路面病害会严重影响公路行车安全，尤其在车速过高时可能引发交通事故。如果在公路路面出现明显破损时才开始维修养护，会导致后期养护成本过高，早期使用智能检测技术对路面的坑槽、裂缝进行检测并及时进行修复，对保障公路运输安全具有重要意义[1]。目前路面病害检测方式主要包括人工巡检和道路检测车两种方式，人工巡检需要工人到公路上进行检查，影响行车安全，也难以保证工作人员的安全，且检测工人的主观判断会影响检测结果[2]；道路检测车能够有效加快检测速度，但受到路面各种因素的影响，自动化水平比较低，检测方式成本过高，且检测车车速太慢会影响交通[3-4]。现有的道路巡查养护技术存在自动化水平和安全性不高、养护频率不均衡、不能实现数字化的闭环管理等问题。随着自动驾驶技术在不同行业的逐步应用，本文创新研究了一种基于自动驾驶车辆的公路巡查养护技术，通过改造智能网联车辆为智能养护巡检车，融合机器图像识别、GPS定位、智能算法等新技术，实现了路面病害的智能化检测、数字化闭环管理。1研究概况本文研究了一种便携式道路采集终端，对终端的设备组成和采集要求进行了分析。基于道路采集的影像数据，构建路面病害检测模型，实现对6种病害类别的高精度检测，并同步研发了协同式道路巡检平台，实现对路面病害的可视化展示和全流程处置监管。将研究成果开展试点应用，验证所提方法的可行性。技术路线如图1所示。10.19301/j.cnki.zncs.2024.01.002.F001图1技术路线1.1便携式采集终端在路面病害检测数据集的采集方面，主要使用手机和检测车两种拍摄方式[5]。本文重点研究了一种适用于智能网联车辆和以养护巡查车为代表的常规车辆的便携式车载道路图像快速采集终端，克服了路面病害识别过程中对车载视频图像质量要求较高的问题。便携式采集终端由外置车载相机、北斗+GPS定位终端、存储传输设备、车载数据采集及处理软件组成。便携式采集终端如图2所示。10.19301/j.cnki.zncs.2024.01.002.F002图2便携式采集终端外置车载相机选用具有定时拍摄、防抖预处理、大容量存储等功能的运动摄像机（GoPro），可稳定拍摄高质量反映路面技术状况的视频图像，优化道路影像数据的采集方式；北斗+GPS定位终端可以实现路线桩号与采集道路图片、GIS地图的精准匹配，精准锁定路面病害的位置并判断其类型，为养护处置提供可靠的辅助信息；车载数据采集及处理软件可安装在采集平板上进行灵活操作[6]。搭载感知设备和采集设备的智能网联车辆，可以实现以80~110 km/h的理想速度稳定汇入实际车流，并对路面进行数据的采集。1.2路面病害检测模型目前路面病害检测方法主要包括传统的检测方法和基于深度学习的检测方法，传统方法的检测准确率和鲁棒性都较低。随着计算机视觉和科技水平的快速发展，越来越多的研究者开始将研究侧重深度学习[7]。道路路面病害一般包括裂缝、龟裂、污染、坑槽等[8-9]，本文基于单步多框目标检测（SSD）模型对常见路面病害进行识别和分类。1.2.1路面病害数据集建立建立一个包含8 071张图片的初始道路病害数据集Crack_HW01，进行病害检测模型的选型，数据集中主要有6种标注类型，即横向裂缝C01、纵向裂缝C02、龟裂C03、块状裂缝C04、坑槽C05、污染C06[10]。模型训练对数据的需求量较大，因此对初始道路病害数据集Crack_HW01进行病害标注质量检查优化的同时，通过裁剪、镜像、翻转、亮度变换、增加噪声等方式增大数据量[11]。优化后的数据集Crack_HW02共包含18 515幅图像，实现了对6种病害类型的高质量标注，其中有7 170个横向裂缝（C01）、12 133个纵向裂缝（C02）、836个龟裂（C03）、1 110个坑槽（C05）以及1 256个污染（C06）。1.2.2SSD模型建立该网络模型主要由特征提取网络模块、卷积预测器、IOU损失计算模块和非极大值预测模块等模块组成[12]。本文使用的SSD模型基础网络选用VGG-16的基础网络结构，并对其进行了部分调整。通过一系列卷积检测器对目标的类别和位置进行预测，对IOU损失计算模块和非极大值预测模块进行优化处理，从而保留最优的目标检测与识别结果[13]。基于SSD的路面病害识别流程如图3所示。10.19301/j.cnki.zncs.2024.01.002.F003图3基于SSD的路面病害识别流程1.2.3模型测试结果在路面病害检测模型准确度测试阶段，选用便携式智能采集终端采集的路面横向裂缝、纵向裂缝、块状裂缝及其他路面病害图片各1 000张，通过选中图片对模型准确度进行验证。结果显示，基于SSD路面病害分类模型准确度为91.55%。模型准确度测试结果如表1所示。10.19301/j.cnki.zncs.2024.01.002.T001表1模型准确度测试结果路面病害类型测试集数量SSD模型结果模型准确度综合0.915 5横向裂缝1 0009850.985 0纵向裂缝1 0009260.926 0块状裂缝1 0008960.896 0其他1 0008550.855 0路面病害检测结果如图4所示。10.19301/j.cnki.zncs.2024.01.002.F004图4路面病害检测结果经验证，基于自动驾驶车辆的公路巡查养护方法可实现横向裂缝、纵向裂缝、块状裂缝、龟裂、坑槽等路面常见病害检测，满足日常养护巡查需求；正常光照条件下，路面破损事件检测精度达到90%以上。1.3协同式智能巡检系统为提升公路日常养护管理效能，降低人工巡查安全隐患，本文开发的协同式道路巡检系统是一个集路面病害事件的展示、分析、报警于一体的信息化管理平台，用户可在移动端或Web端进行访问。该系统由事件信息管理、事件信息统计、事件信息推送3个基本模块组成[14]。事件信息管理模块：为道路养护单位提供由算法检测的路面病害问题清单，经过人工审核进一步判定路面病害类型。事件信息统计模块：对人工审核确认的事件信息进行统计分析，支持生成巡查报表及巡查日志，为日常养护工作质量提供数据指标，为科学决策分析提供数据支撑。事件信息推送模块：提供事件信息推送接口，借助已有“全寿命周期智慧运营平台”、智能驾驶公共服务平台的高清地图，为智能网联道路提供精准定位的路面技术状态可视化地图展示。协同式智能巡检系统功能架构如图5所示。10.19301/j.cnki.zncs.2024.01.002.F005图5协同式智能巡检系统功能架构2示范应用成果2.1示范概况苏州相城区已累计开展162 km智能网联道路建设，涵盖自动驾驶网约车、公交车、出租、物流等多样化场景，为自动驾驶、智能网联与交通行业管理融合提供了良好的基础条件。本文基于相城区智能网联道路建设优势及自动驾驶车辆、无人环卫车等网联车辆已有边缘计算能力或高性能计算平台，研究路面病害精准快速检测技术及算法模型，搭建协同式智能巡检系统，满足道路养护低成本、高频率、多元化信息巡检要求，并率先在苏州相城区依托智能网联道路，开展基于自动驾驶网约车、无人环卫车、普通养护巡查车的示范应用。2.2示范成效2.2.1基于自动驾驶网约车的示范应用项目依托相城区目前正在运营的无人驾驶网约车，利用车辆既有感知设施采集的道路环境视频数据，改造自动驾驶车辆为道路养护巡检车辆，完成数据采集方式、检测算法及协同式巡检系统的实践验证以及示范应用，实现了路面病害事件的智能检测。2.2.2基于自动驾驶清扫车的非机动车道养护巡检目前，无人驾驶车辆存在无法覆盖非机动车道的缺陷，相城区充分结合自动驾驶清扫车可在非机动车道行驶的优势，开展无人环卫清扫车在非机动车道养护巡检的示范应用工作，改变了传统道路养护低效模式，完善了养护巡查数字化的标准业务流程。2.2.3基于养护巡查车辆的协同式道路巡检系统示范应用结合相城区通标养护公司的实际业务需求，示范区利用既有养护巡查车辆，安装部署高清云台摄像机、存储及无线传输设备、地理位置信息采集装置等前端设备，开展道路智能巡检系统应用示范，实现了数据采集、病害检测、事件上报、处理反馈等流程的闭环管理，道路日常养护管理效能显著提升。3结语本文针对传统道路巡查养护方法自动化水平和安全水平不高的痛点，创新研究了基于自动驾驶车辆的“便携式采集终端+路面病害检测AI模型+协同式道路巡检系统”的全闭环巡检模式。依托苏州市相城区良好的智能网联道路建设基础开展相应的示范应用，取得了一定的成绩，但也存在一定问题。在应用过程中，无法形成实时或在线传输的数据采集方案；通过离线数据拷贝以获取自动驾驶环卫车离线视频的方式在视频转码后清晰度有所降低，影响检测效果。为进一步优化应用自动驾驶车辆进行自动化道路养护巡检的方法，应明确主要优化方向。对算法模型进行优化完善，提升算法检测精度；推进原型系统本地化部署，对接养护单位既有平台开展系统本地化部署应用，系统检测数据结果对接养护单位，支撑日常养护巡检应用。