《Technologies》:Intelligent Inspection and Distress Identification for Transportation Subgrades: From Multi-Physics Sensing to Engineering Applications
编辑推荐:
路基易受水文作用、重复荷载和材料退化影响,可能诱发沉降、空洞、松散和差异变形,并最终威胁交通基础设施的安全性与适用性。随着对连续、智能状态评估需求的增长,传统单一模态检测方法在复杂现场环境中日益不足。本文按照“感知—识别—应用”框架综述智能路基检测与病害识别的
路基易受水文作用、重复荷载和材料退化影响,可能诱发沉降、空洞、松散和差异变形,并最终威胁交通基础设施的安全性与适用性。随着对连续、智能状态评估需求的增长,传统单一模态检测方法在复杂现场环境中日益不足。本文按照“感知—识别—应用”框架综述智能路基检测与病害识别的最新进展。总结探地雷达(ground-penetrating radar, GPR)、弹性波测试(elastic-wave testing)、智能压实(intelligent compaction)和嵌入式感知(embedded sensing)等多物理场感知技术,重点讨论其适用病害类型、感知特征和全寿命周期阶段。随后讨论基于人工智能(artificial intelligence, AI)的病害识别与状态预测方法,涵盖图像识别(image recognition)、目标检测(object detection)、语义分割(semantic segmentation)、时间序列预测(time-series forecasting)和物理信息数据融合(physics-informed data fusion)。还考察涉及车辆、轨道、无人机(unmanned aerial vehicle, UAV)和机器人检测平台的工程应用。未来研究应聚焦多源感知融合、数据驱动模型与工程力学的更强集成、跨场景适应性提升,以及检测结果与养护决策的更紧密联系。这些进展有望支持从被动病害检测向主动预测和智能基础设施管理的转变。
1 引言(Introduction)
文章围绕交通路基智能检测与病害识别,指出路基是铁路和公路基础设施的主要承载基础,其服役状态直接影响交通安全、使用寿命与养护成本。既有研究多聚焦单一检测技术、感知监测方法或地下病害智能识别,尚缺乏统一框架解释多感知模态的互补性、智能识别算法与工程检测平台之间的联系,以及检测结果向养护决策转化的完整技术链。文章因此构建“感知—识别—应用”一体化分析框架,将路基典型病害及其物理响应、感知模态、数据特征和适用智能分析任务相联系,并讨论不同检测平台与运行需求下的适用性、现场验证、跨场景泛化、计算效率和工程实施局限。研究采用叙事性与批判性综述方法,通过Web of Science、Google Scholar、ScienceDirect和SpringerLink等检索相关文献,并以主题与比较分析组织证据。
2 路基病害特征与智能检测需求
路基在施工和长期服役中受地质条件、水文环境、施工质量和交通荷载共同作用,可能形成差异沉降、脱空与空洞、翻浆冒泥、湿度异常、软弱夹层和压实不均等病害,其机理与空间尺度各异。尽管成因不同,这些病害最终常表现为介电特性、波速与刚度、应变和沉降异常,构成多物理场检测的物理基础。文章区分“病害”(distress)、“缺陷”(defect)和“异常”(anomaly)等术语,强调异常响应并不必然等同于已确认病害。相较可见的路面病害,路基病害更隐蔽、渐进且环境敏感,检测技术需具备足够穿透能力、深度表征能力、长期连续监测能力,并在温度、湿度、振动和施工条件扰动下保持稳健识别与定量评估。
3 多物理场感知技术
3.1 电磁场感知:探地雷达(GPR)
GPR通过高频电磁波反射与散射无损探测路基内部结构和材料状态,其性能受天线中心频率及介质介电常数、电导率和含水状态控制。低频穿透更深但分辨率较低,高频对浅层异常更敏感但衰减更快,天线频率需依据病害埋深、尺度及材料性质选择。GPR数据可表示为A-scan、B-scan和三维数据体,三维GPR较二维剖面保留更完整空间信息,有利于空洞、脱空等目标定位。脱空与空洞产生电磁属性突变,湿度增加改变介电常数、电导率和衰减,翻浆冒泥常伴随湿度变化与细颗粒迁移。GPR适合大面积快速筛查浅层界面、脱空、空洞和湿度异常,但解释受含水、土类、电导率和现场电磁环境影响,且穿透深度与分辨率存在权衡;异常类型和力学状态确认通常需互补方法。
3.2 弹性波场感知:表面波/瑞利波(Surface/Rayleigh Waves)
弹性波测试由波传播特征推断土体力学状态,常用表面波方法包括谱分析表面波法(spectral analysis of surface waves, SASW)和多道表面波法(multichannel analysis of surface waves, MASW),利用层状介质中瑞利波频散获取剪切波速随深度变化。剪切波速与土体刚度密切相关,可用于识别刚度差异、软弱夹层和压实状态。不同频率分量对应不同有效探测深度,频散曲线提取与反演可获得剪切波速剖面。传统表面波测试需人工激发和布设检波器,效率与空间覆盖受限,铁路环境持续振动亦干扰有效波场提取;采用合适时窗与信号处理仍可获得有用频散信息,但环境噪声会降低信噪比和反演稳定性。表面波检测正向非接触采集、连续感知和自动评价发展,气耦表面波方法结合机器学习与深度学习可用于压实状态识别和压实度预测。其空间分辨率受有效波长和传感器配置限制,更适合评价有限空间范围内整体刚度与软弱区,小空洞和局部脱空宜与高分辨率GPR联合。
3.3 施工阶段连续感知:智能压实(Intelligent Compaction)
智能压实通过振动压路机上的加速度计、定位装置和运行参数传感器实时捕捉压路机—土体相互作用动力响应,评估压实质量与空间均匀性。相较砂锥法、环刀法等点抽检,智能压实连续记录轨迹与响应,提高覆盖度并为实时反馈和自适应施工控制提供数据基础。其核心是由振动响应构建智能压实测量值(intelligent compaction measurement values, ICMVs),常见指标包括压实计值(compaction meter value, CMV)、连续压实控制值(continuous compaction control value, CCV)及基于压路机动力学与能量响应的指标。ICMV并非压实度或模量的直接测量,受填料类型、含水状态、铺层厚度、下层刚度、振动频率与幅值、碾压速度等影响,其与传统指标关系可能随项目、土性和施工条件变化,限制模型可迁移性。研究正转向多源施工参数融合、场景自适应评价和实时质量预测;其优势主要在施工阶段,服役期内部病害与长期变形仍需互补监测。
3.4 服役阶段原位监测:光纤感知(Fiber-Optic Sensing)
嵌入式感知可在长期服役中连续获取应变、温度、沉降和动力响应,为病害演化与性能评估提供时间序列数据。光纤感知因抗电磁干扰、可长距离布设和适合分布式或准分布式测量而受到关注。常用技术包括光纤布拉格光栅(fiber Bragg gratings, FBGs)和分布式光纤感知;FBG通过布拉格波长漂移检测局部应变与温度,可沿光纤复用形成准分布式网络。分布式光纤感知利用光纤散射获取连续空间信息,基于布里渊散射的BOTDR/BOTDA可长距离测量应变与温度,适用于路基沉降和差异变形监测,并可反演沉降剖面。光纤监测优势在于长期、连续、定量服役状态信息,但应用受安装要求和长期传感器可靠性约束,嵌入式光纤通常需施工期安装,既有线路改造困难,长期运行还需处理温度交叉敏感、施工损伤、界面耦合、材料老化和数据漂移等问题,因此更适合关键断面与结构的长期原位监测,而非替代大面积检测技术。
4 智能病害识别与状态预测
4.1 基于GPR数据的智能病害识别
GPR是地下路基病害智能识别的重要数据源,病害信息可从单道A-scan、二维B-scan和三维雷达体中提取。传统方法依赖幅值、相位、频谱和双曲特征等手工特征,深度学习可从原始或预处理雷达数据学习层级表征,在复杂背景下具有更强特征表达能力。按任务目标,现有方法可分为图像分类、目标检测和语义分割:分类模型判断雷达图像或数据段是否含病害及类别,适合大数据快速筛查;目标检测同时输出类别与空间位置,更贴合“发现异常—定位异常”的工程流程,YOLO等单阶段检测器因推理速度较高而应用增多;语义分割通过U-Net等编码器—解码器网络进行像素级分类,可给出病害边界、面积和空间形态,适用于脱空范围、湿度异常区和结构界面变化的定量分析,但像素级标注成本更高。多通道与三维GPR推动智能解释从单幅B-scan向多视图和三维数据扩展,三维信息空间连续性更丰富,但数据量、标注难度和计算负荷显著增加。文章强调,精确率、召回率和平均精度均值(mean average precision, mAP)等指标不能完全表征高噪声条件下误报行为,未来评价应重视误报频率、关键病害漏检及不同土性、湿度和噪声条件下的稳健性;不同研究数值不宜直接视为算法优劣证据,需结合现场数据、测试集独立性、参考标签可靠性和计算需求评价。
4.2 基于压实与沉降时间序列的状态预测
智能压实与长期监测数据具有显著过程依赖和时间结构。施工期CMV、CCV、振动加速度、碾压遍数、行驶速度和含水率等动态变化;服役期沉降与应变测量提供基础设施状态演化时间信息,地下水位波动和温度变化等环境因素亦影响响应。施工阶段数据驱动压实评价主要采用人工神经网络(artificial neural network, ANN)、支持向量机和集成学习建立振动响应、施工参数与压实度或模量间非线性映射;当目标明确依赖连续碾压过程的时间关系时,循环神经网络(recurrent neural network, RNN)、长短期记忆网络(long short-term memory, LSTM)、门控循环单元(gated recurrent unit, GRU)和Transformer等序列模型更具优势,模型选择应由数据结构和工程目标决定。服役期沉降预测更具长期时间行为,受地质、累积交通荷载、降雨、地下水位和温度共同影响,经验与理论模型物理意义清晰但复杂条件下常需参数简化,数据驱动模型可从长期监测记录学习非线性演化;LSTM、GRU通过门控保留历史状态,Transformer利用注意力捕捉时间步关系与长程依赖。但长期监测记录可能含缺失值、异常值和传感器漂移,地质、填料和荷载差异导致分布漂移,极端降雨、地下水突变或施工扰动等低频事件在训练数据中代表性不足,时间序列模型除拟合误差外还应评价跨时段、跨站点和异常工况稳定性。
4.3 少样本学习与物理信息融合
高质量数据不足是智能路基病害识别工程部署的主要障碍之一。路基内部病害无法直接观测,可靠标签常需钻孔、开挖、现场记录或专家解释,样本获取与标注成本高,且正常样本远多于严重病害样本,类不平衡显著。现有有限标签应对方法包括迁移学习、半监督学习和生成式数据增强:迁移学习复用预训练模型或相关任务表征,降低目标场景对大规模标注数据的依赖;半监督学习通过伪标签或一致性学习利用大量无标签检测数据;生成对抗方法可由有限原始样本合成新的病害图像。然而,合成样本是否保持真实电磁传播及跨土类、湿度和病害尺度的响应仍需验证,否则模型可能学习到缺乏物理意义的图像模式。除数据稀缺外,提升物理一致性和跨场景泛化是重要方向。纯数据驱动模型依赖训练数据统计关系,在地质、荷载或环境状态变化时可能退化;物理信息神经网络(physics-informed neural networks, PINNs)将控制方程、边界条件或其他物理约束纳入训练,使预测同时受数据和物理规律约束;工程经验、数值模拟和可解释人工智能方法也可作为物理信息来源,例如以经验关系约束累计变形模型,或用SHAP量化输入变量贡献以增强可解释性和泛化能力。
5 智能路基检测的系统集成与工程应用
5.1 车载与轨载高速检测平台
车载或轨载平台将GPR、相机、激光雷达(light detection and ranging, LiDAR)、惯性导航和卫星定位集成于移动载体,实现公路或铁路沿线快速连续检测。GPR获取路面、道砟和浅层路基内部电磁响应,视觉与激光传感器表征表面病害和几何形态,全球导航卫星系统(global navigation satellite system, GNSS)/惯性导航提供空间定位。相较人工点检,移动平台显著提高空间覆盖,是路网级状态调查和快速病害筛查的重要载体。铁路应用中,车载或轨载GPR已用于道砟与路基内部异常检测,结合卷积神经网络(convolutional neural network, CNN)与RNN等方法可实现多通道大数据自动解释。移动检测数据还可与卫星遥感大面积观测结合,但异构数据集成不仅需空间对应,还需考虑观测频率、测量尺度和不确定性差异;多源监测并不必然意味着同步实时采集,其可靠性依赖时空一致性、地理配准精度和独立验证测量。
5.2 UAV与机器人检测平台
对于边坡、排水设施、桥路过渡段等车辆难以进入区域,UAV和机器人可提供更灵活的自主检测。UAV可搭载可见光相机、红外热成像和LiDAR快速采集大面积表面影像与三维地形数据,适合边坡变形、侵蚀、水毁和环境异常快速调查。红外热成像可利用病害区与完好区热传递差异辅助识别浅层结构异常,UAV红外热成像结合深度学习已用于道路结构表面缺陷和浅层空洞检测;但UAV结果对飞行高度、速度、图像重叠度、光照和天气敏感,作业参数直接影响数据质量与后续识别。地面移动机器人更适合近距离、高频和可重复自主检测,可搭载相机、LiDAR、红外和环境传感器检测重点路段、边坡及附属设施,提供更稳定近场观测,并可结合自主定位与边缘计算进行现场目标识别;其移动性受地形约束,对路基体内部病害应用仍相对有限。UAV与机器人主要应视为车载/轨载检测的补充,深层脱空、软弱层和内部湿度异常仍需GPR、弹性波或原位感知确认。
5.3 多源感知融合与智能诊断系统
不同平台和传感器信息在物理意义与时空尺度上具有强互补性:GPR主要反映地下介电特性和结构变化,弹性波表征力学状态,视觉与LiDAR提供表面几何和病害信息,合成孔径雷达干涉测量(interferometric synthetic aperture radar, InSAR)捕捉大尺度长期地表变形,嵌入式传感器连续记录局部应变、沉降和环境变量。工程检测系统的关键并非简单增加传感器,而是将不同空间尺度、采样率和物理机制的数据关联至统一线路位置与结构对象。多源系统需首先解决数据同步与空间配准:移动检测中传感器采样率、触发机制和安装位置不同,时间误差随车速转化为空间偏移;统一时间基准、GNSS/惯性定位、外参标定和里程坐标变换可将GPR、视觉和LiDAR结果映射至统一线路坐标。时空对齐后可在特征级或决策级融合,将介电异常、几何变形、沉降趋势和环境变量等模态特征结合,构建综合状态表征并降低单一信号受环境变化或噪声影响导致的误判。随着检测数据增长,智能诊断还需从离线处理转向现场在线分析,车载工业计算机和边缘计算设备可在检测中完成预处理、模型推理、异常定位和结果上传,逐步形成“采集—分析—报警”连续流程。系统级可靠性评价除模型精度和推理速度外,还应报告时间戳同步误差、空间配准精度、端到端处理时延、数据丢失率、检测覆盖率和不同运行速度与环境条件下重复性。
5.4 工程验证与应用评价
工程部署最终取决于检测结果是否准确反映真实病害状态,以及系统能否在跨线路、跨环境和跨运行条件下保持稳定、可重复性能。现有研究常用准确率、召回率、F
1分数、mAP和预测误差评价智能模型,但这些指标只表征特定数据集性能,不能完全代表现场可靠性;工程评价还应考察传感器采集稳定性、空间定位误差、批次间一致性和环境变化下重复性。对于路基与轨道下部结构内部病害,现场真值应尽可能通过钻孔、开挖、取样、压实度或模量测试、沉降观测和修复后验证等独立方法获得,再与无损检测和智能识别结果比较。长距离移动检测还应考虑定位误差、复测重复性,以及同一异常能否在不同季节、运行速度和环境条件下被一致识别。工程评价还应延伸至检测效率、设备可靠性、运行安全性和经济性:车载/轨载系统需评价单位时间线路覆盖、检测速度对数据质量影响和长期设备稳定性;UAV与机器人系统需评价恶劣天气、地形和通信条件下任务完成能力;在线诊断系统需评价计算资源需求、端到端时延和现场故障率。检测结果须转化为病害等级、风险优先级和养护优先级,并通过修复后状态与长期性能验证形成工程反馈闭环。经济性应覆盖平台集成、标定、日常运行、维护、数据存储处理、软件开发和人员培训等全寿命周期成本。标准化方面,ASTM D6432-19、ISO 18674-1:2015、JTG 3450—2019和JTG F80/1—2017等为GPR地下探测、岩土监测、公路路基路面现场测试和质量检验评价提供方法指导,但其范围不同,不能视为可互换的自动路基病害识别标准,尤其尚缺面向AI识别、跨站点泛化、不确定性评估和自动养护决策的统一性能要求。因此,评价应由“模型精度评估”扩展为“检测精度—系统稳定性—工程效率—养护效益”的多层次框架。
6 结论(Conclusions)
文章总结指出,路基病害具有多物理响应特征,不同检测技术针对不同病害类型和全寿命周期阶段具有互补优势:GPR有效反映内部结构异常和介电变化,弹性波方法表征力学状态,智能压实适合施工质量控制,光纤等原位感知支持长期状态监测。未来感知系统应强调多物理信息协同融合,而非以单一技术替代所有方法。AI正推动路基检测从人工解释向自动识别和状态预测发展,分类、目标检测、语义分割和时间序列模型已广泛用于GPR图像、振动信号和沉降监测数据;主要挑战正由网络结构优化转向高质量数据获取、跨场景泛化和模型可信度,未来需加强数据标准化并深化数据驱动方法与工程物理的融合。智能检测系统的工程应用不仅取决于检测精度,还取决于现场验证、设备可靠性、运行效率和养护价值;车载、轨载、UAV和机器人平台提高了自动化水平,但多源数据融合、长期稳定运行及检测结果向养护决策转化仍是工程发展的重要方向。最终,应建立标准化工程数据体系,提升模型跨区域、跨设备和跨环境适应性,强化检测结果、风险评估、养护决策与修复反馈之间的联系,形成“感知—识别—诊断—决策—反馈”闭环,实现从状态检测向主动预测和智能基础设施管理的转变。