基于可见光影像的路表病害检测综述

任志彬 ,  郭家和 ,  李鹏 ,  刘鲁生 ,  张会吉 ,  王天旸

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (31) :13307-13318

PDF (15185KB)
科学技术与工程 ›› 2026, Vol. 26 ›› Issue (31) :13307-13318 DOI: 10.12404/j.issn.1671-1815.2600520
综述:交通运输

基于可见光影像的路表病害检测综述

作者信息 +

Review on Pavement Distress Detection Based on Visible-light Imagery

Author information +
文章历史 +

摘要

路表病害检测是道路运行状态评估与养护管理的重要基础,其技术水平直接影响道路服役性能评价的准确性与时效性。近年来,随着道路检测手段与信息处理技术的发展,路表病害检测研究在数据获取方式、病害识别方法以及病害演化分析等方面取得了显著进展。围绕路表病害检测的研究总体进展开展综述,系统梳理了不同技术路线下的研究成果与发展脉络。首先,总结了路表病害检测研究的整体演进趋势;其次,从路表病害信息获取角度出发,综述了病害信息采集方式、基于可见光影像的病害信息获取方法以及多源感知数据在病害检测中的应用探索;随后,重点评述了基于传统图像处理方法和深度学习方法的路表病害识别与分析研究,并对病害特征表达与严重度评价相关研究进行了归纳;在此基础上,进一步综述了路表病害发展演化与评估研究,包括病害时序演化特征分析和病害发展预测模型研究。本综述为路表病害检测相关研究提供系统性的文献梳理与理论参考。

Abstract

Pavement distress detection is a fundamental basis for evaluating road operating conditions and supporting maintenance management. Its technical performance directly affects the accuracy and timeliness of pavement condition assessment. In recent years, with continuous advances in road inspection technologies and information processing methods, significant progress has been made in pavement distress detection research in data acquisition, distress recognition, and distress evolution analysis. A comprehensive review of the overall progress in pavement distress detection research was conducted, and the research achievements and development trajectories under different technical frameworks were systematically summarized. First, the general evolution trends of pavement distress detection studies were reviewed. Second, from the perspective of pavement distress information acquisition, distress data collection methods, visible-light image-based distress information acquisition techniques, and exploratory applications of multi-source sensing data in distress detection were analyzed. Subsequently, pavement distress identification and analysis methods based on traditional image processing and deep learning techniques were critically examined, and related studies on distress feature representation and severity evaluation were summarized. On this basis, research on pavement distress development and evaluation was further reviewed, including analyses of temporal evolution characteristics and studies on distress development prediction models. The review shows that pavement distress detection has developed from manual inspection and single-source image analysis toward intelligent recognition, multi-source sensing, and dynamic evolution evaluation. This review provides a systematic literature synthesis and theoretical reference for related research on pavement distress detection.

Graphical abstract

关键词

路表病害 / 可见光影像 / 病害信息获取 / 病害识别与分析

Key words

pavement distress / visible-light imagery / distress information acquisition / distress identification and analysis

引用本文

引用格式 ▾
任志彬, 郭家和, 李鹏, 刘鲁生, 张会吉, 王天旸. 基于可见光影像的路表病害检测综述[J]. 科学技术与工程, 2026, 26(31): 13307-13318 DOI:10.12404/j.issn.1671-1815.2600520
REN Zhi-bin, GUO Jia-he, LI Peng, LIU Lu-sheng, ZHANG Hui-ji, WANG Tian-yang. Review on Pavement Distress Detection Based on Visible-light Imagery[J]. Science Technology and Engineering, 2026, 26(31): 13307-13318 DOI:10.12404/j.issn.1671-1815.2600520

登录浏览全文

4963

注册一个新账户 忘记密码

随着中国交通基础设施建设进入高质量发展阶段,公路通车里程和道路等级结构持续优化,交通运行强度不断提升。截至2022年底,全国公路总里程已超过535万km,其中高速公路沥青路面通车里程达到17.7万km,在国民经济和社会发展中发挥着重要支撑作用。然而,在重载交通与复杂环境条件长期作用下,沥青路面早期病害频繁出现,裂缝、沉陷、车辙等典型病害不仅削弱了路面结构性能,也显著缩短了道路服役寿命,增加了养护与管理成本[1-2]。因此,开展高效、可靠的路表病害检测研究,是保障道路安全运行与科学养护决策的重要基础。
传统路表病害检测主要依赖人工巡检或车载检测方式,普遍存在检测效率低、主观性强、覆盖范围受限等问题,难以满足当前道路养护管理对高频次、精细化和客观化检测的需求。在“交通强国”“数字中国”等国家战略背景下,道路基础设施运行状态的快速感知与科学评估对检测技术提出了更高要求,推动路表病害检测方法由经验决策逐步向数据驱动决策的自动化与信息化方向发展。同时,路表病害检测的研究重点已经由早期的单一病害识别,逐步拓展为病害信息高质量获取、多类型病害智能识别、病害几何与纹理特征定量表达、严重程度客观评价以及病害发展趋势预测等多层次问题[3]。相应地,路表病害检测技术也正在由“静态识别”向“连续感知、精细量化和动态评估”发展。
在此背景下,基于可见光影像的路表病害检测技术逐渐成为研究热点。随着成像设备、无人机与车载采集平台的发展,高分辨率可见光影像能够以较低成本获取大范围、直观的路表信息,为裂缝、坑槽、车辙等显性病害的自动识别与分析提供了丰富的数据基础。相比其他传感手段,可见光影像在数据获取便捷性、信息表达直观性以及工程适用性等方面具有明显优势,已广泛应用于不同道路场景的病害检测研究中。然而,基于可见光影像的路表病害检测仍面临多重挑战:其一,可见光影像易受光照变化、阴影遮挡、路面污染、雨后反光及采集视角差异等因素影响,导致病害区域与背景对比度降低,削弱特征提取的稳定性[4];其二,不同病害在尺度、形态和纹理特征上差异显著,裂缝多表现为细长、低对比度和非连续结构,而坑槽、沉陷和车辙则更依赖区域形态、深度变化及空间分布特征[5],单一尺度特征或单一模型难以兼顾多类型病害识别需求;其三,现有研究多聚焦于病害识别与定位,对病害严重程度、结构损伤含义、时序演化规律及其与养护决策的关联研究仍不充分,制约了检测结果向工程决策的有效转化。
基于此,围绕基于可见光影像的路表病害检测研究进展开展综述,系统总结路表病害检测研究的总体发展脉络,重点从病害信息获取方法、病害识别与特征分析方法以及病害发展演化与评估研究等方面对国内外相关成果进行归纳与评述,分析现有研究的主要进展与不足,以期为后续相关研究提供参考。

1 路表病害检测方法与技术

路表病害类型复杂多样,主要包括裂缝、车辙、沉陷和坑槽等,不同病害在几何形态、空间尺度及发展机理方面存在显著差异,对检测手段的分辨率、观测视角和时效性提出了不同要求[6]。例如,裂缝病害通常呈现为细长、低对比度结构,其识别依赖于较高的空间分辨率和纹理敏感性[7];而车辙和沉陷病害则表现为较大尺度的几何变形,更侧重于对路表整体形态和高程变化的准确获取[8]。因此,路表病害检测不仅需要具备高分辨率信息获取能力,还需兼顾尺度适应性与检测稳定性,这对检测平台和数据获取方式提出了更高要求[3]。

从技术演进角度看,路表病害检测研究大致经历了人工巡检、车载检测以及遥感与无人机检测等发展阶段[9]。如表1所示,早期的人工巡检方式主要依赖人工目测与经验判断,具有灵活性强、设备要求低等特点,但其检测效率低、主观性强,且难以满足大范围道路网络的巡检需求[10]。随着道路规模的快速扩展,人工巡检在一致性和时效性方面的不足逐渐显现。

为提升检测效率和客观性,研究者开始引入车载检测技术,通过在检测车辆上搭载成像设备或传感器(图1),实现路表病害的连续采集与分析[11]。车载检测在一定程度上提高了数据获取效率和检测一致性,已在部分道路管理实践中得到应用。然而,该类方法受限于道路通行条件和车辆行驶轨迹,在复杂路段、交通繁忙区域及大范围快速巡检场景中仍存在一定局限[12]。

近年来,随着遥感技术和无人机平台(图2)的发展,基于空中视角的路表病害检测逐渐成为研究热点[13]。无人机具备机动性强、视角灵活和覆盖范围广等优势,能够在短时间内获取大尺度、高分辨率路表影像,为路表病害的快速巡查和宏观评估提供了新的技术手段。尤其是在高速公路、山区道路和人工难以到达区域,无人机检测显示出较高的应用潜力[14]。在此背景下,基于可见光影像的路表病害检测方法逐步成为研究重点,并推动相关研究由局部抽检向连续感知和整体评估方向发展[15]。

2 路表病害信息获取方法

路表病害可见光信息获取的核心在于影像数据的稳定采集与有效表征。围绕这一目标,相关研究主要从可见光影像采集平台的演进、影像采集技术特征的改进以及病害信息获取关键技术的发展等方面展开。

2.1 采集平台的演进

可见光影像采集平台是路表病害信息获取的基础,其性能直接影响影像数据的空间分辨率、覆盖范围及采集效率。如前所述,目前路表病害可见光影像主要依托人工巡检平台、车载检测平台以及无人机平台进行采集。

人工巡检方式通常通过手持相机或移动终端获取局部路表影像,早期研究多采用该方式开展病害形态分析。Tsai等[16]利用人工采集的路表影像数据,结合三维传感技术,对典型路表裂缝及全深修补相关病害进行了自动化检测与分类研究,构建了包含裂缝检测、裂缝类型判别及病害区域量化的完整处理流程。与此同时,车载检测平台通过在车辆上搭载多台可见光相机,实现路表影像的连续采集。Riid等[17]基于车载移动测绘系统获取连续路面正射帧影像并开展路表病害自动检测研究,在一定程度上突破了人工巡检覆盖范围受限的问题,提高了道路网络尺度下的检测效率。然而,该平台在交通密集区域、复杂路段及非机动车道等场景中的适用性仍受到一定制约。

近年来,无人机平台凭借机动性强、视角灵活和覆盖范围广等优势,逐渐成为可见光影像采集的重要发展方向。胡家琳等[18]提出了一种基于无人机航拍可见光影像的路面病害智能检测与特征提取技术框架,通过构建病害分类标准,结合YOLOv8(you only look once version 8)目标检测模型与 U-Net 语义分割模型,实现了病害区域的自动识别与精细化提取,并进一步通过坐标转换将病害信息映射至真实地理空间。该研究在高分辨率无人机影像条件下验证了方法在病害识别与分割精度方面的有效性,突破了传统人工影像判读效率低、尺度一致性不足的限制,为无人机可见光影像在道路病害检测中的工程化应用提供了可行路径。Zhu等[19]通过搭载高分辨率可见光相机的无人机平台开展巡航采集,构建了路表病害影像数据集,并系统比较了多种目标检测算法在裂缝等典型病害识别中的性能,验证了无人机巡航在大范围路表影像获取(包括高速公路、山区道路及人工难以到达区域)与连续检测方面相较传统平台的优势。

2.2 针对图像质量的采集技术改进

与其他感知方式相比,可见光影像在路表病害检测中具有信息表达直观、空间分辨率高以及数据获取成本相对较低等技术特征[20]。高分辨率可见光影像能够较为清晰地反映路表纹理、色彩变化及病害形态特征,是裂缝、坑槽等显性病害检测的重要数据基础。但该方法对外部成像条件高度敏感,影像质量易受光照变化、阴影遮挡及表面反射差异影响,导致病害特征稳定性和检测一致性不足,这被认为是基于可见光影像路表病害检测的公认局限性之一[21]。

针对上述问题,已有研究从成像机理和采集条件两方面对可见光影像的技术特征进行了系统分析。Huyan 等[22]指出,自然光照变化与阴影遮挡会造成路表影像亮度不均,使裂缝等细长病害与背景的对比度降低,从而制约病害特征的稳定提取。Fan 等[23]在构建“阴影-裂缝耦合”场景数据集时发现,会出现复杂光照条件下裂缝识别鲁棒性差的问题(图3)。同时,Romero-Chambi 等[24]发现,航高、相机姿态与影像重叠等采集参数变化会引入尺度不一致与几何畸变,影响病害量测与后续分析精度。为缓解可见光影像对成像条件敏感的问题,Atencio 等[25]通过系统标定飞行高度、重叠度与相机倾角等参数,降低了采集条件波动对重建/检测结果的影响。尽管存在上述挑战,可见光影像在路表病害检测中的应用仍具有不可替代性。

2.3 采集图像的预处理方法

在可见光影像采集基础上,如何通过有效的预处理方法减弱成像条件差异对路表病害信息获取的干扰,是提升病害检测稳定性与一致性的关键问题。可见光影像对外部成像条件高度敏感,光照变化、阴影遮挡以及路表材料反射特性差异,往往会导致病害区域与背景之间对比度下降,从而制约病害特征的稳定提取,这已被普遍认为是基于可见光影像路表病害检测的固有局限之一。

针对上述问题,已有研究从影像预处理角度提出了多种改进方案,重点围绕光照不均与阴影干扰的抑制展开。Wang 等[26]提出基于亮度划分的阴影抑制方法,通过分析影像亮度分布特征,有效削弱了阴影区域对裂缝检测结果的干扰,提高了病害区域的可辨识性。在此基础上,Fan 等[27]结合深度学习检测框架,系统评估了亮度校正、对比度增强等预处理策略对可见光影像病害检测性能的影响,验证了合理预处理在复杂光照条件下提升检测稳定性的作用。

除光照与阴影问题外,部分研究进一步关注裂缝与背景灰度相近引发的误检问题。如图4所示,Zou 等[28]在提出的 CrackTree 框架中,将基于测地线分析的阴影去除GSR(geodesic shadow removal)作为关键前置环节,有效缓解了阴影与裂缝灰度相近导致的误检现象,为后续裂缝线结构的连续提取提供了更加稳定的输入。随后,Wang 等[29]在此基础上将测地线阴影去除与局部异常因子(local outlier factor, LOF)及改进水平集方法相结合,进一步强化了复杂光照条件下裂缝与背景之间的可分离性,在一定程度上突破了传统预处理方法对场景一致性假设的限制。

总体来看,影像预处理能够在一定程度上提升传统边缘检测、纹理分析等方法对潜在病害区域的定位效果,但其在复杂背景、弱纹理及非均匀光照条件下的适应性仍然有限。随着研究的深入,深度学习方法逐渐被引入端到端的病害特征学习过程中,但其性能仍高度依赖输入影像质量与样本分布。为此,Qiao 等[30]在分割网络中引入特征聚合与注意力机制,提高了噪声与光照干扰条件下的特征表达能力,也从侧面凸显了“高质量预处理与稳健特征学习协同作用”在可见光影像路表病害检测中的重要性。

3 路表病害识别与特征分析方法

在完成路表病害可见光影像采集与预处理的基础上,如何从影像数据中准确识别病害区域并有效表征其特征,成为路表病害检测研究的核心问题之一。围绕该问题,中外学者从传统图像处理方法到深度学习方法开展了大量研究,并逐步推动病害识别与特征分析技术的发展。

3.1 基于传统图像处理的病害识别方法

早期路表病害识别研究主要依赖传统图像处理方法,通过对影像中灰度、边缘和纹理信息的分析实现病害区域的提取。相关研究多采用边缘检测、阈值分割及形态学运算等方法,对裂缝等具有明显结构特征的病害进行识别[31-33]。这类方法通常具有算法结构清晰、计算复杂度低和结果可解释性强等优点,在早期路表病害检测研究中得到广泛应用。

随着研究的深入,部分学者进一步结合纹理分析与特征描述,对传统图像处理方法进行了改进。如图5所示,Li 等[34]通过引入多尺度图像融合与边缘检测策略,在不同尺度下对裂缝候选区域进行联合分析,有效提高了细小裂缝在复杂背景条件下的可识别性。此外,Hoang[35]将灰度共生矩阵(gray-level co-occurrence matrix, GLCM)等纹理统计特征引入路表影像特征表达过程,通过对病害区域与背景区域纹理差异的刻画,实现了特征增强与判别能力提升。尽管传统图像处理方法在特定场景下具有一定优势,但其性能往往高度依赖人工设定的参数,对光照变化、阴影干扰以及复杂路表背景较为敏感。当采集条件发生变化时,算法稳定性和泛化能力均受到明显限制[36]。上述不足在一定程度上制约了传统方法在大规模、复杂道路场景中的应用。

3.2 基于深度学习的路表病害识别

随着深度学习技术的发展,基于卷积神经网络的病害识别方法逐渐成为研究热点。相比传统方法,深度学习模型能够通过多层网络结构自动学习影像中的高维特征表示,从而减少对人工特征设计的依赖。大量研究表明,深度学习方法在复杂背景和多尺度病害条件下表现出更强的鲁棒性和更高的识别精度[37-39]。

早期研究多采用经典卷积神经网络结构进行路表病害分类或检测。Zhang 等[40]基于卷积神经网络模型实现了对多类路表病害的自动检测与分类,相较传统人工特征方法显著提升了整体识别准确率,为深度学习在路表病害识别中的应用奠定了基础。随后,部分研究引入目标检测网络,将病害识别由图像级分类拓展至区域级定位。Wu 等[41]在 YOLO 框架基础上通过改进特征融合结构并引入优化的定位损失函数,提高了病害目标在复杂背景条件下的检测稳定性,在一定程度上突破了传统分类方法难以精确定位病害位置的限制。同时,针对路表病害尺度差异较大的问题,近年来研究者开始关注多尺度特征融合方法。如图6所示,Zhong 等[42]提出了一种多尺度特征融合网络W-segnet,用于像素级路表病害检测,加强了模型对细小裂缝与大尺度病害的同时识别能力,有效缓解了单一尺度特征对病害形态多样性适应不足的问题。此外,部分研究还引入注意力机制或特征重加权策略,通过强化关键区域特征表达,提升模型对病害区域的关注能力与判别性能[43]。

因此,尽管深度学习方法在路表病害识别中取得了显著进展,其性能仍在一定程度上依赖于训练样本的规模与多样性。当影像采集条件、路表类型或病害形态发生显著变化时,模型的泛化能力仍有待进一步提升[44]。

3.3 病害特征表达与严重度评价

在完成病害区域识别的基础上,对病害特征进行量化描述并开展严重度评价,是路表病害分析的重要组成部分。相关研究通常从病害的几何特征、形态特征及空间分布特征等方面对病害进行表征[45]。

早期研究多采用病害长度、面积或宽度等几何指标对病害严重程度进行描述,并据此构建分级评价规则。Sebaaly 等[46]基于裂缝总长度表征裂缝密度(crack density),用于路表裂缝损伤程度评价与分级,为后续基于几何量的定量评价研究奠定了基础。随着影像分析技术的发展,部分研究进一步引入形态特征与纹理特征,对病害特征表达方式进行了拓展。如图7所示,Nhat等[47]综合利用颜色统计(形态表征)与灰度共生矩阵(GLCM)纹理特征,实现了对病害严重度等级的判别,在一定程度上弥补了单一几何指标难以刻画复杂病害外观差异的不足。

近年来,结合深度学习的特征表示方法逐渐应用于病害特征表达与评价研究。相关研究通过利用网络中间层特征,对病害形态进行高维表征,为严重度评价提供了新的思路[48]。然而,不同研究在特征选取方式、评价指标体系及分级标准方面仍存在较大差异,尚未形成统一规范,导致评价结果在不同研究之间的可比性有限[49]。

4 路表病害发展演化与评估

4.1 路表病害时序演化特征

路表病害在形成与扩展过程中具有显著的时序演化特性,其发展轨迹受交通荷载累积效应、环境条件变化及路面结构状态等多种因素共同作用。围绕病害随时间变化的特征规律,已有研究基于多时相可见光影像数据,对病害形态、尺度及分布演变开展了系统分析[50]。

部分学者通过构建多期影像配准与对比分析框架,为裂缝形态变化及病害劣化过程的精细监测提供了技术基础。Yang等[51]针对多时相路面影像难以准确对齐的问题,对多种基于特征的图像配准方法进行了比较,并在包含不同裂缝类型和年份间隔的100对路面影像上开展验证,其中AKAZE-BRIEF组合成功配准96对影像,为利用多时相影像定量分析路面病害演化提供了可靠的空间对齐基础。此外,还有研究构建了包含长期跟踪信息的大规模路表病害影像数据集(图8),并利用该数据集对不同病害类型在时间维度上的演变特征进行了归纳,为病害状态评估提供了时间尺度上的参考依据[52]。总体来看,现有研究在病害时序特征的定性描述和初步量化方面取得了一定进展,但多数研究仍依赖有限时相数据,难以全面刻画病害演化过程中的长期变化特征。

4.2 病害发展预测模型

在病害时序特征分析的基础上,研究人员进一步通过构建预测模型对路表病害的发展趋势进行量化刻画。早期相关研究多依托路段级或网络级路面病害长期监测数据,采用统计回归或经验模型对病害指标随时间的演化规律进行拟合。这类方法结构相对简洁、物理含义明确,在工程实践中具有一定可解释性,但其对线性假设和稳定监测数据的依赖较强,难以有效描述病害演化过程中存在的非线性特征和不确定性。相关研究同时表明,病害发展预测模型在数据类型、建模假设及适用尺度等方面呈现出明显的阶段性演进特征,其代表性成果已在表2中进行了系统归纳。

随着概率图模型的发展,部分学者引入贝叶斯网络及动态贝叶斯网络对病害发展过程进行建模,通过构建病害参数之间的概率演化关系,实现对裂缝、车辙等病害指标发展趋势的预测。Philip等[53-54]基于路段级病害时序数据构建动态贝叶斯网络模型,揭示了病害演化过程中多因素之间的耦合关系,在提升预测解释性的同时,对长期连续监测数据的完整性提出了较高要求。

在此基础上,机器学习方法逐渐被引入病害发展预测研究。相关研究表明,数据驱动预测模型能够融合多源信息,并刻画路面状况随时间的变化趋势。Tao等[55]利用人工智能计算机视觉技术生成的路面状况评分(pavement condition rating,PCR)及多源开放数据,面向美国9个社区构建了低成本、网络级的路面状况预测方法,并分别对PCR绝对值和任意时间间隔内的PCR变化进行预测。结果表明,除当前PCR外,气象、道路等级、社会经济及建成环境属性也是预测PCR变化的重要因素;但该方法仍以数据关联为基础,对病害劣化物理机理的解释相对有限。

近年来,深度学习方法在病害发展预测中的应用逐步增多。针对多维、多时相病害数据,Luo等[56]将深度学习与时间序列分析相结合,实现了对桥面铺装病害发展过程的定量预测,但其对高精度、多源数据的依赖使得模型应用场景受到一定限制。此外,部分研究进一步引入图神经网络以刻画病害时空关联特征,提升了对病害空间依赖性和演化规律的建模能力,但计算复杂度较高,工程应用仍面临一定挑战[57]。

从工程应用角度看,基于病害劣化曲线和集成学习的预测方法在养护决策支持中展现出一定潜力。Abed等[58]通过构建病害劣化主曲线,在无需额外结构与材料信息的情况下预测未来病害严重度,但该方法对突发性病害演化过程的刻画能力有限。Bai等[59]基于自动激光裂缝检测数据构建集成学习模型,实现了自动检测数据向传统路面状况指标的映射预测,但模型的跨设备与跨区域泛化能力仍有待验证。总体来看,现有路表病害发展预测模型在数据驱动能力和预测精度方面不断提升,但仍普遍依赖特定区域和长期监测数据。模型对交通、环境及结构等多因素耦合作用机理的刻画仍相对粗略,跨区域适用性和工程可推广性有待进一步加强。这些问题在一定程度上制约了病害发展预测模型在道路养护管理中的实际应用。

5 结论

基于可见光影像的路表病害检测技术在病害信息获取便捷性、特征表达直观性以及工程适用性等方面具有明显优势,已成为当前路表病害检测研究的重要技术路线。随着影像采集平台与信息处理方法的发展,相关研究在病害信息获取、识别分析及发展演化评估等方面取得了持续进展。围绕基于可见光影像的路表病害检测研究进行了系统综述,主要结论如下。

(1)现有路表病害检测研究在信息获取层面仍以可见光影像为主,其在裂缝、坑槽等显性病害检测中具有较高实用价值,但影像质量受光照条件、采集平台和成像尺度影响较大,数据一致性与标准化水平仍有待提升。因此,如何在不同道路场景、采集平台和环境条件下获得稳定、可比和可复用的高质量影像数据,是该领域进一步发展的基础和难点。

(2)在病害识别与特征分析方面,传统图像处理方法逐步向深度学习方法演进,显著提高了复杂场景下的识别能力,但模型对采集条件变化的适应性和结果解释性仍然有限,病害特征表达与严重度评价标准尚未形成统一体系。由此可见,当前研究的重点已不再只是提高识别精度,还需要进一步回答病害识别结果如何转化为几何量测、严重度分级和工程状态评价等问题,从而增强检测结果对养护决策的支撑作用。

(3)针对路表病害发展演化与评估问题,现有研究已引入统计分析、机器学习及深度学习等方法开展探索,但对多因素耦合作用机理的刻画仍不充分,相关模型的泛化能力和工程适用性有待进一步验证。尤其是在交通荷载、气候环境、路面材料结构和养护历史共同作用下,病害演化过程具有明显的时序性、不确定性和区域差异性,如何建立兼具预测精度、机理解释和跨场景适用性的病害演化模型,仍是后续研究的核心难点。

综上所述,基于可见光影像的路表病害检测研究仍处于持续发展阶段,未来有必要在提升影像数据稳定性和一致性的基础上,加强病害特征表达与演化机理研究,推动相关方法向规范化和可推广应用方向发展。具体而言,后续研究可重点从3个方面深化:一是建立覆盖多道路类型、多环境条件和多病害等级的标准化数据集,提升算法评价的可比性;二是发展面向复杂光照、遮挡污染和多尺度病害的鲁棒识别与精细量测方法,增强模型跨场景泛化能力;三是结合多时相影像和多源检测数据,揭示病害从局部识别到长期演化、再到养护决策之间的传递关系,推动路表病害检测由“静态识别”向“动态评估”和“决策支撑”转变。

参考文献

[1]

郭雪莲, 黄平明, 韩万水, 等. 基于特征熵权与样本加权的大跨桥梁多车道交通荷载聚类模型[J]. 中国公路学报, 2022, 35(10): 183-193.

[2]

Guo Xuelian, Huang Pingming, Han Wanshui, et al. Multi-lane traffic load clustering model for long-span bridges based on weight of feature entropy and sample[J]. China Journal of Highway and Transport, 2022, 35(10): 183-193.

[3]

韩万水, 闫君媛, 武隽, 等. 基于长期监测的特重车交通荷载特性及动态过桥分析[J]. 中国公路学报, 2014, 27(2): 54-61.

[4]

Han Wanshui, Yan Junyuan, Wu Jun, et al. Extra-heavy truck load features and bridge dynamic response based on long-term traffic monitoring record[J]. China Journal of Highway and Transport, 2014, 27(2): 54-61.

[5]

Mulyanto A, Sari R F, Muis A, et al. Vision-based automated pavement distress inspection: a review[J]. IEEE Access, 2025, 13: 115474-115502.

[6]

Taha H, El-Habrouk H, Bekheet W, et al. Pixel-level pavement crack segmentation using UAV remote sensing images based on the ConvNeXt-UPerNet[J]. Alexandria Engineering Journal, 2025, 124: 147-169.

[7]

Jing J, Yang X, Cheng H, et al. A critical review on pavement distress detection using images and point clouds from visual features to geometric modeling[J]. Journal of Road Engineering, 2025, 5(4): 551.

[8]

Koch C, Georgieva K, Kasireddy V, et al. A review on computer vision based defect detection and condition assessment of concrete and asphalt civil infrastructure[J]. Advanced Engineering Informatics, 2015, 29(2): 196-210.

[9]

沙爱民, 童峥, 高杰. 基于卷积神经网络的路表病害识别与测量[J]. 中国公路学报, 2018, 31(1): 1-10.

[10]

Sha Aimin, Tong Zheng, Gao Jie. Recognition and measurement of pavement disasters based on convolutional neural networks[J]. China Journal of Highway and Transport, 2018, 31(1): 1-10.

[11]

李伟, 孙朝云, 呼延菊, 等. 基于路面3D数据的裂缝类型判断方法[J]. 中国公路学报, 2015, 28(11): 21-28.

[12]

Li Wei, Sun Zhaoyun, Hu Yanju, et al. Pavement crack type judgment method based on three-dimensional pavement data[J]. China Journal of Highway and Transport, 2015, 28(11): 21-28.

[13]

李良福, 马卫飞, 李丽, 等. 基于深度学习的桥梁裂缝检测算法研究[J]. 自动化学报, 2019, 45(9): 1727-1742.

[14]

Li Liangfu, Ma Weifei, Li Li, et al. Research on detection algorithm for bridge cracks based on deep learning[J]. Acta Automatica Sinica, 2019, 45(9): 1727-1742.

[15]

马常霞, 赵春霞, 胡勇, 等. 结合NSCT和图像形态学的路面裂缝检测[J]. 计算机辅助设计与图形学学报, 2009, 21(12): 1761-1767.

[16]

Ma Changxia, Zhao Chunxia, Hu Yong, et al. Pavement cracks detection based on NSCT and morphology[J]. Journal of Computer-Aided Design and Computer Graphics, 2009, 21(12): 1761-1767.

[17]

Vavrik W, Evans L, Sargand S, et al. PCR evaluation: considering transition from manual to semi-automated pavement distress collection and analysis: SJN134668[R]. Columbus: Ohio Department of Transportation, Office of Statewide Planning and Research, 2013.

[18]

张亚军, 苗皓源, 马薇, 等. 基于YOLOv8改进的无人机航拍路面损伤检测算法[J]. 电子测量技术, 2026, 49(2): 181-191.

[19]

Zhang Yajun, Miao Haoyuan, Ma Wei, et al. YOLOv8-based improved algorithm for road damage detection in UAV aerial images[J]. Electronic Measurement Technology, 2026, 49(2): 181-191.

[20]

钟靖涛. 基于无人机图像与深度学习的路面病害识别研究[D]. 南京: 东南大学, 2024.

[21]

Zhong Jingtao. Pavement distress detection and segmentation using convolutional neural networks with images captured via UAV[D]. Nanjing: Southeast University, 2024.

[22]

Wang Q, Zhou L, Xu C, et al. Progress and perspectives on UAV visual object tracking[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2025, 18: 20214-20239.

[23]

Shi M, Li H, Yao Q, et al. Vision based nighttime pavement cracks pixel level detection by integrating infrared visible fusion and deep learning[J]. Construction and Building Materials, 2024, 442: 137662.

[24]

Tsai Y C, Wu Y C, Price G. A cost-effective and objective full-depth patching identification method using 3D sensing technology with automated crack detection and classification[J]. Transportation Research Record, 2018, 2672(40): 50-58.

[25]

Riid A, Lõuk R, Pihlak R, et al. Pavement distress detection with deep learning using the orthoframes acquired by a mobile mapping system[J]. Applied Sciences, 2019, 9(22): 4829.

[26]

胡家琳, 胥川, 宫丽婷, 等. 基于无人机的路面病害智能检测与特征提取技术框架及应用[J]. 西部交通科技, 2025(11): 1-6.

[27]

Hu Jialin, Xu Chuan, Gong Liting, et al. Technical framework and application of UAV-based intelligent detection and feature extraction for pavement distresses[J]. Western China Communications Science & Technology, 2025(11): 1-6.

[28]

Zhu J, Zhong J, Ma T, et al. Pavement distress detection using convolutional neural networks with images captured via UAV[J]. Automation in Construction, 2022, 133: 103991.

[29]

董是, 芮晓芳, 左琛, 等. 路面破损智能检测与分析算法研究进展[J]. 东南大学学报(自然科学版), 2025, 55(4): 1131-1153.

[30]

Dong Shi, Rui Xiaofang, Zuo Chen, et al. Research progress on intelligent detection and analysis algorithms for pavement damage[J]. Journal of Southeast University (Natural Science Edition), 2025, 55(4): 1131-1153.

[31]

刘德坤, 刘肖亮, 张帅. 基于YOLOv5的路面病害图像识别方法研究[J]. 公路工程, 2024, 49(3): 66-75.

[32]

Liu Dekun, Liu Xiaoliang, Zhang Shuai. Research on recognition method of road surface disease image based on YOLOv5[J]. Highway Engineering, 2024, 49(3): 66-75.

[33]

Huyan J, Li W, Tighe S, et al. Illumination compensation model with K-means algorithm for detection of pavement surface cracks with shadow[J]. Journal of Computing in Civil Engineering, 2020, 34(1): 04019049.

[34]

Fan L, Li S, Li Y, et al. Pavement cracks coupled with shadows: a new shadow-crack dataset and a shadow-removal-oriented crack detection approach[J]. IEEE/CAA Journal of Automatica Sinica, 2023, 10(7): 1593-1607.

[35]

Romero-Chambi E, Villarroel-Quezada S, Atencio E, et al. Analysis of optimal flight parameters of unmanned aerial vehicles (UAVs) for detecting potholes in pavements[J]. Applied Sciences, 2020, 10(12): 4157.

[36]

Atencio E, Plaza-Muñoz F, Muñoz-La R F, et al. Calibration of UAV flight parameters for pavement pothole detection using orthogonal arrays[J]. Automation in Construction, 2022, 143: 104545.

[37]

Wang X, Wang X, Li J, et al. Research on pavement crack detection based on random structure forest and density clustering[J]. Automation, 2024, 5(4): 467-483.

[38]

Fan L, Tang S, Ariffin M K A M, et al. Impact of image preprocessing and crack type distribution on YOLOv8-based road crack detection[J]. Sensors, 2025, 25(7): 2180.

[39]

Zou Q, Cao Y, Li Q, et al. CrackTree: automatic crack detection from pavement images[J]. Pattern Recognition Letters, 2012, 33(3): 227-238.

[40]

Wang W, Li H, Wang K, et al. Pavement crack detection on geodesic shadow removal with local oriented filter on LOF and improved level set[J]. Construction and Building Materials, 2020, 237: 117750.

[41]

Qiao W, Liu Q, Wu X, et al. Automatic pixel-level pavement crack recognition using a deep feature aggregation segmentation network with a SCSE attention mechanism module[J]. Sensors, 2021, 21(9): 2902.

[42]

李刚. 基于图像工程的路面破损自动识别算法研究[D]. 西安: 长安大学, 2012.

[43]

Li Gang. Algorithm research of automated identification based on image engineering for pavement distress[D]. Xi'an: Chang'an University, 2012.

[44]

张德津, 李清泉, 陈颖, 等. 基于空间聚集特征的沥青路面裂缝检测方法[J]. 自动化学报, 2016, 42(3): 443-454.

[45]

Zhang Dejin, Li Qingquan, Chen Ying, et al. Asphalt pavement crack detection based on spatial clustering feature[J]. Acta Automatica Sinica, 2016, 42(3): 443-454.

[46]

赵鸿图, 周秋豪. 基于分数域加窗和对比度增强的路面裂缝检测[J]. 科学技术与工程, 2023, 23(1): 347-355.

[47]

Zhao Hongtu, Zhou Qiuhao. Pavement crack detection based on fractional domain windowing and contrast enhancement[J]. Science Technology and Engineering, 2023, 23(1): 347-355.

[48]

Li H, Song D, Liu Y, et al. Automatic pavement crack detection by multi-scale image fusion[J]. IEEE Transactions on Intelligent Transportation Systems, 2019, 20(6): 2025-2036.

[49]

Hoang N D. Automatic detection of asphalt pavement raveling using image texture based feature extraction and stochastic gradient descent logistic regression[J]. Automation in Construction, 2019, 105: 102843.

[50]

徐志刚, 车艳丽, 李金龙, 等. 路面破损图像自动处理技术研究进展[J]. 交通运输工程学报, 2019, 19(1): 172-190.

[51]

Xu Zhigang, Che Yanli, Li Jinlong, et al. Research progress on automatic image processing technology for pavement distress[J]. Journal of Transportation Engineering, 2019, 19(1): 172-190.

[52]

Cha Y, Choi W, Büyüköztürk O. Deep learning-based crack damage detection using convolutional neural networks[J]. Computer-Aided Civil and Infrastructure Engineering, 2017, 32(5): 361-378.

[53]

Gopalakrishnan K. Deep learning in data-driven pavement image analysis and automated distress detection: a review[J]. Data, 2018, 3(3): 28.

[54]

邓露, 褚鸿鹄, 龙砺芝, 等. 基于深度学习的土木基础设施裂缝检测综述[J]. 中国公路学报, 2023, 36(2): 1-21.

[55]

Deng Lu, Chu Honghu, Long Lizhi, et al. Review of deep learning-based crack detection for civil infrastructures[J]. China Journal of Highway and Transport, 2023, 36(2): 1-21.

[56]

Zhang C, Nateghinia E, Miranda-Moreno L F, et al. Pavement distress detection using convolutional neural network (CNN): a case study in Montreal, Canada[J]. International Journal of Transportation Science and Technology, 2022, 11(2): 298-309.

[57]

Wu P, Wu J, Xie L. Pavement distress detection based on improved feature fusion network[J]. Measurement, 2024, 236: 115119.

[58]

Zhong J, Zhu J, Huyan J, et al. Multi-scale feature fusion network for pixel-level pavement distress detection[J]. Automation in Construction, 2022, 141: 104436.

[59]

Eslami E, Yun H B. Attention-based multi-scale convolutional neural network (A+ MCNN) for multi-class classification in road images[J]. Sensors, 2021, 21(15): 5137.

[60]

丁威, 俞珂, 舒江鹏. 基于深度学习和无人机的混凝土结构裂缝检测方法[J]. 土木工程学报, 2021, 54(S1): 1-12.

[61]

Ding Wei, Yu Ke, Shu Jiangpeng. Method for detecting cracks in concrete structures based on deep learning and UAV[J]. China Civil Engineering Journal, 2021, 54(S1): 1-12.

[62]

李清泉, 刘向龙. 路面裂缝影像几何特征提取算法[J]. 中国科技论文在线, 2007, 2(7): 517-522.

[63]

Li Qingquan, Liu Xianglong. An algorithm to image-based pavement cracks geometry features extraction[J]. Sciencepaper Online, 2007, 2(7): 517-522.

[64]

Sebaaly P, Tabatabaee N, Bonaquist R, et al. Evaluating structural damage of flexible pavements using cracking and falling weight deflectometer data[J]. Transportation Research Record, 1989, 1227: 44-52.

[65]

Nhat D H, Van D T. Comparison of histogram-based gradient boosting classification machine, random Forest, and deep convolutional neural network for pavement raveling severity classification[J]. Automation in Construction, 2023, 148: 104767.

[66]

韩豫, 张萌, 李宇宏, 等. 基于深度学习和ArcMap的路面病害智能综合检测方法[J]. 江苏大学学报(自然科学版), 2023, 44(4): 490-496.

[67]

Han Yu, Zhang Meng, Li Yuhong, et al. Intelligent comprehensive detection method of pavement diseases based on deep learning and ArcMap[J]. Journal of Jiangsu University (Natural Science Edition), 2023, 44(4): 490-496.

[68]

柳雨豪, 罗浩原, 黄晓明. 智能公路系统下的路面病害图像检测技术综述[J]. 现代交通与冶金材料, 2023, 3(1): 9-20.

[69]

Liu Yuhao, Luo Haoyuan, Huang Xiaoming. Development of road distress image detection based on intelligent road system[J]. Modern Transportation and Metallurgical Materials, 2023, 3(1): 9-20.

[70]

周刚, 李汝凯, 王火明, 等. 经编复合聚酯玻纤布防反射裂缝性能试验[J]. 中国公路学报, 2016, 29(2): 16-22.

[71]

Zhou Gang, Li Rukai, Wang Huoming, et al. Test on performance of reflective cracking resistance of warp knitting fiberglass-polyester paving mat[J]. China Journal of Highway and Transport, 2016, 29(2): 16-22.

[72]

Yang Z, Mohammadi M, Wang H, et al. A feature-based pavement image registration method for precise pavement deterioration monitoring[J]. Computer-Aided Civil and Infrastructure Engineering, 2025, 40(10): 1276-1294.

[73]

Yang H, Cao J, Wan J, et al. A large-scale image repository for automated pavement distress analysis and degradation trend prediction[J]. Scientific Data, 2025, 12(1): 1426.

[74]

Philip B, Al Jassmi H. Time-series forecasting of road distress parameters using dynamic Bayesian belief networks[J]. Construction Innovation, 2024, 24(1): 317-340.

[75]

Philip B, Xu Z, Aljassmi H, et al. ASENN: attention-based selective embedding neural networks for road distress prediction[J]. Journal of Big Data, 2023, 10(1): 164.

[76]

Tao T, Qian S. Pavement condition prediction for communities: a low-cost, ubiquitous, and network-wide approach[J]. Journal of Infrastructure Systems, 2025, 31(1): 04024034.

[77]

Luo S, Yao J, Hu J, et al. Using deep learning-based defect detection and 3D quantitative assessment for steel deck pavement maintenance[J/OL]. IEEE Transactions on Intelligent Transportation Systems, (2022-05-06)[2026-01-05]. https://ieeexplore.ieee.org/abstract/document/9770479/.

[78]

马泽超, 刘小明, 夏汗青, 等. 基于图神经网络的路面病害态势预测方法[J]. 浙江大学学报(工学版), 2024, 58(12): 2596-2608.

[79]

Ma Zechao, Liu Xiaoming, Xia Hanqing, et al. Pavement distress situation prediction method based on graph neural network[J]. Journal of Zhejiang University (Engineering Science), 2024, 58(12): 2596-2608.

[80]

Abed A, Rahman M, Thom N, et al. Predicting pavement performance using distress deterioration curves[J]. Road Materials and Pavement Design, 2024, 25(6): 1174-1190.

[81]

Bai L, Zhang J, Zhu X, et al. A machine learning ensemble model for predicting pavement conditions using automatic laser crack measurement data[J]. International Journal of Pavement Engineering, 2023, 24(1): 2188591.

[82]

李乃强, 吴秉军, 马东旭, 等. 基于数据驱动的沥青路面使用性能预测方法研究[J]. 公路, 2025, 70(7): 338-346.

[83]

Li Naiqiang, Wu Bingjun, Ma Dongxu, et al. Research on prediction method of asphalt pavement service performance based on data-driven[J]. Highway, 2025, 70(7): 338-346.

[84]

Koh Y, Lu Y, Wiggins R, et al. Performance prediction models for flexible and rigid pavements -state-of-the-practice review for implementation in North America[J]. International Journal of Pavement Engineering, 2025, 26(1): 2513454.

[85]

Liu H, Li Y, Liu C, et al. Pavement distress initiation prediction by time-lag analysis and logistic regression[J]. Applied Sciences, 2022, 12(22): 11855.

[86]

陈明辉. 路段级沥青路面数字孪生体演化趋势预测技术研究[D]. 南京: 东南大学, 2024.

[87]

Chen Minghui. Evolution trend prediction technique for digital twin model of section-level asphalt pavement[D]. Nanjing: Southeast University, 2024.

基金资助

黑龙江省交通运输厅重点研发项目(HJK2023B011)

黑龙江省交通运输厅重点研发项目(HJK2023B025)

国家自然科学基金(52508493)

山东省自然科学基金(ZR2024LZN018)

PDF (15185KB)

0

访问

0

被引

详细

导航
相关文章

/

〈 〉