基于机器学习方法的路面病害检测研究综述

摘要

道路路面的质量状况直接影响其使用寿命和行车安全。路面病害具有机理复杂、形态多样的特点，且在空间尺度上呈现出大样本分布，给度量与标注带来较大挑战，传统检测方法难以满足多场景、多类型病害识别的实际应用需求。本文回顾了机器学习方法在路面病害检测中的重要研究成果，比较了不同识别方法的技术原理和适用性，并总结了公开和私有的路面病害图像数据集。然后，基于三维深度数据对路面病害展开多种特征分析，为挖掘路面病害多元特征与人工智能模型的相互作用提供算法基础。最后，系统性介绍了通用的客观评测指标以保证路面病害智能算法评价的公正性。病害识别经历了传统的阈值分割、面元分类和目标检测并逐步发展到像素级图像分割的趋势，自动识别算法的准确性和通用性得到了大幅度提升。传统机器学习方法和深度学习方法之间仍然可以相互借鉴与融合，以覆盖更多的路面病害类型并促使模型能够学习到更多有效特征，从而提高病害检测精度及效率。现有不同识别算法应以运行时间、显存占比、运算量、识别率作为一致的性能评价指标，并考虑不同道路环境下不同维度的路面病害数据集。未来应研发适应复杂工况的检测与处理方法，提升信噪比与模型泛化能力，推动智能算法在多场景中的落地应用。

关键词

道路工程 / 病害检测 / 机器学习 / 像素分割 / 评价方法

基金资助

国家自然科学基金项目（62206201）; 河南省交通运输厅科技项目（2023-1-1）; 中国博士后科学基金项目（2023M732644）资助