裂缝是最早出现且最普遍的路面损坏形式之一，直接影响路面的性能和服务寿命[1]。沥青是决定路面结构整体耐久性和运行安全性的基本材料。长期暴露在风化条件、降水和机械应力下，往往会在沥青路面的表面和内部层产生不同程度的裂缝[2]。这些裂缝不仅影响路面性能，还会加速路面劣化并危及驾驶安全。如果不及时干预，这些裂缝往往会发展成严重的结构损坏，缩短路面的服务寿命，需要提前进行修复或重建[3]。因此，由于裂缝是最常见的路面缺陷之一，其自动化检测对于有效的路面维护和管理至关重要[4]。
由于复杂的背景纹理、粗糙的路面表面、严重的噪声干扰以及裂缝与阴影之间的高度视觉相似性，准确检测沥青路面裂缝仍然具有挑战性。这些因素大大降低了实际场景中裂缝识别的准确性。目前，路面检测仍然主要依赖于手动或半自动化方法，这些方法劳动强度大、耗时、成本高，且对检测人员有时存在安全隐患[5]。低成本、高分辨率、可靠且用户友好的视觉传感技术（如数码相机）的进步，极大地促进了基于视觉的自动裂缝检测[6]。当传统检测方法无法满足效率和安全性要求时，计算机视觉技术提供了一种有前景的自动化替代方案[7]。然而，裂缝图像具有独特的特征，这使得检测过程变得复杂。裂缝通常具有极高的长宽比、低色彩饱和度和低对比度。此外，裂缝区域与非裂缝区域之间常常存在严重的类别不平衡[8]。在大规模图像中，狭窄的路面裂缝宽度往往小于五个像素，其前景与背景的比例较低，进一步增加了裂缝识别的难度[9]。此外，变化的光照条件、多样的裂缝形态、不可避免的阴影以及与周围环境的低对比度，使得从图像中精确且稳健地识别路面裂缝成为一项具有挑战性的任务[10]。
近年来，基于图像的裂缝检测方法作为传统检测技术的有效替代方案应运而生，大致可以分为基于图像处理的方法和基于学习的方法[11]。图像处理技术逐渐被集成到机器学习中，以开发用于路面损坏检测的先进计算机视觉模型。图像处理技术从路面图像中提取有用特征，然后机器学习算法基于这些特征进行模式识别[12]。图像处理有效地识别裂缝纹理，而机器学习则能够对裂缝与干扰成分进行分类和区分[13]。结合传统图像处理技术（如边缘检测或阈值处理）与深度学习（DL）的混合方法，在复杂的路面环境中表现出更好的鲁棒性[14]。因此，基于DL的计算机视觉技术代表了裂缝检测领域的重大进展，提供了准确、经济且安全的自动化检测解决方案，特别是在道路结构健康监测和维护方面。
随着计算机视觉的快速发展，端到端的DL模型已被广泛应用于沥青路面裂缝检测。最近的研究通过引入更丰富的注意力机制和混合金字塔结构（PCSNet）来改进3D沥青表面的裂缝分割，这些方法有助于重建完整的裂缝几何形状并更好地保留裂缝边缘[15]，利用全局上下文信息的金字塔和注意力基检测网络用于处理复杂的裂缝拓扑[16]，以及保留连接性和环路等几何特征的地形信息学习策略[17]。这些进步使图像分割成为路面裂缝分析的主要研究焦点。在沥青裂缝分割任务中，主要目标是识别具有统一或相似特征的区域，并突出相邻区域之间的对比度，从而能够从复杂的背景中提取裂缝。不明显的裂缝边界和复杂的环境条件限制了传统方法的应用。与这些传统方法不同，基于DL的分割方法利用高级语义信息和用户输入来区分前景和背景区域，从而提高检测准确性[18]。语义分割在像素级别操作，以识别裂缝并捕获其位置、大小和形状等关键属性。这种能力为基于DL的裂缝检测定义了一个重要的发展方向[19]。作为一种以像素为驱动的方法，语义分割直接从背景中分离出裂缝，并生成详细的裂缝形状和分布图[20]。然而，大多数现有的分割模型都是为定义明确的对象设计的，它们在复杂和非结构化路面条件下检测极细长裂缝的有效性尚未得到充分研究[21]。
为了在各种噪声成像条件下提高沥青裂缝分割的性能，一些研究人员使用了三维（3D）裂缝信息来提高检测准确性，例如通过将点云技术与DL结合[22]、[23]。由于二维（2D）图像无法提供准确的深度信息，3D裂缝数据对于道路维护和修复至关重要[24]。与2D图像相比，3D数据通常对环境变化不太敏感，并为裂缝特征提供了更稳定的几何信息[25]。随着传感和图像处理技术的进步，3D路面检测方法目前已经发展成熟，并显示出强大的应用潜力。例如，激光扫描系统可以捕获裂缝的3D点云数据，从而实现更准确的自动检测[26]。然而，路面裂缝的不确定性和分布变化在直接处理点云数据和在复杂的大规模道路环境中准确提取裂缝方面带来了重大挑战[27]。基于激光的3D成像方法也对环境光照非常敏感，干扰可能会引入大量噪声[28]。此外，激光系统通常需要昂贵的硬件，这降低了它们的实际可行性[23]。而且，点云数据的采集和处理通常伴随着较高的时间和计算成本，特别是在大规模路面检测场景中，数据量显著增加，后处理复杂性也随之增加，限制了及时应用。因此，高效的3D图像处理技术已成为提高裂缝检测准确性的实用替代方案，同时降低了计算复杂性。
阴影浮雕是一种3D图像处理技术，它将空间数据计算与图像可视化相结合，以增强表面起伏效果。通过使用高程信息模拟光照条件，阴影浮雕通过光影对比突出微小的高度变化和纹理变化。该技术计算图像像素的坡度和朝向，生成阴影浮雕，然后将其与高程颜色带结合，生成具有增强视觉效果的3D图像。微小的高程变化或纹理变化通常伴随着裂缝。阴影浮雕通过光影对比突出裂缝深度和高度的变化，从而增强裂缝边缘的可见性和深度差异，使裂缝轮廓和方向更加清晰。调整光源的方位角和高度角可以增强裂缝周围的阴影对比度，从而提高它们与背景的视觉分离度，便于基于图像的DL或计算机视觉算法的有效识别和定位。这种方法降低了误检测的概率，并提高了可靠性。适当调整Z因子与裂缝深度的比例可以增强裂缝的3D视觉表现，从而减少来自复杂纹理或反射表面的干扰，使细小裂缝更加清晰可见。因此，阴影浮雕不仅提高了视觉可解释性，还有助于提高自动化裂缝检测算法的鲁棒性和稳定性。
在本研究中，阴影浮雕被引入作为一种轻量级的输入表示策略，用于沥青裂缝分割，而不是作为一种新的分割架构。关键思想是将微小的表面不连续性转化为更具辨别力的光影模式，从而在语义分割之前提高裂缝与背景的可分离性。与依赖传感器的3D方法（如LiDAR、立体视觉或基于点云的系统）相比，所提出的流程更简单、成本更低，且更容易集成到现有的基于图像的检测工作流中。因此，本研究的重要性不在于提出一种全新的深度学习架构，而在于证明基于阴影浮雕的表示可以作为一种实用且可重用的增强模块，用于复杂路面条件下的多种已建立的分割模型。
在本研究中，提出了一种基于阴影浮雕的3D图像处理方法，以增强沥青路面裂缝的阴影对比度和与深度相关的特征，并结合基于DL的语义分割。该方法还比较了不同裂缝分割架构在RGB和3D图像上的性能。本研究的主要贡献总结如下：
(1)引入了一种基于阴影浮雕的输入构建流程，通过光影对比增强微小的裂缝相关表面不连续性，为沥青裂缝分割提供了一种实用的3D增强表示方法，而无需依赖昂贵的3D传感设备。
(2)该研究系统地评估了这种表示方法是否可以通过统一的实现和训练协议改进七种已建立的语义分割架构（U-Net、PSPNet、DeepLabv3、SAMLoRA、Mask2Former、OCRNet和UPerNet）的裂缝分割性能。
(3)该研究通过评估分割准确性、对复杂干扰的鲁棒性以及在公共和现场验证数据集上的计算效率，证明了所提出表示方法的工程实用性。
部分摘录
文献综述
机器学习算法使用数据作为输入来学习模式并生成预测。然而，传统算法缺乏内置的特征提取能力。因此，通常首先应用Hough变换和小波基方法等特征提取技术到图像中，然后机器学习算法使用提取的特征进行预测和分类[29]。这些传统方法严重依赖于低级特征，如
方法论
基于DL的图像分割技术可以为每个输入图像生成密集的像素级预测，分配语义标签（语义分割）或检测和分割感兴趣的个别对象（实例分割）。这些技术在基准数据集上通常能够达到最先进的准确率[35]。它们在像素级分类方面的能力使得捕捉对象之间的空间关系和细粒度细节成为可能，使其在图像处理中非常有价值
结果与讨论
为了验证所提出方法的有效性，使用了几种基于DL的分割算法进行了比较分析。这些算法表现出不同的架构特性和优势。实验通过以下评估指标系统地比较了它们在2D（RGB）和3D（阴影浮雕）裂缝图像上的分割性能：Dice、准确性、精确度、召回率、F1分数和IoU。这种双重比较不仅促进了
结论
本文研究了阴影浮雕作为一种实用的3D增强输入表示方法，在复杂路面条件下用于沥青裂缝分割。本研究并没有引入新的分割架构，而是探讨了将微小的表面起伏转化为光影对比是否能够提高已建立深度学习模型的裂缝与背景的可分离性。结果表明，阴影浮雕输入通常比传统的RGB输入提供了更好的分割性能
CRediT作者贡献声明
范清龙：撰写——原始草案，软件开发，概念化。
利益冲突声明
作者声明他们没有已知的财务或个人利益冲突，这些利益冲突可能会影响本研究的内容或结果。
