《Future Transportation》:Inspection and Evaluation of Urban Pavement Deterioration Using Drones: Review of Methods, Challenges, and Future Trends
城市区域的快速增长增加了对更高效路面检测与维护方法的需求。然而,传统技术仍然缓慢、劳动密集且空间覆盖有限,其性能受到交通、天气条件和操作限制的强烈影响。为应对这些挑战,有必要综合那些相比传统方法能够提高检测效率、覆盖范围和数据质量的技术进步。本文中,研究人员对使用无人机(unmanned aerial vehicles, UAVs)监测和评估路面劣化的最新技术进行了系统综述,强调了作为关键贡献的传感器(摄影测量photogrammetry、LiDAR和热成像thermography)与近期自动损坏检测算法的比较整合。采用了结构化的综述方法,包括对基于UAV的路面评估专业研究的搜索、选择和批判性分析。结果表明,UAV摄影测量可以在三维重建中实现亚厘米级精度(<1 cm),LiDAR系统可以改善变形检测达35%,基于AI的算法相比人工方法可将裂缝识别准确率提高10%到25%。最后,综合表明多传感器融合和数字孪生(digital twins)在增强预测性维护和支持向更智能、更可持续的城市基础设施管理策略过渡方面具有巨大潜力。
1. Introduction
该部分指出城市道路基础设施面临的压力,传统检测方法(视觉检查和人工测量)存在缓慢、劳动密集、覆盖有限、受交通和天气影响的局限性。无人机(UAV)作为有前景的工具被引入,结合摄影测量(photogrammetry)、LiDAR和热成像(thermography)等传感器及自动损坏检测算法。该综述系统性整合、比较和批判性评估基于UAV的方法,强调多传感器数据融合、地理空间分析和人工智能(AI)算法,创新点在于将UAV系统与数字孪生(digital twins)和预测性维护框架结合,为智能城市基础设施管理提供概念和技术基础。
2. Materials and Methods
该综述采用PRISMA 2020方法进行系统文献检索,数据库包括Scopus、Web of Science和Google Scholar,关键词组合涉及无人机、路面、损坏等。共识别43篇记录,筛选后最终纳入26篇研究。同时进行了文献计量分析(使用VOSviewer)和定性偏倚风险评估,并在开放科学框架(OSF)注册以确保透明度和可重复性。
2.1. Search Strategy and Databases
搜索策略基于初步文献综述定义的关键短语,组合了UAV、路面和数据采集技术相关词,时间范围为2010年至2025年,重点考虑2023-2025年的方法论成果。
2.2. Screening and Eligibility (PRISMA)
根据PRISMA流程,排除重复和非相关研究后,35篇全文文章通过预设纳入标准评估,最终26篇纳入定性综合。排除标准包括非城市应用、缺乏UAV路面检测或传感器相关不足。
2.3. Bibliometric Analysis
使用VOSviewer处理Scopus和Web of Science导出的元数据,生成关键词共现图和合作网络,以识别研究趋势、主要作者和国家。
2.4. Risk-of-Bias Qualitative Assessment
由两位独立评审员基于方法清晰性、UAV数据采集透明度、模型稳健性和结果一致性进行定性偏倚评估,分歧通过协商解决,未使用自动化工具。
2.5. Systematic Review Registration
该综述在OSF注册,注册记录公开发布,以确保透明度和方法严谨性。
3. Data Processing and Damage Detection Techniques
该部分描述四种主要方法:常规摄影测量处理、计算机视觉与深度学习算法、混合模型或集成流程、以及使用先进传感器(LiDAR、热成像和超光谱)。从路面劣化角度,裂缝被视为最基本的损伤机制,坑洼是裂缝发展的后期结果。
3.1. Conventional Photogrammetric Processing
常规摄影测量技术生成正射影像、数字表面模型和三维点云,实现高精度几何重建。Structure from Motion(SfM)在低空飞行中达到亚厘米级精度(<1 cm),如Inzerillo等的研究。Santos等通过计算路面状况指数(PCI),验证了UAV摄影测量足以进行几何分析和初步诊断,检测裂缝、坑洼和变形。
3.2. Computer Vision and Deep Learning Algorithms
深度学习检测模型如YOLOv3、YOLOv8和RT-DETR用于裂缝分类和分割。研究表明这些模型比传统方法更鲁棒,但受光照和纹理影响。例如,Wang等优化的RT-DETR达到mAP50为72.3%,参数减少超50%;Shadrach等结合ResNet和YOLOv8实现超92%的准确率。不同架构存在权衡,单阶段检测器对小裂缝困难,复杂架构计算需求高。
3.3. Hybrid Models or Integrated Pipelines
混合模型结合摄影测量的几何可靠性、深度学习的分类能力以及预测和成本模块。Ngoc开发集成CNN(ResNet-18和MobileNet)、马尔可夫模型和财务模块的框架,实现损伤分类、退化预测和维护成本估算,但损伤分类精度受类不平衡影响(66-69%)。其他方法如Naddaf-Sh等结合优化CNN与连通性算法,实现近实时裂缝制图。
3.4. Use of Advanced Sensors: LiDAR, Thermal and Hyperspectral
先进传感器扩展了检测能力。超光谱传感器检测材料和水分变化,反射率误差2-2.5%;热成像与RGB结合检测地下热异常,分类精度近95%;移动LiDAR提供高精度变形检测。多传感器集成(RGB、热、LiDAR、超光谱)能同时评估几何、纹理、温度和光谱特征,显著提升诊断可靠性。
4. Applications and Case Studies in Urban Environments
该部分强调实际应用场景,讨论UAV、摄影测量和机器视觉算法在市政道路网络、高需求走廊、深度学习操作部署、集成诊断框架及后干预监测中的部署。
4.1. Municipal Road Networks and Urban Streets
Buchari等使用航拍摄影测量检测马来西亚道路网络,生成纠正数字高程模型和正射影像,测量损伤长度、宽度和深度,精度接近98%,单日内完成维护优先级排序。
4.2. Urban Corridors with High Demand and Continuous Traffic
Santos等使用Mavic 2 Pro生成正射影像和三维模型,推导PCI,平面误差<2 mm,高程误差<10 mm,无需车道封闭。Fakhri等使用摄影测量和监督分类,总体精度近96%,验证了UAV可替代传统现场检测。
4.3. Operational Deployment of Deep-Learning–Based Damage Detection in Urban Environments
Li等使用YOLOv3同时检测六种路面损伤,mAP50为56.6%。Wang等优化RT-DETR,mAP50达72.3%,参数量减半。Shadrach等集成ResNet与YOLOv8,在可变光照下检测坑洼,准确率超92%,整体精度近98%,适合实时和大规模检测。
4.4. Integrated Diagnostic, Prediction and Costing Frameworks
Ngoc在胡志明市开发框架,结合UAV、CNN和马尔可夫模型,预测十一种路面类别的退化演变,并估算维护成本。尽管损伤分类受数据不平衡影响,但退化水平分类准确率66-69%,为复杂城市路网决策提供量化基础。
4.5. Post-Intervention Monitoring, Urban Hotspots, and Autonomous Inspection Systems
Garilli等使用摄影测量重复调查,监测冷拌修复材料的性能,通过时间点云比较检测沉降。Kulhandjian等开发无GPS自主道路检测系统,结合光学和热像仪,使用深度神经网络和Faster R-CNN进行实时分析,检测表面和地下热异常。Al-Rubaee等展示表面劣化指数(SDI)可受益于UAV和AI数据,减少主观性。
5. Bibliometric Analysis of the Literature (2010–2025)
文献计量分析使用VOSviewer,基于26篇研究揭示关键词、作者和国家网络。
5.1. Co-Occurrence of Keywords and Thematic Structure
关键词共现图显示三个集群:UAV与摄影测量(涉及路面劣化、表面监测);计算机视觉与深度学习(涉及损伤检测、神经网络);基础设施应用(涉及天线、机动化交通)。表明研究向混合方法学转变,摄影测量与分割及深度检测算法互补。
5.2. Geographical Distribution and Temporal Evolution
中国发表量最大(11篇),其次意大利和美国(各4篇),印尼、日本、奥地利紧随。时间演化显示早期贡献来自西班牙、巴西和越南(约2020-2021),近期中国、伊朗、印度主导(2023-2025),反映了深度学习全球采用和UAV传感器成本降低。
5.3. Intensity of Citation and Sources of Scientific Impact
引文热力图显示中国影响力最大,意大利、印尼、美国、日本贡献突出。巴西和西班牙在早期研究中引文高峰明显,而墨西哥、波兰、葡萄牙处于边缘,显示增长潜力。
5.4. Integrated Bibliometric Trends and Research Implications
三个趋势:方法论收敛于深度学习与摄影测量;最新贡献集中于亚洲;研究转向智能城市系统、数字孪生和连续监控。对实践者和研究者提出行动建议:优先集成检测管道、标准化评估指标、开发开放多区域数据集。
6. Research Challenges and Gaps
该部分总结阻碍广泛采用的技术、方法和实施挑战。
6.1. Data Limitations and Generalization of the Model
数据质量和代表性不足:多数研究依赖受控条件下的RGB图像,缺乏对不同光照、阴影、表面污物的泛化能力。类不平衡(如坑洼样本少)和地理范围局限导致模型捕捉局部模式。需要多区域、多气候数据集以提高鲁棒性。
6.2. Focus on Visible Surface Damage and Limited Multisensory Integration
多数研究集中于可见表面损伤,忽略内部水分、粘结剂退化和分层。仅少数使用超光谱或热成像传感器,但未集成自动分类。多传感器融合仍为未来方向。此外,早期微裂缝在RGB系统中难以检测,需补充嵌入式传感技术如光纤布拉格光栅(FBG)传感器,但其为接触式且非侵入性受限。
6.3. Computational Complexity, Limited Resources and the Gap with Developing Countries
高级深度学习模型计算资源需求高,对低成本平台不友好。低成本摄影测量方法缺乏自动化,依赖操作员技能。发展中国家面临精度、成本和复杂性的平衡,UAV摄影测量是成本效益选项,但AI集成有限。
6.4. Lack of Standardization, Comparable Metrics and Integration with Road Management
缺乏标准化采集协议、评估指标和基准。不同研究使用不同指标(mAP、精度、召回率等),难以直接比较。多数研究仅停留在检测,未集成到维护决策系统。需要标准化框架,包括采集协议、开放数据集、可比指标和与GIS、IoT平台的集成。
7. Future Directions for Research and Technological Perspectives
未来方向包括:提高UAV在密集城市环境中的操作自主性(自适应路径规划、实时处理);多传感器融合(RGB、热、LiDAR、超光谱同时集成)作为核心设计原则;采用先进AI架构(视觉Transformer、生成模型、多模态框架);构建城市数字孪生用于预测性维护;标准化采集、处理和评估协议,以推动UAV检测成为官方道路维护规范。
8. Conclusions
该综述结论:UAV结合摄影测量、深度学习和先进传感器成为评估城市路面的综合方法。摄影测量提供准确几何重建(平面误差<2-10 mm),深度学习提升自动检测(mAP50在56%-72%,特定损伤分类准确率>90%),多传感器方法扩展检测范围。文献计量显示中国、意大利和美国主导。挑战包括数据多样性、标准化和模型泛化。未来应发展标准化框架、开放多区域数据集和多传感器数字孪生,以推动从实验研究向可扩展操作工具的转型。