云数据投影到二维平面上，形成纹理图像；所述图像生成模块与数据采集模块相连，接收其提供的三维点云数据；并将生成的纹理图像发送至纹理分析模块；

18、所述纹理分析模块使用灰度共生矩阵分析纹理图像中的灰度变化，识别疑似裂缝区域，从图像生成模块接收纹理图像，并将标记后的疑似裂缝区图像输出给深度学习处理模块；

19、所述mask r-cnn模块对疑似裂缝区进行分割，确定裂缝类型并测量几何参数；所述mask r-cnn模块接受来自纹理分析模块的输入，并将结果传递给评估模块；

20、所述评估模块结合历史数据、环境因素和第二裂度提供的信息，使用机器学习模型预测裂缝的发展趋势及损害程度；所述评估模块从深度学习处理模块接收裂缝类型和几何参数信息，并向预警模块提供评估结果；

21、所述预警模块设定裂缝状态评估阈值，比较当前裂缝状态与阈值，当超过安全边界时触发警报，所述预警模块与评估模块相连，接收评估结果，并根据设定规则发出警报；

22、所述反馈模块通过裂缝检测机制记录跟踪早期沥青混凝土路面裂缝的状态变化，包括数据库或日志系统用于长期存储和管理裂缝信息。

23、相对于现有技术，本技术的技术方案具有以下技术效果：

24、本发明通过将三维点云数据投影到二维平面上形成纹理图像，并利用灰度共生矩阵(glcm)对这些图像进行分析，解决了传统二维图像分析方法难以捕捉路面细微裂缝的问题，通过对像素点及其邻域内灰度值关联性的统计分析，能够识别出具有显著灰度变化的区域作为疑似裂缝区，基于高密度三维坐标数据的方法不仅提高了早期裂缝检测的精度和灵敏度，而且减少了由于光照条件变化等环境因素带来的误报率，从而确保了更可靠的裂缝检测结果。

25、本发明通过引入深度学习模型mask r-cnn来处理标记为疑似裂缝区域的纹理图像，解决了现有技术中裂缝类型分类不够精细以及几何参数测量不准确的问题，mask r-cnn可以生成每个疑似裂缝区域的像素级掩码，实现裂缝区域的精确分割，并通过与预定义的裂缝模板库匹配，准确识别裂缝类型，提升了裂缝类型的识别准确性，还能够沿裂缝边缘拟合曲线或直线段以计算裂缝的具体几何参数，如长度、宽度和方向角，进而为后续的裂缝状态评估提供了详尽的数据支持，极大地增强了裂缝检测的科学性和可靠性。

26、本发明通过构建多维特征空间并应用预先训练好的机器学习模型，解决了传统方法无法有效预测裂缝发展趋势及损害程度的技术难题，结合从第二裂度提供的裂缝类型和几何参数信息，以及历史数据和环境因素的影响，机器学习模型可以捕捉裂缝随时间的变化模式，计算裂缝扩展速率和损害指数。这使得我们不仅能够评估当前裂缝的状态，还能对未来的发展趋势做出预测，帮助道路管理部门提前制定合理的维护计划，优化资源分配，减少不必要的维修成本，同时提高道路的安全性和使用寿命。

27、本发明通过设定裂缝状态评估阈值并与实时监测数据进行对比，解决了传统监测方式缺乏有效的预警机制这一问题，当裂缝状态超过预设的安全边界时，系统会即时触发警报，通知相关部门采取必要的措施，实现了对沥青混凝土路面早期裂缝的动态跟踪和及时响应，避免了因延误修复而导致的小裂缝演变成大问题的情况发生。此外，反馈模块记录和管理裂缝信息的能力也为长期的道路健康监测提供了有力支持，促进了公路养护工作的精细化管理和决策科学化。

28、上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，从而可依照说明书的内容予以实施，并且为了让本技术的上述和其他目的、特征和优点能够更明显易懂，以下以本技术的较佳实施例并配合附图详细说明如后。

29、根据下文结合附图对本技术具体实施例的详细描述，本领域技术人员将会更加明了本技术的上述及其他目的、优点和特征。