1550 但是, 由于路面情况复杂, 存在着杂物 水渍 油渍 阴影和自然光等干扰因素影响, 自动损坏识别一直都是影响效率的重要瓶颈. 同时, 由于灰度图像只反应路面不同对象的灰度特征, 如正常路面与裂缝或坑槽边缘的灰度差, 无法反应车辙 拥包 沉陷等不具有明显边缘特征的损坏, 导致无法检测车辙 沉陷

Transcription

1 第 42 卷第 11 期 GeomaticsandInformationScienceofWuhanUniversity Vol.42No.11 Nov.2017 DOI: /j.whugis 文章编号 :1671G8860(2017)11G1549G16 利用高精度三维测量技术进行路面破损检测 李清泉 1 邹勤 2 张德津 3 1 深圳大学空间信息智能感知与服务实验室, 广东深圳, 武汉大学计算机学院, 湖北武汉, 湖北工业大学电器与电子工程学院, 湖北武汉, 摘要 : 随着中国高速公路发展从大规模建设阶段向大规模养护阶段的转变, 高效和自动化的路面破损检测技术具有越来越重要的研究意义和应用价值. 公路路面破损检测主要利用光学传感器如相机 激光扫描仪等采集路表面数据, 并利用模式识别 机器学习等技术方法自动定位路面破损位置 判别损坏类别. 简要回顾了过去二十年路面破损检测的研究, 并详细介绍了利用激光三维断面扫描进行路面破损检测的新方法. 通过室内对比实验和公路实测实践的评估发现, 利用三维断面扫描的路面破损检测技术相对于传统的基于可见光成像的技术具有更强的环境适应性和更高的识别精度. 关键词 : 三维测量 ; 断面扫描 ; 路面检测 ; 损坏识别中图法分类号 :TP753;P258 文献标志码 :A 截至 2016 年年底, 中国高速公路里程已超过 km, 总里程居世界首位. 同时, 中国高速公路的发展已从大规模建设阶段转变为大规模养护阶段, 高效和自动化的路面测量和检测技术已成为行业重要需求. 及时和准确的路面破损检测可以节约维修成本 提高路面舒适度, 为行车安全提供保障. 路面破损最常见的形式包括裂缝 车辙 坑槽 拥包 沉陷和松散等. 不同损坏在路面上表现出不同几何和灰度等特征. 裂缝表现出明显的线性特征, 具有一定宽度和深度, 宽度一般大于 1 mm, 与正常路面比较具有较明显的灰度差 ; 车辙因渠化交通原因, 分布在行车道的轮迹带上, 有一定的宽度 深度和连续长度, 宽度一般大于 20 cm; 坑槽和沉陷具备一定的面积和深度 ; 拥包则与正常路面相比具有一定的高度, 即突出了正常路面. 过去二十年, 路面破损检测研究经历了从二维光学图像采集系统发展到三维激光扫描采集系 [1G2] 统的过程. 国内外成熟的路面破损检测技术一般是采用线扫描相机或面阵相机结合辅助照明技术, 连续获取路面二维可视化灰度图像, 利用图 像人机交互识别损坏 [3G4]. 自 2000 年以来, 经过 十多年发展, 二维可视化损坏检测技术已经非常 成熟, 能在正常行车速度 0~120km/h 范围内, 全天候连续获取路面高清晰度灰度影像, 在国内 外得到普遍应用 [5]. 在这个过程中, 基于二维图 像的路面破损识别方法得到了广泛研究, 一系列 的算法相继被提出 [6G14]. 基于裂缝亮度比背景低 的假设, 图像阈值化被用于裂缝等损坏的分 割 [15G18], 然而光学路面影像经常受光照和阴影的 影响, 导致阈值化方法不稳定 [19]. 基于裂缝具有 [20G22] 梯度突变的特点, 利用边缘检测和小波变 [23G27] 换的方法也被用于路面破损裂缝的检测, 然 而, 由于裂缝是全局线状目标, 在局部不一定具有 显著的梯度方向性, 因而利用局部梯度难以捕捉 复杂背景下的路面破损信息. 基于裂缝具有全局 跟踪亮度最小的特点, 利用最短路径搜索的算法 被广泛用于裂缝提取 [28G31], 其他还有基于张量投 票的方法 [32G33] 基于机器学习的算法 [34G38] 基于 [39] 图像显著度的算法和基于统计判别的方 [40G41] 法等. 另外, 一些研究分析了距离和光照对 裂缝的成像效果的影响 [42], 以及利用高速图形处 理芯片对识别进行加速 [43]. 收稿日期 :2017G09G01 项目资助 : 国家自然科学基金 ( , ); 深圳市未来产业发展专项资金 (No ). 第一作者 : 李清泉, 博士, 教授, 国际欧亚科学院院士, 主要从事精密工程测量和时空数据分析研究.liqq@szu.edu.cn 通讯作者 : 邹勤, 博士, 副教授.qzou@whu.edu.cn

2 1550 但是, 由于路面情况复杂, 存在着杂物 水渍 油渍 阴影和自然光等干扰因素影响, 自动损坏识别一直都是影响效率的重要瓶颈. 同时, 由于灰度图像只反应路面不同对象的灰度特征, 如正常路面与裂缝或坑槽边缘的灰度差, 无法反应车辙 拥包 沉陷等不具有明显边缘特征的损坏, 导致无法检测车辙 沉陷 松散和拥包等损坏, 而对于坑槽和裂缝损坏也无法正确区分. 因此, 可视化检测技术存在着两个缺陷 : 其一是数据自动化处理存在困难, 难以做到环境无关的损坏自动识别 ; 其二是损坏类型检测不全, 对于没有边缘特征的变形类损坏无法检测. 二维可视化技术是充分利用了损坏在路面上表现出来的灰度差和简单的几何线性特征. 分析路面破损特征发现, 路面破损除与正常路面相比具有灰度差和几何线性特征外, 还具有一定的高程特征, 即与正常路面比较, 损坏表现为高出路面或低于路面. 同时, 高程信息不受自然光 阴影 水渍 油渍等影响. 充分利用损坏表现出的灰度 高程和几何线性等特征, 研究新的检测技术是路面破损检测技术的发展趋势. 三维激光雷达的测量基本原理是采用单点连续测量, 每个测点都含有测量距离信息和姿态信息, 测量精度一般达到毫米级, 而公路检测中由于载车姿态变化频度高, 导致基于不同姿态测点组成的断面数据处理难度高, 且高程测量精度一般要求微米级, 三维路面检测需要研究新的技术和方法. 近几年, 能同时获取灰度和高程信息的三维测量相机得到长足发展. 三维测量相机通过获取含激光线的被测物体表面图像, 自动识别激光线并输出激光线断面在图像上的位置信息. 因此, 利用三维测量相机, 结合大功率线激光器组成测量单元, 基于激光三角测量原理研制新的线扫描成像传感器, 连续测量路面三维断面, 组成路面三维图像, 结合三维图像和二维图像, 充分利用路面破损的灰度 高程和几何线性等特征, 实现路面裂缝 车辙和沉陷等损坏的统一检测. 在基于三维点云的路面裂缝检测方面, 文献 [44] 构建了基于迭代张量投票的裂缝识别方法 ; 文献 [45] 提出利用优化算法对三维点云进行精确分割, 并利用两步高斯平滑消除接缝线和车辙的影响 ; 文献 [46] 利用三维超声波感知路面精确的结构信息, 精度达到 1 mm, 在此基础上通过融合光学信息和深度信息, 利用张量投票和最小生成树实现路面裂缝类损坏的检测. 文献 [47] 也将二维光学图像和三维深度图像进行融合, 利用线结构光测量法每 10mm 测量路表面的一个横断面, 利用 GaG [48G49] bor 滤波器构建提升机分类模型进行裂缝的 识别. 文献 [50] 研究了基于三维激光扫描数据的 路面破损分类方法, 它利用子块划分以及空间关 联统计方法对路面破损进行提取, 并对损坏的程 度进行估计. 在基于三维激光扫描的路面检测装 备研发方面, 加拿大国家光学研究所 (National OpticInstitute,INO) 率先展开了基于线扫描三 维成像技术的路面检测技术研究, 研究成果激光 裂缝测量系统 (lasercrackmeasurementsystem, LCMS) 传感器已经得到一定应用, 但国内没有好 的应用案例. 在国内, 笔者所在团队从 2010 年开 始线扫描测量技术研究, 研究成果激光扫描断面 测量仪 (laserscanprofilometer,lsp) 在湖北 贵 州 内蒙和新疆等地得到应用, 实现了数据的自动 化处理, 能检测路面所有破损类损坏 [51G53]. 线扫 描成像测量技术研究需要解决线扫描测量传感 器 高精度传感器标定方法和基于三维点云的路 面破损自动识别算法 [54G56]. 1 激光线扫描传感器及装备 激光线扫描三维测量传感器用于测量路面横 断面高程, 对断面数据预处理并存储, 同步输出断 面数据到上位机. 传感器硬件包括传感器头和控 制器, 传感器头获取路面三维断面数据, 控制器负 责控制传感头工作, 接受传感头断面数据并预处 理, 对预处理断面数据存储后同步上传到上位机. 路面检测要求满足正常行车速度 0~120km/h 范围, 检测幅宽 4000 mm, 横向检测分辨率 1 mm, 深度测量精度 0.3 mm, 深度测量量程大于 200mm, 最大采样间隔 5 mm. 在动态测量环境 下, 激光雷达逐点扫描三维测量数据中的每个测 点都含有测量姿态, 多测量组成的断面中姿态噪 声消除存在困难, 测量精度也无法满足要求. 因 此, 线扫描三维测量传感器采用三维相机结合线 激光器方式, 线激光垂直投射到被测物体表面, 相 机与激光器成一定夹角 (6 ~8 ) 采集激光线图 像, 通过内置算法提取激光线, 输出激光线在像方 的位置, 通过标定文件进行像方和物方转换, 测量 被测物体表面高程 [57]. 测量原理如图 1 所示. 线扫描三维测量传感器安装在载车上, 检测 幅宽大于 3.75m, 横向分辨率 1mm, 结合实际工 作环境 安装要求和技术参数, 选择如表 1 所示参 数, 采用两个 2k 相机, 在距离地面 2150 mm 高 度, 可覆盖 4000 mm 车道, 测量精度最高达到 0.09 mm.

3 第 42 卷第 11 期李清泉等 : 利用高精度三维测量技术进行路面破损检测 1551 图 1 线扫描三维测量原理 Fig.1 AnIlustrationfor3D MeasurementUsingLineScanning 表 1 线扫描传感器参数 Tab.1 ParametersofLineScanningSensor 序号 高度 /mm 夹角 /( ) X 量程 /mm Y 量程 /mm Z 量程 /mm X 精度 /mm Y 精度 /mm 采用双传感器头组合, 将传感器安装在载车尾部, 单个传感器测量 2 m 幅宽, 中间保持一定的重合, 控制器安装在车内机柜, 配合定位定姿 电源 存储系统工作, 连续采集路面三维断面组成 三维路面, 数据处理软件实时处理检测数据, 输出 路面破损信息. 传感器及基于传感器的测量装备 如图 2 所示. 图 2 线扫描传感器及路面三维检测装备 Fig.2 LineScanningSensorand3DPavementProfilingSystem 标定是三维测量技术中的重要组成部分, 相机输出的是激光线在图像中的相对位置, 不是被测断面的实际高程. 由于相机分辨率限制, 单个像素难以达到所需精度, 相机采用 1/64 亚像素方法把一个物理像素 64 等分, 标定解决 1/64 像素后每个像素对应的高程相对值, 依据对应关系实现断面像方位置到物方实际高程的转换. 2 路面破损检测算法 路面破损可分为裂缝类损坏和变形类损坏两大类. 裂缝类损坏是在测量断面中与测量数据 ( 控制轮廓 ) 比较发生细微变化的数据, 即微观损坏 ; 变形类损坏是测量断面中与整体趋势 ( 标准轮 廓 ) 比较发生较大范围高程变化的数据, 即宏观损坏. 数据处理采取先对数据预处理, 然后分开处理的方式 D 激光断面数据预处理对裂缝损坏处理而言,3D 激光断面数据包括路面控制轮廓 损坏 纹理 姿态及异常数据等信息. 其中, 路面控制轮廓 损坏和纹理是理想测量情况下的路面基本组成成分, 而姿态 异常数据则是实际测量环境引入的噪声, 其原因包括动态的测量环境 路面材料反光异常 传感器数据异常 测量系统误差等. 异常数据通常具有较强的随机性, 在断面中通常表现为幅值较大的脉冲信号, 异常数据的存在会影响裂缝检测精度, 有必要在数据处理前通过相关预处理进行降低或消除.

4 1552 在运动环境中进行路面 3D 激光断面数据测量时, 得到的 3D 激光断面数据中含有测量姿态信息, 通常每个断面姿态都不同, 在全局数据处理时, 姿态对数据一致性分析有较大影响, 特别体现在需要利用沿测量方向进行数据分析时. 因此, 在数据测量时同步采集测量姿态, 可以利用采集的测量姿态数据对断面数据进行姿态修正. 假设传感器在横断面方向与高程方向组成平面中的安装倾角为 α, 传感器安装高程为 H ; 在任意时刻, 传感器在横断面方向与高程方向组成平面中的测量倾角为 α, 测量时传感器高程为 H ; 当前断面第 i 个测点原始测量高程值 Zi, 则经姿态矫正后的高程测量值 Z i 的计算公式为 : Z i =Zi +ki i tan(α -α)+ (H -H ) (1) 式中,ki 为横断面方向相邻采样点的物理间隔, 根据标定的像方和物方关系换算. 由于路面铺装材料不均, 水渍 油渍导致反光异常以及异物的影 响, 采集的 3D 激光断面信号中包含上述因素引起的异常数据. 断面中异常数据通常表现为一个高频的脉冲信号, 并具有较高变化幅值. 异常数据的存在会影响裂缝的检测, 对于此类数据, 采用中值滤波获取断面的参考断面, 计算断面各点与参考断面距离, 寻找偏离参考断面较大的异常点, 利用异常点附近的非异常点数据进行替换. 2.2 路面裂缝检测算法线扫描 3D 激光断面数据由路面控制轮廓 纹理 损坏 姿态及噪声数据组成. 选择用频域方法分离纹理并提取路面控制轮廓, 用空域方法基于断面数据提取裂缝疑似数据, 基于 3D 路面数据集进行完整精确的裂缝检测. 该算法在克服路面纹理 其他损坏及测量姿态影响的同时, 也充分挖掘利用裂缝的连续性 方向性和聚集性等特性, 从而达到完整而精确地检测沥青路面的目的. 基于 3D 激光断面数据的路面裂缝检测算法流程如图 3 所示. 图 3 路面裂缝检测算法流程 Fig.3 PipelineofCrackDetectionAlgorithm 路面控制轮廓计算在信号时空域中, 路面纹理 裂缝以及路面控制轮廓相互混叠影响, 实现路面控制轮廓和裂缝信息的精确提取及定位存在困难. 而在信号频率域内, 由于路面纹理属于高频变化的信息, 裂缝也包含较为急剧的突变部分, 而路面控制轮廓的变化趋势相对较为平缓. 路面纹理与裂缝在频谱中对应高频部分, 路面控制轮廓在频谱中对应低频部分, 因此, 采用快速傅里叶变换 (fastfourier transformation,fft) 能有效分离路面纹理与控制轮廓, 图 4 显示了经过 FFT 后的信号频率幅度谱和功率谱. 经过 FFT 变换的横断面数据频谱中 ( 设频谱范围最大值为 fh ), 路面控制轮廓是贴合路面的平缓轮廓, 对应为频谱低频部分, 利用带通滤波器可实现路面控制轮廓频段截取. 与 FFT 过程相反, 快速傅里叶逆变换 (ing versefastfouriertransformation,ifft) 则是实现频率域信号到时空域的转换. 利用 IFFT 对相应低频率段功率谱进行处理获取其对应的信号波形, 即为路面控制轮廓, 其中截取的低频信号范围为 0~ fs1, 提取的控制轮廓如图 5 所示. 当截止频率 fs1=0.003 fh 时, 带通滤波后信号包含的成分较少, 即截取后恢复的控制轮廓更加平缓, 部分位置存在偏离断面轮廓走势现象, 如图 5(a) 所示 ; 对于 fs1=0.015 fh 时恢复的控制轮廓比较贴合路面走势, 且裂缝信息无所损失, 如图 5(b) 所示 ; 对于 fs1=0.03 fh 时恢复的控制轮廓比较贴合路面走势, 但裂缝信息有所损失, 如图 5(c) 所示. 为了利于裂缝的精确提取, 本文选取 fs1=0.015 fh 获取路面控制轮廓.

5 第 42 卷第 11 期李清泉等 : 利用高精度三维测量技术进行路面破损检测 1553 图 4 FFT 及信号频谱示意图 Fig.4 AnIlustrationforSpectrumsofFFT 裂缝疑似数据分离 图 5 不同参数下的路面控制轮廓 Fig.5 ControlProfileObtainedUnderDiferentParameters 路面轮廓数据中包含有路面控制轮廓 路面纹 理和裂缝 3 部分信息, 裂缝数据高程都小于控制轮 廓高程. 理想情况下, 路面均有已知设计纹理值, 将路面控制轮廓从路面轮廓中分离后, 路面轮廓中 还包含路面纹理 裂缝两部分信息, 结合已知的设 计纹理直接运算就可以得到路面裂缝数据. 但是, 路面铺装的实际纹理值与设计纹理值存在差异, 且 路面使用过程中行车碾压和摩擦均导致路面纹理 发生变化, 路面纹理直接体现断面数据局部波动幅 度, 纹理越大 波动越大, 分离数据中裂缝点时所需 的分割阈值越大. 因此, 需要通过分析每个断面的 纹理分布特征计算断面的动态分割阈值, 根据阈值 与路面控制轮廓计算得到疑似裂缝数据. 路面轮 廓的局部波动主要由路面纹理高程变化产生, 预处 理断面轮廓 PP 与控制轮廓 CP 的高程差 PP- CP 可以反映断面的纹理分布特征. 按照式 (2) (3) 对纹理分布值进行统计分析, 得到纹理均值 AvgTex 纹理均方差 Texσ. AvgTex= N i=1 PPi -CPi / N (2) Texσ= 1 n n i=1 ( PPi -CP i -AvgTex) 2 (3) 其中,N 为单个断面采样点总数 ;PPi CPi 分别 为预处理断面轮廓 控制轮廓的第 i 个测点高程 值. 由于裂缝点波动幅度大于纹理均值, 裂缝数据 高程都小于控制轮廓高程, 故将波动值较大 测值 小于控制轮廓的点通过分割阈值 T 分离为疑似裂 缝点, 若判断为裂缝点,FlagC i 标记为 1; 否则, 标 记为 0. T =AvgTex+k Texσ (4) FlagC i = 1,CPi -PPi > T { 0, 其他 (5) 其中,k(2 k 3) 为阈值系数. 按照上述判定获 取所有断面的疑似裂缝点, 联合连续断面数据集中 的疑似裂缝点得到裂缝表征二值图 路面裂缝检测 基于裂缝疑似数据得到的二值图像中包含大 部分裂缝数据和部分噪声数据, 裂缝数据具备了一 定的聚集特征, 表现为具有一定的几何形态, 包括 长度 宽度和面积. 首先, 对二值图像进行子块划 分 ; 其次, 对子块进行评估, 筛选置信区域 ; 然后, 基 于置信区域形成裂缝种子区域 ; 最后, 基于最小代 价生成树方法实现裂缝识别. 其中, 子块划分 置 信区域筛选及种子区域形成已经得到比较充分研 究 [51]. 本文以裂缝种子区域为基础, 采用基于最

6 1554 小代价生成树的裂缝生长方法, 进一步实现裂缝完整检测, 生长步骤如下 : 1) 获取原始裂缝种子区域. 首先提取形态子块集区域中具备较长连通区域的疑似裂缝点作为原始裂缝种子区域, 其中连通区域长度阈值 Tc 的计算公式为 : 裂缝段作为裂缝种子区域, 以裂缝种子区域端点作为裂缝种子点. 3) 裂缝种子点构图. 所有裂缝种子点两两相连, 若两个裂缝种子点属于同一裂缝种子区域, 则用裂缝种子区域自身代替连线, 并标记为实边, 否则标记为虚边, 实边集合用 R 表示, 虚边集合用 V 表示. Tc =min(100,max(30,0.05lb)) (6) 4) 分配边代价值. 置信度越高边代价值越小, 其中,Lb 为当前形态子块集的长度. 置信度越低边代价值越大, 代价值的计算公式如式 2) 裂缝种子点获取. 对原始裂缝种子区域进行细化操作, 获取原始裂缝种子区域骨架 ; 利用角点检测法提取原始裂缝种子区域骨架的方向转折点, 对原始裂缝种子区域骨架自适应分段 ; 将分段 (7)~ 式 (9) 所示. 5) 裂缝生长及还原. 基于最小代价生成树原则得到裂缝路径, 将得到的裂缝路径与裂缝种子区域融合, 实现裂缝的完整性生长. { wi,j = 0.1,ei,j R Wi,j = 1 / /,ei,j R (7) 0.5li,j Lmax +0.5Oi,j O max W i,j =Wi,j / Rmax,ei,j R (8) li,j +li,j (W i,mi +W j,m j ) θi,mi -θ j,m j /π,ei,j V,emi,i R,em j,j R 式中,i j 为裂缝种子点序号 ;ei,j 表示以裂缝种裂缝种子点序号, 其他变量含义依此类推 ( 如子点 i j 为顶点构成的边 ;li,j Wi,j W i,j wi,j 分 emi,i 表示以裂缝种子点 mi i 为顶点构成的边 ). 别表示 ei,j 边长度 原始代价系数 归一化代价系裂缝还原及生长效果如图 6(e) 所示. 由于裂缝数 代价值 ;Oi,j 为 ei,j 对应原始裂缝种子区域长种子点较多, 为了便于观察, 图 6(d) 中只选择了度 ;Lmax O max 为裂缝种子区域 原始裂缝种子区边代价值较低的部分进行绘图, 图 6(e) 和图 7(e) 域最大长度 ;Rmax 为最大原始代价系数 ;θi,j 表示中红色表示还原的裂缝种子区域, 绿色表示裂缝裂缝种子点 i 到裂缝种子点 j 方向 ;mi m j 分别生长区域 ; 图 7(d) 中红色矩形框为裂缝子块集延表示与裂缝种子点 i j 匹配实边所对应的另一端伸区域. (9) 图 6 裂缝生长与还原过程 Fig.6 ProcessofCrackSeedGrowingandReduction 2.3 路面变形类损坏检测算法路面坑槽 车辙 拥包 沉陷等是路面常见的变形类损坏, 空间分布上具有较大深度和面积. 对变形类损坏处理而言,3D 测量断面包括路面标准轮廓 纹理 噪声和姿态信息, 标准轮廓为路面无损坏状态下的正常形态和轮廓, 路面出现变形和坑槽损坏为向下类. 提取标准轮廓需要预先判 类损坏后, 在断面上表现出与标准断面比较具有较大范围高程变化. 因此, 先计算路面标准轮廓, 基于标准轮廓和测量断面提取疑似损坏数据, 形成二值图像再处理, 处理流程如图 8 所示. 路面变形类损坏从形态上可分为向上型和向下型两类, 拥包损坏为向上类型损坏, 沉陷 车辙断损坏类型, 断面损坏类型判定主要是对当前断

7 第 42 卷第 11 期李清泉等 : 利用高精度三维测量技术进行路面破损检测 1555 图 7 路面裂缝检测过程 Fig.7 ProcessofPavementCrackDetection 图 8 路面变形类损坏检测算法流程 Fig.8 FlowchartofRoadDeformationDefectDetection 面中潜在存在的变形类损坏为向上型或向下型进行判别, 即假设单个断面中不存在同时含有向上型和向下型的损坏, 故断面的上 下包络线中存在一条包络线与当前断面的标准轮廓相似, 具备良好的方向一致性, 同时与包络线距离较远的关键点具备较差的方向一致性. 断面损坏类型判定具体步骤为 :(1) 利用角检测法提取断面上的高曲率点作为关键点 ;(2) 分别计算断面的上 下包络线 ; (3) 依据关键点到上 下包络线的距离, 对抽稀断面的各个关键点进行类别判定, 其中靠近上包络线的关键点标记为 1, 靠近下包络点的关键点标记为 0;(4) 分别评估上包络线和潜在向下型损坏区域关键点 ( 标记值为 0 的关键点 ) 的方向一致性 下包络线和潜在向上型损坏区域关键点 ( 标记值为 1 的关键点 ) 的方向一致性 ;(5) 综合评估上包络线和下包络线为相似标准轮廓的置信度, 若上包络线具备较高的置信度, 则当前断面损坏类型判别为向下型 ; 反之, 若下包络线具备较高的置信度, 则当前断面损坏类型判别为向上型. 选定类别连线中包含标准轮廓信息和损坏过 渡段信息, 将选定类别连线划分子段, 分段后, 计算子段 i 的方向 Oi, 然后计算各子段与其他子段的方向差异总和 Si, 剔除其中方向总体差异值较大的子段, 循环该过程直到子段方向总体差异值满足设定阈值要求. 在获取标准轮廓之后, 将标准轮廓恢复为原始数据长度. 图 9 显示了断面损坏类型判定及断面标准轮廓提取过程, 图 9(a) 为断面上下包络线, 图 9(b) 为断面关键点属性分类, 图 9(c) 为断面损坏类型判定效果, 图 9(d) 为断面标准轮廓. 断面经过处理之后可获取标准轮廓与原始数据深度差值, 连续 3D 断面数据深度差值组成 3D 路面破损深度图 ( 图 10(a)). 损坏深度图中按照一定深度阈值获取变形损坏特征点 ( 图 10(b)). 变形损坏定位是依据变形损坏具有区域聚集性, 在深度图上体现为一定深度变化延续性, 定位同类邻近损坏区域, 合并延伸及小面积损坏剔除. 损坏定位完成后, 获取损坏位置 面积 深度分布及边缘等信息, 依据损坏属性特征, 将损坏数据进行分类.

8 1556 图 9 断面标准轮廓提取过程示意图 Fig.9 AnIlustrationforStandardProfileExtraction 图 10 基于深度图的损坏定位及分类 Fig.10 DefectLocatingandClassificationBasedonDepth Maps 3 实验与验证 3.1 路面裂缝检测算法适应性实验 为了验证所提出算法的普适性和有效性, 从 本文方法对不同类型裂缝的检测效果以及测量速度对检测结果的影响两方面进行实际数据验证. 选取包含不同类型裂缝的 3D 激光断面数据集进行测试, 数据中主要包括横缝 纵缝 块裂 龟裂 修补 5 种裂缝类型. 部分测试结果如图 11 所

9 第 42 卷第 11 期李清泉等 : 利用高精度三维测量技术进行路面破损检测 1557 示, 其中裂缝检测结果在对应位置用红色线进行 标记. 图 11 中除图 11(e) 左图为二维路面图像 外 ( 为了显示修补裂缝的检测效果 ), 其他图像均 为三维深度转灰度图像. 图 11 本文方法对不同类型裂缝的检测效果 Fig.11 DetectionofDiferentTypesofCracksUsingtheProposed Method 为进一步说明本文方法对各种类型损坏识别的准确性, 对 10 个测试路段的 1.35 万个数据样本进行测试统计, 采用漏检率 (falsenegative rate,fnr) 虚检率 (falsepositiverate,fpr) 正确识别的裂缝率 (predicted positive rate, PPR) 描述裂缝的识别准确性, 有裂缝的图像数目 P, 代表无裂缝的图像数目 N, 含裂缝的图像被判别为无裂缝的图像数目 (falsenegative,fn), 无裂缝的图像被判别为有裂缝的图像数目 (false positive,fp), 正确检出有裂缝的图像数目 (true positive,tp), 正确检出无裂缝的图像 (truenegg ative,tn), 则裂缝识别准确性计算公式如式 (10), 统计结果如表 2 所示. ì FNR= FN/P 100% ï ífpr= FP/(TP+FP) 100% (10) ï îppr= (TP+TN)/(P +N) 100% 表 2 裂缝识别准确性统计 Tab.2 ThePerformanceofCrackDetection 裂缝类型 裂缝宽度 /mm P N TP TN FN FP FNR/% FPR/% PPR/% 横缝 < 纵缝 < 块裂 < 龟裂 < 修补 G 统计裂缝识别准确性过程中, 将含有属于本类裂缝的图像作为有裂缝图像, 将未含本类裂缝的图像作为无裂缝图像统计. 观察表 2 可知, 由于裂缝宽度越宽, 路面实际裂缝的连续性与裂缝数据的连续性越好, 识别的漏检率和虚检率越低 ; 块裂及龟裂的裂缝宽度普 遍高于横缝和纵缝, 故块裂及龟裂识别的漏检率和虚检率低于横缝和纵缝 ; 由于样本数据横向分辨率高于纵向分辨率, 故纵向裂缝的识别准确性高于横向裂缝. 随着摄影技术的发展, 三维相机支持的工作频率将得以提升, 样本纵向分辨率随之提升, 横向裂缝识别准确性将随之改善. 当实

10 1558 际有损坏的图像数目所占总数比例较小时 (0%~ 25%), 损坏样本所占总数比例越小, 缝识别的准确率越高 ; 当实际有损坏的图像数目所占总数比例较大时 (>25%), 路面裂缝程度越严重, 裂缝往往表现为宽度越大, 此时裂缝识别的准确率越高 ; 当损坏样本所占总数比例约为 23% 的情况下, 裂缝整体识别的漏检率为 3.4% 虚检率为 5.1% 识别准确率为 98%. 结合对不同裂缝类型的数据实验验证及分析, 本文方法对 5 种常见类型裂缝损坏检测结果都较为精确完整, 说明本文测量系统适用于横缝 纵缝 块裂 龟裂 修补 5 种裂缝类型. 为验证测量速度对本文方法的影响, 对相同实验测试区域分别以 10km/h 20km/h 30km/ h 40 km/h 50 km/h 60 km/h 70 km/h 80 km/h 的测量速度对测试区间进行裂缝检测工作, 其中 30km/h 与 80km/h 的测量结果如图 12 所示 (30km/h 为中国市政道路常用速度,80 km/h 则适用于中国高速公路 ). 根据实验结果可知, 本文提出方法对于不同测量速度下的裂缝检测结果均能达到检测应用要求, 说明测量速度对本文裂缝检测方法的影响较小. 另一方面, 随着测量速度的提升, 载车的姿态颠簸也越严重, 即测量数据中姿态影响也更加严重, 但是实验结果中高速度测量下的裂缝检测仍有较高的精准度. 这主要是由于本文在路面横断面控制轮廓的基础上提取裂缝疑似点并进行处理, 所以能克服测量姿态的影响. 图 12 测量速度对路面裂缝检测的影响 Fig.12 InfluenceofTraficSpeedonCrackGDetectionPerformance 另外, 由于本文提出的裂缝检测算法是基于 3D 激光断面数据进行的, 即本文方法对于测量环境光照具有很好的适用性, 关于这一适应性在后续与 2D 数据对比中将进一步说明. 3.2 路面裂缝检测算法对比验证本节选取若干典型样本对所提出的 3D 方法与目前主流的 2D 图像裂缝检测方法作效果对比验证, 同时说明环境光对路面裂缝检测的影响. 其中 2D 数据为现有主流二维路面测量方式 ( 线阵相机 + 激光器的方式 ) 获取的高清 2D 路面图像,2D 裂缝检测方法采用文献 [3] 中的方法. 本文方法与对比方法的比较效果如图 13 所示. 图 13 从上到下, 分别为 4 个不同位置采集的裂缝图像, 从左到右, 为同一位置对应的 2D 灰度图像 2D 灰度图像中裂缝检测效果 3D 深度图像 3D 深度图像中裂缝检测效果. 其中, 对于图 13(a) 13(b) 中具有一定灰度对比特征及深度特征的裂缝,2D 及 3D 方法均能达到准确完整的识 别效果. 特别地, 观察图 13(b) 中的灰度及深度图像, 发现由于成像原理的不同, 采集到的 2D 灰度图像更易受光照影响, 灰度图像中裂缝的清晰程度及显著性都弱于对应的 3D 深度图像. 图 13(c) 中是在阴影条件下采集到的裂缝数据, 对比可知 2D 灰度图像受阴影的干扰较大, 阴影区域掩盖了部分裂缝, 故检测结果中裂缝在阴影区域处发生了断裂现象, 而 3D 数据受阴影干扰较小, 检测效果良好. 此外, 部分较为严重的裂缝周边呈现剥落 积灰淤塞裂缝现象, 使得在 2D 图像中该区域的较宽裂缝与路面背景具有较强的相似性, 即 2D 图中常见的 白裂缝. 白裂缝 与路面背景过低的灰度对比度加大了二维裂缝识别的难度, 如图 13(d) 二维灰度图像裂缝检测不够完整. 但是, 由于 3D 数据不受裂缝与路面比较灰度对比度的影响, 裂缝检测相对完整. 综合以上实验及分析可知, 相比于传统 2D 裂缝检测方法, 本文提出的 3D 路面裂缝检测方

11 第 42 卷第 11 期李清泉等 : 利用高精度三维测量技术进行路面破损检测 1559 图 13 2D 与 3D 测量数据裂缝检测结果 Fig.13 CrackDetectionBasedon2D OpticalImagesand3DDepthImages

12 1560 法能克服路面阴影 光照不均 油污等干扰因素的影响, 规避了灰度对比度差情况下难以完整精确检测裂缝的问题, 能够有效地提高路面裂缝识别率和精确程度. 3.3 变形类损坏检测算法适应性实验由于裂缝类损坏为微观损坏, 路面变形类损坏为相对宏观损坏, 故裂缝类损坏识别本身对测量系统的精度要求更高, 在路面裂缝检测算法中验证了其对环境光 测量速度具备良好的适应性, 故此处不再详细验证变形类损坏检测中对环境 光 测量速度的适应性, 本节从本文方法对不同类型变形损坏的检测效果进行实际数据验证. 本文选取包含不同变形损坏的 3D 激光断面数据集进行测试, 数据中主要包括拥包 车辙 坑槽 沉陷等 4 种变形损坏类型. 部分测试结果如图 14 所示, 其中变形损坏检测结果 ( 损坏面积 A 0.1m 2, 深度 E 10mm) 在对应位置用红色线进行标记. 为了真实反映路面, 图 14 中 3D 数据均为经过去除断面测量姿态的三维深度转灰度图像. 图 14 本文方法对不同类型变形损坏的检测效果 Fig.14 DeformationGDefectDetectionUsingtheProposed Method 为了进一步验证本文方法的有效性, 对含有 井盖的路面进行检测, 由于井盖的面积大于 0.1 m 2, 且深度大于 10 mm, 利用本文算法也能检测 出路面的井盖位置, 检测效果如图 15 所示. 图 15 本文方法对路面井盖的检测效果 Fig.15 DetectionofWelCoversUsingtheProposed Method 从图 14 和图 15 可知, 路面变形类损坏检测方法对拥包 车辙 坑槽 沉陷 井盖均能进行较好的识别. 4 结语 本文分析了传统二维光学成像在路面破损检 测中的不足, 提出了基于三维激光断面扫描的路面破损检测方法, 针对路面常见的裂缝类损坏和变形类损坏, 利用激光线扫描传感器及装备在正常行车速度下获取了高精度的路面三维信息, 基于 3D 激光的断面数据实现了路面裂缝检测和变形类损坏检测. 基于 3D 激光的断面数据包含路面控制轮廓 路面纹理 路面破损 姿态及噪声数

13 第 42 卷第 11 期李清泉等 : 利用高精度三维测量技术进行路面破损检测 1561 据的特性, 通过频域方法分离纹理并提取路面控制轮廓, 利用空域方法对断面数据提取裂缝疑似数据, 在此基础上采用机器学习和图论方法实现裂缝检测. 变形类损坏检测方法采用计算路面标准轮廓, 基于标准轮廓和测量断面差异提取疑似损坏数据, 形成损坏二值图像再进行变形损坏定位和分类, 实现对拥包 车辙 坑槽和沉陷等常见变形损坏的识别. 大量实验统计表明, 在不同测量速度下, 基于 3D 路面的裂缝检测方法能较好检测横缝 纵缝 块裂 龟裂 修补等常见裂缝损坏, 检测准确率达到 96% 以上. 相比于传统 2D 裂缝检测方法, 本文提出的 3D 激光断面扫描裂缝检测方法能克服路面阴影 光照不均 油污等干扰因素影响, 具有更强的环境适应性, 在检测精度和检测效率具有明显优势. 此外, 通过大量测试 3D 激光断面样本数据, 统计发现本文提出的基于 3D 激光断面扫描的路面变形类损坏检测算法对拥包 车辙 坑槽 沉陷均能进行较好的识别. 本文裂缝检测方法依据高程信息而非灰度信息进行裂缝检测, 对于高程信号中的细小裂缝检测存在一定缺陷. 另一方面, 鉴于变形损坏中沉陷损坏的面积范围不定, 而数据采集中幅宽和形成的深度图面积有限, 可能对于部分面积过大且深度较浅的变形类损坏检测效果不佳, 后续如何结合更多信息进行较为宏观的变形类损坏检测是需要进一步考虑的问题. 参考文献 [1] KochC,GeorgievaK,Kasireddy V,etal.A ReG view on Computer Vision Based Defect Detection andconditionassessmentofconcreteand Asphalt CivilInfrastructure[J].Advanced EngineeringInG formatics,2015,29(2):196g210 [2] Zou Qin,LiQingquan,Mao Qingzhou,etal.DeG tection of Pavement Cracks Using Target Tree SpanningTree[J].GeomaticsandInformationSciG enceof Wuhan University,2011,36(1):711G715 ( 邹勤, 李清泉, 毛庆洲, 等. 利用目标点最小生成树的路面裂缝检测 [J].,2011,36(1):711G715) [3] LiQingquan,Zou Qin,Mao Qingzhou.Minimum CostPathSearchforPavementCrackDetection[J]. ChinaJournalof HighwayandTransport,2010, 23(6):28G33( 李清泉, 邹勤, 毛庆洲. 基于最小代价路径搜索的路面裂缝检测 [J]. 中国公路学报, 2010,23(6):28G33) [4] LiWei,SunChaoyun,HuyanJu,etal.A Method fordeterminingcracktypebasedonpavement3d Data[J].ChinaJournalof Highwayand TransG port,2015,28(11):21g28( 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):21G28) [5] ZhangDejin,LiQingquan.SummarizationofRapid DevelopmentofHighwayPavement[J].Journalof Geomatics,2015,40(1):1G8( 张德津, 李清泉. 公路路面快速检测技术发展综述 [J]. 测绘地理信息, 2015,40(1):1G8) [6] ShenZhaoqing,JiaLongchao,YaoTieshan,etal. Pavement Crack Damage Evaluation Model with FractalDimension[J].NaturalScienceof Chang anuniversity,2015,35(5):1g6( 沈照庆, 贾龙超, 姚铁山, 等. 融合分形维值的路面裂缝损伤评价模型 [J]. 长安大学学报 ( 自然科学版 ),2015,35(5): 1G6) [7] Wang Xiaoming,Feng Xin,Dang Jianwu.PaveG mentcrackdetectionmethodbasedonmultigimage and MultiGResolution[J].JournalofLanzhouUniG versityof Technology,2013,39(1):76G82( 王晓明, 冯鑫, 党建武. 基于多图像与多分辨率的路面裂缝检测方法 [J]. 兰州理工大学学报,2013,39 (1):76G82) [8] ZhuPingzhe,LiWei.Connection MethodofFracG tureblockbasedonactivegrowth[j].journalof ComputerApplications,2011,31(12):3382G3384 ( 朱平哲, 黎蔚. 基于主动生长的断裂裂缝块的连接方法 [J]. 计算机应用,2011,31(12):3382G3384) [9] Fan Haiwei,ZhangGuoyi,Ding Ailing,etal.BP Improved Algorithm andits Applicationin PaveG ment Crack Detection [J].Natural Science of Chang anuniversity,2010 (1):46G53( 樊海玮, 张国翊, 丁爱玲, 等.BP 改进算法及其在路面裂缝检测中的应用 [J]. 长安大学学报 ( 自然科学版 ),2010 (1):46G53) [10]XieChangrong,ZhangGuojing.ResearchonImage ProcessingAlgorithmforPavementCrackDetection [J].Journal of China & Foreign Highway, 2009,29(6):112G115( 谢昌荣, 张郭晶. 路面裂缝检测图像处理算法的研究 [J]. 中外公路,2009,29 (6):112G115) [11]Yan Maode,BoShaobo,HeYuyao.AnImageDeG tectionand Analysis Methodfor Pavement Crack Basedon Morphology[J].Journalof Engineering Graphics,2008,29(2):142G147( 闫茂德, 伯绍波, 贺昱曜. 一种基于形态学的路面裂缝图像检测与分析方法 [J]. 工程图学学报,2008,29(2):142G147) [12]TangLei,Zhao Chunxia,Wang Hongnan,etal. Detection and Classification of Pavement Cracks BasedonImageAnalysis[J].JournalofEngineerG

14 1562 inggraphics,2008,29(3):99g104( 唐磊, 赵春霞, 王鸿南, 等. 基于图像分析的路面裂缝检测和分类 [J]. 工程图学学报,2008,29(3):99G104) [13]ZhangJuan,ShaAimin,GaoHuaigang,etal.AuG tomaticrecognitionandevaluationsystemofpaveg mentcrackbasedondigitalimageprocessing[j]. NaturalScienceofChang anuniversity,2004,24 (2):18G22( 张娟, 沙爱民, 高怀钢, 等. 基于数字图像处理的路面裂缝自动识别与评价系统 [J]. 长安大学学报 ( 自然科学版 ),2004,24(2):18G22) [14]LiJinhui.DetectionofCracksinHighwayPavement by Image Processing [J].Natural Science of Chang anuniversity,2004,24(3):24g29( 李晋惠. 用图像处理的方法检测公路路面裂缝类损坏 [J]. 长安大学学报 ( 自然科学版 ),2004,24(3):24G29) [15]LiQ,Liu X.NovelApproachtoPavementImage SegmentationBasedonNeighboringDiferenceHisG togram Method[J].InternationalCongresonImG ageandsignalprocesing,2008(2):792g796 [16] Oliveira H,Correia P L.Automatic Road Crack Segmentation Using Entropy andimage Dynamic Thresholding[C].EuropeanSignalProcessingConG ference,uk,2009 [17]OliveiraH,CorreiaPL.AutomaticRoadCrackDeG tectionandcharacterization[j].ieeetransactions oninteligent Transportation Systems,2013,14 (1):155G168 [18]KamaliardakaniM,SunL,ArdakaniM K.SealedG CrackDetectionAlgorithm UsingHeuristicThreshG olding Approach[J].Journalof Computing in CivilEngineering,2014,30(1):110G118 [19]ZouQ,HuZ,ChenL,etal.GeodesicGBasedPaveG mentshadowremovalrevisited[c].ieeeinternag tionalconferenceon Acoustics,SpeechandSignal Processing,Beijing,2016 [20] WangShifang,CheYanli,LiNan,etal.AnAlgoG rithm for Detecting Cracksin Asphalt Pavement BasedonMultiGscaleRidgeEdge[J].ChinaJournal of Highwayand Transport,2017,30(4):32G41 ( 王世芳, 车艳丽, 李楠, 等. 一种基于多尺度脊边缘的沥青路面裂缝检测算法 [J]. 中国公路学报, 2017,30(4):32G41) [21]LiGang,HeYuyao.MultiGazimuthStructuralEleG mentpavementcrackimageedgedetection AlgoG rithm [J].Computer Engineering and ApplicaG tions,2010(1):224g226( 李刚, 贺昱曜. 多方位结构元素路面裂缝图像边缘检测算法 [J]. 计算机工程与应用,2010(1):224G226) [22]AyenuGPrah A,AtohGOkine N.Evaluating PaveG ment Cracks with Bidimensional Empirical Mode Decomposition[J].EURASIPJournalonAdvances insignalprocesing,2008(1):701g710 [23]SubiratsP,DumoulinJ,LegeayV,etal.AutomaG tionofpavementsurfacecrackdetectionusingthe Continuous Wavelet Transform [C].International ConferenceonImageProcessing,Florence,Italy, 2006:3037G3040 [24]ZalamaE,GómezGGarc 1aGBermejoJ,MedinaR,et al.roadcrackdetectionusingvisualfeaturesexg tractedbygaborfilters[j].computergaidedcivil andinfrastructureengineering,2014,29(5):342g 358 [25]Salman M,MathavanS,KamalK,etal.Pavement CrackDetection UsingtheGaborFilter[C].IEEE ConferenceonInteligentTransportationSystems, New York,2013 [26]ZhaoG,WangT,YeJ.AnisotropicClusteringon SurfacesforCrack Extraction[J].MachineVision andapplications,2105,26(5):675g688 [27]NguyenTS,BegotS,DucultyF,etal.FreeGForm Anisotropy:A New MethodforCrackDetectionon PavementSurfaceImages[C].IEEEInternational ConferenceonImageProcessing,New York,2011 [28] LiQ,Zou Q,Zhang D,etal.FoSA:F SeedG Growing Approach for CackGLine Detectionfrom PavementImages[J].Imageand Vision CompuG ting,2011,29(12):861g872 [29] KaulV,YezziA,TsaiY.DetectingCurves with UnknownEndpointsandArbitraryTopologyUsing MinimalPaths[J].IEEE Transactionson Patern Analysisand MachineInteligence,2012,34(10): 1952G1965 [30] AmhazR,ChambonS,IdierJ,etal.Automatic CrackDetectiononTwoGDimensionalPavementImG ages:an Algorithm Basedon MinimalPathSelecG tion[j].ieee TransactionsonInteligentTransG portationsystems,2016,17(10):2718g2729 [31] Avila M,BegotS,Duculty F,etal.2D Image BasedRoadPavementCrackDetectionbyCalculatG ing MinimalPathsandDynamicProgramming[C]. IEEEInternationalConferenceonImage ProcessG ing,new York,2014 [32]ZouQ,CaoY,LiQ,etal.CrackTree:Automatic CrackDetectionfromPavementImages[J].Patern RecognitionLeters,2012,33(3):227G238 [33]ShiY,CuiL,QiZ,etal.AutomaticRoadCrack Detection Using Random Structured Forest[J]. IEEE TransactionsonInteligent Transportation Systems,2016,17(12):3434G3445 [34]ChouJ,O NeilW A,ChengH.PavementDistress EvaluationUsingFuzzyLogicand MomentsInvariG ants[j].transportation Research Record,1995,

15 第 42 卷第 11 期李清泉等 : 利用高精度三维测量技术进行路面破损检测 :39G46 [35]ZhangL,YangF,Zhang Y D,etal.RoadCrack Detection Using Deep Convolutional Neural NetG work[c].ieeeinternationalconferenceonimage Processing,Beijing,2016 [36]LiG,ZhaoX,DuK,etal.RecognitionandEvaluaG tionofbridgecrackswith ModifiedActiveContour Modeland Greedy SearchGBased Support Vector Machine[J].Automationin Construction,2017, 78:51G61 [37]MathavanS,Rahman M,KamalK.UseofaSelfG Organizing MapforCrackDetectioninHighlyTexG turedpavementimages[j].journalofinfrastrucg turesystems,2014,21(3):52g60 [38]SchmuggeSJ,Rice L,LindbergJ,etal.Crack Segmentation by Leveraging Multiple Frames of VaryingIlumination[J].IEEE WinterConference onapplicationsof ComputerVision,2017(1):1 045G1053 [39]Xu W,TangZ,ZhouJ,etal.PavementCrackDeG tection Based on Saliencyand StatisticalFeatures [C].IEEEInternationalConferenceonImageProG cessing,beijing,2013 [40]QuZ,BaiL,AnSQ,etal.LiningSeam EliminaG tionalgorithmandsurfacecrackdetectionincong cretetunnellining[j].journalofelectronicimg aging,2016,25(6):4g12 [41]HuangY,XuB.AutomaticInspectionofPavement CrackingDistress[J].Journalof ElectronicImaG ging,2006,15:1g6 [42]ChoH W,YoonHJ,YoonJC.AnalysisofCrack Image Recognition Characteristics in Concrete StructuresDependingontheIluminationandImage AcquisitionDistancethrough OutdoorExperiments [J].Sensors,2016,16(10):1646G1650 [43] Doycheva K,Koch C,König M.Implementing TexturalFeatures on GPUs forimproved RealG TimePavementDistressDetection[J].Journalof RealGTimeImageProcesing,2016(1):1G12 [44]GuanH,LiJ,YuY,etal.IterativeTensorVoting forpavementcrackextractionusing MobileLaser ScanningData[J].IEEETransactionsonGeoscience andremotesensing,2015,53(3):1527g1537 [45]JiangC,TsaiY J.Enhanced CrackSegmentation Algorithm Using3DPavementData[J].Journalof Computingin Civil Engineering,2015,30(3): 50G58 [46]SolazzoG,WangKCP,BosurgiG,etal.Hybrid Procedure for Automated Detection of Cracking with3dpavementdata[j].journalofcomputing incivilengineering,2016,30(6):32g40 [47] Medina R,LlamasJ,ZalamaE,etal.Enhanced Automatic Detection of Road Surface Cracks by Combining 2D/3D Image Processing Techniques [C].IEEEInternationalConferenceonImageProG cessing,new York,2014 [48]RätschG,OnodaT,MülerK R.SoftMarginsfor AdaBoost[J].MachineLearning,2001,42(3):287G 320 [49]ViolaP,JonesMJ.RobustRealGTimeFaceDetecG tion[j].internationaljournalof Computer ViG sion,2004,57(2):137g154 [50]LiL,WangKCP.BoundingBoxGBasedTechnique forpavementcrackclassificationand Measurement Using1mm3DLaserData[J].JournalofCompuG tingincivilengineering,2016,30(5):11g18 [51]ZhangD,LiQ,ChenY,etal.AnEficientandReG liablecoarsegtogfine Approachfor Asphalt PaveG mentcrackdetection[j].imageandvisioncomg puting,2017,57:130g146 [52]Zou Q,LiQ,ZhangF,etal.Path VotingBased PavementCrackDetectionFrom LaserRangeImaG ges[c].ieeeinternationalconferenceon Digital SignalProcessing,Beijing,2016 [53]LiQ,ZhangD,ZouQ,etal.3DLaserImagingand SparsePointsGroupingforPavementCrackDetecG tion[c].the25theuropeansignalprocessingcong ference,kos,2017 [54]JahanshahiM R,JazizadehF,MasriSF,etal.UnG supervised Approach for Autonomous PavementG DefectDetectionand Quantification UsinganInexG pensivedepthsensor[j].journalofcomputingin CivilEngineering,2012,27(6):743G754 [55]Ouyang W,Xu B.Pavement Cracking MeasureG mentsusing3d LaserGScanImages[J].MeasureG mentscienceandtechnology,2013,24(10):1g11 [56]Bradshaw G.NonGcontactSurfaceGeometry MeasG urementtechniques:departmentofcomputerscig ence[r].trinitycolegedublin,berlin,geimany, 1999

16 1564 RoadPavementDefectDetectionUsingHighPrecision3D SurveyingTechnology LIQingquan 1 ZOU Qin 2 ZHANG Dejin 3 1 ShenzhenKeyLaboratoryofSpatialSmartSensingandServices,ShenzhenUniversity,Shenzhen518060,China 2 SchoolofComputerScience,WuhanUniversity,Wuhan430072,China 3 SchoolofElectricalandElectronicEngineering,HubeiUniversityofTechnology,Wuhan430068,China Abstract:Eficientandautomaticroadpavementdefectdetectiontechnologyhasbecomeincreasingly importantgiventhetransitionofchina shighwaydevelopmentfromthelargegscaleconstructionstage tothelargegscaleconservationstage.webrieflyreviewthestudyofroadsurfacedefectdetectionover thepasttwodecades,andpresentanew methodforroadsurfacedefectdetectionusing3dlaserprofig lingtechniques.roadsurfacedefectdetectioninvolvestheuseofopticalsensorssuchasccdcameras andlaserscannerstocolecttheinformationofroadsurface,andpaternrecognitionand machine learningalgorithmstoautomaticalylocatethedefectsandidentifythecategoriesofdefects.comparag tiveexperimentsinthelaboratoryandtestpracticesontherealroadsshowthattheroadsurfacedefect detectiontechnologyusing3dlaserprofilinghasstrongerenvironmentaladaptabilityandhigherrecg ognitionprecisionthanthetraditionaltechnologybasedon2dvisiblelightimaging. Keywords:3D measurement;laserprofiling;roadpavementinspection;defectdetection Firstauthor:LIQingquan,PhD,professor,AcademicianoftheInternationalAcademyofSciencesforEuropeandAsia,specializesin precisionengineeringsurveyandspatiogtemporaldataanalysis.egmail:liqq@szu.edu.cn Correspondingauthor:ZOU Qin,PhD,associateprofessor.EGmail:qzou@whu.edu.cn Foundationsupport:TheNationalNaturalScienceFoundationofChina,Nos , ;theShenzhenFutureIndustryDevelG opmentfundingprogram,no