英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
路面状况评价中道路的多个缺陷检测
Stefania C. Radopoulou, scr58@cam.ac.uk
英国剑桥大学
Ioannis Brilakis, ib340@cam.ac.uk
英国剑桥大学
摘要：
路面状况评估是路面维护的前提条件。 最先进的做法主要是手动的，只有0.8％的检查使用昂贵的专用车辆进行数据采集的自动化。 这个昂贵和耗时的任务可能是通过将每天的道路使用者变成无所不在的路面检查员使用预先存在的汽车传感器来完成的。目的是自动化检测路面缺陷。 本文提出了语义文本森林（STF）算法在自动检测普通停车照相机拍摄的视频帧中的补丁，坑洼和三种裂纹的应用。 该原型已在C＃中实施，并使用从英国剑桥市的当地道路采集的实际数据进行验证。 初步结果表明STF在路面上的成功应用所有测试的精度达到70％，大多数缺陷的精度超过75％。
关键词：
道路缺陷，自动检测，道路监控
- 介绍：
道路不仅对于经济繁荣，而且对于社会和环境而言至关重要，因为它是连接企业和社区的手段之一。道路维修是地方议会的一个非常重要和重大的挑战，原因有两个。一方面，道路网络正在老化，另一方面，用户期望要求高质量的道路（英国道路联络组织2013）。例如，英国61％的商业领袖将国家的道路网与国际基准相比较，50％的受访者抱怨过去五年来的恶化（CBI和毕马威2011）。
准确的路面状况数据对于有效设计，规划以及道路维修计划的决策是至关重要的。路面状况评估旨在检测和识别缺陷的严重程度。目前的过程包括三个步骤：（a）数据收集，（b）检测缺陷和（c）缺陷的严重性评估。
步骤（a）可以用专用车辆进行，也可以通过人工视觉调查进行。对于后者，步骤（b）同时进行。专用车是配备了几个传感器，如激光扫描仪，道路剖面镜和相机。目的是获取道路的纵向和横向轮廓，并捕获所有公路资产的图像（Fugro Roadware 2010; Highways Agency 2008; UKPMS 2005）。然而，这些车辆是昂贵的，无论是购买（约50万英镑，取决于所包含的传感器）和运行（每公里20英镑到40英镑之间）（Werro 2013）。因此，他们是通常每年仅使用一次（MnDOT 2009），仅在主要道路网络上使用。
在英国，主要的道路网络（#39;A#39;级）占9.6％国家的整个网络（Williams 2013）。剩余90.4％用手动检查 。这样的调查也在A类路上进行，检查员通过网络驱动低速（SDDOT 2009）可以实现视觉效果检测缺陷。 而且，手持设备也用于收集数据沿着路面行走（UKPMS 2005）
使用a收集数据时专用车辆，步骤（b）和（c）由使用多个技术人员执行屏幕查看和分析收集视频，图像和传感器数据进行识别有缺陷和评估的地区道路状况（FHWA 2003; MnDOT2003）。 在手动视觉调查的情况下，检查员需要上传所有收集信息到数据库进行数字化。 这个不仅包括缺陷的图像，而且还详细说明了情况在调查期间遇到（例如，缺陷，地理位置，紧急情况维护等）。 虽然指南和用于评估的手册缺陷写得好可靠，技术人员的主体性是不可避免的由于他们的水平不同而引进经验（Bianchini等人，2010）。
当专用车辆被使用时几乎不可能分析整个收集数据量。 通常，只有10％每条道路的数据用于后期处理（MnDOT 2003）。 很明显目前的做法是乏味的，费力和费时费力。
本文着重于自动化步骤（b）并提出一种方法同时检测几个缺陷。它是基于将任务众包到日常道路使用者并将其有效地转化为普遍存在的路面检查员的想法，开发可负担得起的自动化路面状态监测过程的更大项目的一部分。这个想法是通过已经存在于诸如停车照相机的车辆中的传感器来实现这一点，以保持低成本。许多汽车都有这样的相机，只有当汽车以倒档驱动时才能运行。如果这些摄像机始终运行，则可用于道路监控。假设应用监督学习算法，如语义文本森林（Shotton et al。2008）可以同时检测范围视频帧中出现的缺陷比独立算法更有效。该本文的范围仅限于以下缺陷：鳄鱼裂缝，横向裂缝，纵向裂缝，斑块和坑洼。
2. 道路缺陷检测研究现状和分类：
已有许多研究方法提出了裂纹检测（Gavilaacute;net al。2011; Ghanta等人2012;靖和爱琴2010），实时裂解分析（Huang and徐2006; Maode等2007; Sy et al。 2008），裂纹分类（Moghadas Nejad andZakeri 2011; Salari and Bao 2011;莹和Salari 2010）和裂缝密封（Haas 1996;Kim等人2009）。其他方法有专注于检测坑洼（Koch和Brilakis 2011;林和刘2010），跟踪他们在视频（Koch et al。2012b）和测量其性质（Koch et al。2012A）。这同样适用于路障（Radopoulou和Brilakis 2015;Battiato等2007; Cafiso等人2006;姚等
人。 2008）。
提出了一种同时检测缺陷范围的方法（Zhou etal。 2006）。该方法仅识别图像中存在缺陷;它不能识别图像或其类型中缺陷的位置。文献中没有一种可以通过单一方法检测道路缺陷的类型和位置的方法。这样的方法是必要的，因为许多道路缺陷共享相似性，并且对于手动检查者是非常常见的，并且对于基于视觉的检查算法更是如此，以错误地识别另一个。实质上，不考虑分类过程中的阶级差异。
同步分割（将图像分离成包含相同的区域对象）和图像中的多个对象类型的识别（识别）是可能的（Shotton等人2009; Uijlings等人2010; Zhang et al。2007）与机器学习多分类器算法。 该算法最初训练有尽可能多的感兴趣对象类型的图像。 训练图像包括各种对象的姿势，以涵盖所有可能的外观，并允许算法被正确训练。 在这个阶段，特征描述符如SIFT（缩放不变特征变换）（Lowe2004）和SURF（加速稳健特征）（Bay等人2008）从图像的小区域提取，以创建视觉词典的码本。 码本中的字对应于图像区域。测试时，图像被分割并分类为预先定义的类
语义文本森林（STF）是一种这样的算法（Johnson和Shotton 2010）。但是，它使用内核特征而不是特征点。 STF是随机的决策林（图1a），它们是由多重决策组成的分类器树（Geurts et al。2006）。他们接受了一大堆语义教科书的训练（图1c）。给定一个具有固定大小的像素块（图1b），提取图像特征在培训过程中形成语义语篇包。树的每个节点被分配一个表示其概率的类分布，以及二进制函数使用语义文本中的原始像素值创建。那些是在学习的通过从特征的一小部分中随机选择训练过程从训练图像中提取出来。这种策略确保更快的速度并避免过度配合（Johnson和Shotton 2010）。除了像素级功能外，上下文信息也涉及到分类。因此，STF正在使用局部语义文本作为特征述符和随机决策树作为分类器。
（a）
（b） （c）
图1（a）随机决策树，（b）指定大小的像素补丁，（c）语义教科书（Shotton etal。2008）
为了满足本文的目的，即自动化检测道路缺陷，我们测试是否可以有效地检查一系列缺陷的类型和位置。范围仅限于鳄鱼，纵向和横向裂缝，坑洼和斑块的缺陷。用于训练和测试算法的数据库由视频形成使用与停车照相机相同标准的相机收集; 无论是其规格还是在车辆后方的位置。
3.研究方法：
测试上述假设的研究活动如图2所示。最初，逐帧处理道路视频数据，准备地面真实数据。在此步骤中，每个视频帧分配以下元数据：
1）是否包括道路缺陷，
2）它包括的缺陷的类型（如果有）和
3）每个缺陷的区域/位置。
描述缺陷的两个视频帧副本单独保存形成用于训练和测试STF的数据库。一个副本是视频帧的实际图像，另一个是分段的地面真相手动执行细分是为了标记图像中缺少缺陷的区域。每个道路缺陷用不同的颜色表示（表1）。图3中可以看到描绘道路缺陷和地面实况副本的视频帧的一些示例。不代表任何兴趣类别的视频帧的部分是标有黑色。
随机选择存储在先前创建的数据库中的视频帧培训目的。地面真相副本用于识别缺陷区域在视频帧内的位置，实际图像用于“学习”每个缺陷的特征。当算法完成训练时， 语义文本林准备好进行测试。在这个阶段，使用来自同一数据库的随机选择的视频帧来评估森林。在这种情况下，这些帧的基本真实性被用于验证。算法的最终输出是由训练期间形成的森林生成的视频帧的分段版本。
路视频帧
检测塌陷区的路况视频
检测
缺陷
区
图2测试STF检测道路缺陷类型和位置的适用性的研究活动
图3描绘道路缺陷（左列）及其地面实况（右列）的视频帧示
表1：道路缺陷类型及其代表颜色
缺陷类型 颜色
|
鳄鱼裂 绿色 |
|
纵向裂纹 红色 |
|
横向裂纹 蓝色 |
|
表2用于数据的相机的特性采集 |
|
惠普精英 灰点相机 自动对焦摄像头 |
|
图片 640 x 480 800 x 500 解析度 |
|
水平视角 ~50 omicron; 133 o |
|
每秒帧速率 30 50 |
|
颜色 RGB 单色 （灰色） |
|
补丁 黄色 |
|
坑洞 粉红色 |
空虚 黑色
4.实验设计，实施和结果:
最初，使用HP Elite网络摄像头来模拟低分辨率停车照相机。 它位于汽车后部（图4），数据来自英国剑桥的当地街道。 相机的特点可以在表2中找到。在准备地面事实的步骤中形成了230个视频帧的数据库。
为了验证算法的性能，使用四个度量; 两个用于测量总共的STF的性能，这是整体的准确性和平均精度和两个用于测量STF如何分别执行每个缺陷的平均精度和曲线下面积。 总体准确度是正确分割的像素的总比例。 平均精度是每个类别中正确检测到的像素的平均比例。 平均精度是正确检测到的像素（True Positive，TP）在正确和不正确（False Positive，FP）之和的分数之后，检测到的像素。 最后，曲线下面积（AuC）是TP绘制时相对于FP所覆盖的面积; 大型AuC表现更好。
影响性能的不同参数的几种组合测试STF算法。 具体来说，5个补丁大小和4套最大树测试深度。 他们提供的具体组合和准确性总结在表3中。关于每个缺陷的结果分别是总结在表4中。
实验继续，利用Point Gray Blackfly 0.5 MP（PG相机）相机（更多规格参见表2）。 本相机具有与非典型停车照相机相似的规格，在研究相关市场和汽车制造商网站后被罚款。 与以前使用的相机相比的主要区别是：1）更高的分辨率，2）更宽的视角和3）更高的帧速率。 在从剑桥当地街道捕获道路视频后，形成了一个517个视频帧的数据库。
这一次增加了一个类别; 这是健康的类别路面。 在准备时用于标记这些区域的颜色地面真相是灰色的。 在此测试的STF的不同参数的组合数据库及其整体性能可以在表5中看到。他们在每个缺陷上的单个性能总结在表6中。STF的性能的典型示例对于上述实验，数据中汽车的速度为15km / hr
采集。 该信息与摄像机的帧速率一起定义了帧/米比。 在第一组实验中，这是〜7fr / m，其中翻译为7,000fr / km。 其次是〜11fr / m，即11,000fr / km。可以在图5中找到。
视频数据在本地保存，并使用台式机（Intel）进行后处理Core i7 @ 3.4 GHz，8GB Ram）。 由于相机的图像分辨率低，存储的视频文件尺寸较小。 收集的内容从155MB到1GB不等取决于每个的持续时间。
5.结论
目前的研究一直侧重于自动化不仅收集的过程道
全文共9427字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[143078]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
