基于低成本智能手机视频与深度学习的视觉路面状况定性筛查方法研究

《Scientific Reports》：A low-cost, video-based visual pavement condition index (VPCI) for network-level pavement condition screening using smartphones and computer vision

　　

摘要

路政部门需要频繁获取路面状况信息，而反复进行的路网级目测调查则耗费大量资源。本研究开发了一种低成本智能手机视频工作流，用于路面状况的定性筛查。从选定路段收集的路面视频经过抽样处理，生成了超过58,000张图片，在剔除不适用帧并进行感兴趣区域处理后，保留了30,000张图片。共对七类病害进行了标注——老化、松散剥落、网状裂缝、坑洞、修补和管线切割、纵向和横向裂缝以及块状裂缝——并按低、中、高三个明显严重程度等级进行标注，用于病害识别。由于图像数据并不能涵盖精确路面状况评估所需的全部变量，因此仅采用四类可目视观察的病害组——网状裂缝、坑洞、纵向和横向裂缝以及块状裂缝——来定义视觉路面状况指数（VPCI）。研究采用YOLOv8检测器进行视觉病害识别，并利用决策树模型根据视觉病害扣分值特征预测路面状况的定性类别。在主研究数据上的精确率为58.47%，在包含18个路段的独立验证数据集上的精确率为51.20%。这些结果表明，所提出的VPCI是一种初步的视觉筛查指标，而非传统现场路面状况评估的替代品；在投入实际运营应用之前，还需进行更多的数据开发和验证工作。