《公路路面病害快速檢測(cè)技術(shù)指南》編制說明

《公路路面病害快速檢測(cè)技術(shù)指南》編制說明

一、標(biāo)準(zhǔn)制定的必要性

公路是國(guó)家現(xiàn)代化建設(shè)的重要基礎(chǔ)設(shè)施。黨的二十大報(bào)告中提

出了要“加快建設(shè)交通強(qiáng)國(guó)”，這是對(duì)十九大交通強(qiáng)國(guó)建設(shè)的戰(zhàn)略

升級(jí)，給我國(guó)公路建設(shè)和管理提出了新的要求。自十九大以來，交

通運(yùn)輸部陸續(xù)出臺(tái)交通強(qiáng)國(guó)行業(yè)篇章、地方篇章，制定印發(fā)了《交

通強(qiáng)國(guó)建設(shè)評(píng)價(jià)指標(biāo)體系》，組織開展交通強(qiáng)國(guó)建設(shè)試點(diǎn)工作。截

至2021年底，全國(guó)干線及以下公路總里程達(dá)到了496.55萬公里。

公路養(yǎng)護(hù)是保證公路使用壽命的重要保障。我國(guó)龐大的公路網(wǎng)

規(guī)模給公路養(yǎng)護(hù)工作帶來了巨大的壓力。從“十三五”以來，全國(guó)

累計(jì)投入養(yǎng)護(hù)資金1.29萬億元，取得了巨大的成效，普通國(guó)省干線

優(yōu)良路率達(dá)到了84%。然而，目前還存在病害檢測(cè)、評(píng)估方式傳統(tǒng)，

快速化、智能化整體水平偏低等問題，與科學(xué)養(yǎng)護(hù)發(fā)展的要求、與

建設(shè)現(xiàn)代化經(jīng)濟(jì)體系的目標(biāo)相比還不適應(yīng)。面臨著如此巨大的公路

網(wǎng)規(guī)模，高效地進(jìn)行病害檢測(cè)，同時(shí)科學(xué)合理地做出養(yǎng)護(hù)決策，是

推進(jìn)我國(guó)未來公路發(fā)展的關(guān)鍵。對(duì)于干線公路的養(yǎng)護(hù)工作，最重要

的是對(duì)于路面病害的檢測(cè)和處理，例如路面裂縫、坑槽等病害的及

時(shí)發(fā)現(xiàn)和診斷。以往基于路面檢測(cè)車對(duì)路面病害的定期檢測(cè)多數(shù)為

半年一檢甚至一年一檢，效率低且成本高。同時(shí)，較低的檢測(cè)頻率

會(huì)造成路面輕微病害得不到及時(shí)處理而演化發(fā)展成為嚴(yán)重病害，極

大提高后期養(yǎng)護(hù)維修費(fèi)用，甚至?xí)斐扇嗣裆拓?cái)產(chǎn)損失。因此，

為了滿足我國(guó)公路的養(yǎng)護(hù)管理體系發(fā)展和完善的需求、貫徹落實(shí)我

國(guó)建設(shè)交通強(qiáng)國(guó)的政策要求，對(duì)于公路病害的定期檢測(cè)工作要做到

快速、高頻、高效，才能夠?qū)崿F(xiàn)未來道路養(yǎng)護(hù)工作者及時(shí)發(fā)現(xiàn)路面

病害及潛在缺陷，合理安排和分配養(yǎng)護(hù)人員和資金投入?？紤]到我

2

國(guó)龐大的公路網(wǎng)規(guī)模，大規(guī)模推廣成本低、輕量化、便攜式的路面

病害快速檢測(cè)設(shè)備勢(shì)在必行。

為了適應(yīng)大規(guī)模公路快速檢測(cè)工作的需求，交通運(yùn)輸部公路科

學(xué)研究院、山東大學(xué)、同濟(jì)大學(xué)、武漢大學(xué)、長(zhǎng)安大學(xué)、山東高速

集團(tuán)等單位先后研發(fā)了針對(duì)路面病害檢測(cè)的自動(dòng)化設(shè)備，集成了高

速工業(yè)相機(jī)、GPS定位、激光檢測(cè)等先進(jìn)技術(shù)，能夠?qū)崿F(xiàn)快速化對(duì)路

面病害情況的精準(zhǔn)定位和無傷診斷，檢測(cè)效果也在工程應(yīng)用中得到

了驗(yàn)證。然而，由于缺乏統(tǒng)一的規(guī)范指引，各檢測(cè)設(shè)備對(duì)于路面病

害的檢測(cè)和評(píng)估標(biāo)準(zhǔn)互不相同。因此無法針對(duì)不同路面病害形式、

程度、等級(jí)給出規(guī)范性科學(xué)養(yǎng)護(hù)輔助決策，阻礙了快速化檢測(cè)技術(shù)

在全國(guó)范圍內(nèi)的推廣和應(yīng)用。

二、標(biāo)準(zhǔn)編制原則及依據(jù)

（1）標(biāo)準(zhǔn)編制原則

按照GB/T1.1－2020《標(biāo)準(zhǔn)化工作導(dǎo)則第1部分：標(biāo)準(zhǔn)化文

件的結(jié)構(gòu)和起草規(guī)則》要求進(jìn)行編寫。

參照相關(guān)法律、法規(guī)和規(guī)定，在編制過程中著重考慮了科學(xué)性、

適用性和可操作性。

（2）標(biāo)準(zhǔn)編制依據(jù)

本標(biāo)準(zhǔn)參考GB/T26764多功能路況快速檢測(cè)裝置、JTG5210

公路技術(shù)狀況評(píng)定標(biāo)準(zhǔn)、JTG/TE61公路路面技術(shù)狀況自動(dòng)化檢測(cè)

規(guī)程和JT/T1167車載式路況快速巡查裝備中公路狀況評(píng)定標(biāo)準(zhǔn)、

檢測(cè)標(biāo)準(zhǔn)或者公路檢測(cè)設(shè)備規(guī)定，并基于我國(guó)公路技術(shù)狀況檢測(cè)評(píng)

定的經(jīng)驗(yàn)，吸收了國(guó)內(nèi)外先進(jìn)成熟的新技術(shù)和新方法，在工程化示

范應(yīng)用的基礎(chǔ)上，進(jìn)一步完善了我國(guó)公路路面快速檢測(cè)的基本規(guī)定、

路面損壞、平整度、車轍及其他要求。

3

三、項(xiàng)目背景及工作情況

（一）任務(wù)來源

根據(jù)《中國(guó)國(guó)際科技促進(jìn)會(huì)標(biāo)準(zhǔn)化工作委員會(huì)團(tuán)體標(biāo)準(zhǔn)管理辦

法》的有關(guān)規(guī)定，經(jīng)中國(guó)國(guó)際科技促進(jìn)會(huì)標(biāo)準(zhǔn)化工作委員會(huì)及相關(guān)

專家技術(shù)審核，批準(zhǔn)《公路路面病害快速檢測(cè)技術(shù)指南》團(tuán)體標(biāo)準(zhǔn)

制定計(jì)劃（計(jì)劃編號(hào)：CI2023563）。本標(biāo)準(zhǔn)由山東大學(xué)提出，中國(guó)

國(guó)際科技促進(jìn)會(huì)歸口。

根據(jù)計(jì)劃要求，本標(biāo)準(zhǔn)完成時(shí)限為8個(gè)月。

（二）標(biāo)準(zhǔn)起草單位

本標(biāo)準(zhǔn)的主要起草單位是濟(jì)南新舊動(dòng)能轉(zhuǎn)換起步區(qū)管理委員會(huì)

建設(shè)管理部，濟(jì)南先投產(chǎn)業(yè)發(fā)展有限公司，山東大學(xué)，濟(jì)南卓倫智

能交通技術(shù)有限公司，北京交通大學(xué)，濟(jì)南市市政工程設(shè)計(jì)研究院

(集團(tuán))有限責(zé)任公司，濟(jì)南金曰公路工程有限公司負(fù)責(zé)標(biāo)準(zhǔn)文檔起

草及相關(guān)文件的編制等。

本文件主要起草人：王小超、吳建清、鄭兆宇、于宗曉、劉軼

鵬、王虎、張海巖、蘇航、田源、高孝舵、石華軍、石偉敬、華彬

彬、范俊德、刑邦寧、馮小濤、趙玉璽

（三）標(biāo)準(zhǔn)研制過程及相關(guān)工作計(jì)劃

1)征求意見稿編制階段：

任務(wù)下達(dá)后，項(xiàng)目承擔(dān)單位山東大學(xué)于2024年3月中旬成立標(biāo)準(zhǔn)

編制組。編制組成員對(duì)公路路面病害快速檢測(cè)的有關(guān)內(nèi)容分別進(jìn)行

了調(diào)研。經(jīng)匯總討論后，編制組確定了標(biāo)準(zhǔn)中需要規(guī)定的主要技術(shù)

內(nèi)容，并于2024年6月上旬完成初稿并發(fā)送給各參與單位征求意見。

2024年8月下旬根據(jù)在各單位反饋意見基礎(chǔ)上，形成了標(biāo)準(zhǔn)征求意見

稿并由中國(guó)國(guó)際科促會(huì)審查，提交全國(guó)標(biāo)準(zhǔn)信息平臺(tái)向全社會(huì)公開

征求意見。

4

2)標(biāo)準(zhǔn)評(píng)審會(huì)階段：

計(jì)劃2024年9月初，中國(guó)國(guó)際科技促進(jìn)會(huì)組織線上專家評(píng)審會(huì)。

項(xiàng)目標(biāo)準(zhǔn)編制組組長(zhǎng)詳細(xì)介紹了標(biāo)準(zhǔn)編制的背景和標(biāo)準(zhǔn)內(nèi)容。與會(huì)

委員就該標(biāo)準(zhǔn)的主要技術(shù)問題進(jìn)行了認(rèn)真的討論，并出于提高標(biāo)準(zhǔn)

水平的目的，給出了一些建議。建議匯總及編制組答復(fù)情況見附件

《標(biāo)準(zhǔn)論證會(huì)建議及答復(fù)匯總》。

（四）主要試驗(yàn)（或驗(yàn)證）情況分析

1.基于多尺度特征的公路路面裂縫提取與評(píng)估體系研究

路面圖像裂縫自動(dòng)檢測(cè)技術(shù)是公路養(yǎng)護(hù)技術(shù)的重要方向，路面

圖像中裂縫檢測(cè)是路面圖像處理的關(guān)鍵步驟。對(duì)路面裂縫圖像進(jìn)行

裂縫邊緣檢測(cè)是裂縫智能檢測(cè)的有效手段之一。隨著移動(dòng)數(shù)據(jù)采集

技術(shù)的成熟及應(yīng)用，通過車載照相機(jī)等采集設(shè)備可以直接獲取路面

的高分辨率影像，作業(yè)人員在計(jì)算機(jī)軟件的輔助下對(duì)圖像進(jìn)行手工

病害勾畫，進(jìn)而將路面表面各種類型的損壞通過其對(duì)路面使用性能

的影響程度加權(quán)累計(jì)計(jì)算損壞面積和路面破損率，獲得各個(gè)評(píng)價(jià)單

元（國(guó)、省干道每公里為一個(gè)單元，農(nóng)村道路每100米為一個(gè)單元）

的路面損壞狀況指數(shù)（PavementSurfaceConditionIndex，PCI），

這是目前普遍采用的技術(shù)方法。該方法雖然較原始的現(xiàn)場(chǎng)量測(cè)有較

大的技術(shù)提升，但仍存在內(nèi)業(yè)人工判讀效率低、工作量大、主觀性

強(qiáng)等問題，成為制約路面檢測(cè)工作的技術(shù)瓶頸。

當(dāng)前，路面裂縫提取方法主要由改進(jìn)的閾值分割算法、機(jī)器學(xué)

習(xí)方法和深度學(xué)習(xí)方法。由于采用傳統(tǒng)閾值提取方法缺少對(duì)全局信

息的描述，對(duì)噪聲敏感，不適合用于復(fù)雜場(chǎng)景下的裂縫檢測(cè)。這些

方法缺少對(duì)全局信息的描述，對(duì)噪聲敏感，并且主要依賴于閾值的

選擇。由于復(fù)雜多樣的拓?fù)浣Y(jié)構(gòu)、任意形狀和不同寬度，以及道路

上存在油斑、雜草、污漬和其他強(qiáng)烈干擾，使得這些方法對(duì)裂縫的

5

識(shí)別和檢測(cè)構(gòu)成挑戰(zhàn)，其性能仍然有限。采用基于機(jī)器學(xué)習(xí)方法都

是通過手動(dòng)設(shè)定顏色或紋理特征對(duì)裂縫進(jìn)行模擬，在這些方法中通

過手工設(shè)定的特征只能滿足于某些特定情況下的裂縫檢測(cè)，當(dāng)出現(xiàn)

新的裂縫環(huán)境就需要重新設(shè)定，然而這些方法不能夠?qū)Χ嘧兊穆访?/p>

環(huán)境中的裂縫進(jìn)行有效提取。

針對(duì)復(fù)雜背景下的裂縫自動(dòng)提取，本章首先對(duì)高級(jí)別特征下的

語(yǔ)義分割技術(shù)進(jìn)行了研究，進(jìn)而提出采用基于全卷積網(wǎng)絡(luò)的端到端

裂縫提取網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)在裂縫圖像中進(jìn)行像素級(jí)提取。在裂縫自

動(dòng)提取網(wǎng)絡(luò)中，首先提出了一個(gè)全新的多尺度擴(kuò)張卷積模塊，該模

塊在多個(gè)尺度下捕獲裂縫上下文信息。在此基礎(chǔ)上，采用注意力機(jī)

制進(jìn)一步細(xì)化裂縫特征，構(gòu)造的多尺度注意力模塊能夠在復(fù)雜背景

下學(xué)習(xí)到的裂縫特征具有更強(qiáng)判別力和魯棒性。另外，通過裂縫低

級(jí)特征與高級(jí)特征的融合，提出了一種有效的特征融合上采樣模塊

用于獲取更加精細(xì)的分割效果。

（1）多尺度路面裂縫提取網(wǎng)絡(luò)

利用多尺度特征的端到端新型裂縫提取方法，該方法主要分為

四個(gè)部分：第一部分中，引入多尺度擴(kuò)張卷積模塊以獲取裂縫圖像

中更豐富的上下文信息，初步得到裂縫檢測(cè)融合后的特征映射。第

二部分中，利用不同分辨率特征映射提出了一種新的上采樣方法。

這種上采樣方法可以將豐富的層級(jí)映射恢復(fù)至原始圖像大小，最終

獲得裂縫精細(xì)分割結(jié)果。第三部分通過引入多尺度擴(kuò)張注意力模塊

和特征融合上采樣模塊構(gòu)建了路面裂縫提取網(wǎng)絡(luò)，從多個(gè)層次提取

的這些特征允許使用豐富的結(jié)構(gòu)化信息重新定義具有代表性的裂縫

標(biāo)記。

（2）多尺度擴(kuò)張注意力模塊

采用由上至下的卷積神經(jīng)網(wǎng)絡(luò)能夠識(shí)別具有判別力的目標(biāo)區(qū)域，

6

但是對(duì)于判別力較弱的目標(biāo)區(qū)域會(huì)失去分類能力。在深度神經(jīng)網(wǎng)絡(luò)

中，感受野的尺寸代表可用的語(yǔ)義信息有多少。通過擴(kuò)張卷積增加

卷積核感受野的大小能夠有效地混合目標(biāo)周邊語(yǔ)義信息，從而提高

分類能力。擴(kuò)張卷積是標(biāo)準(zhǔn)卷積的一種特殊形式，通過在卷積核的

像素之間插入零值來增大核的有效感受野，如圖1.1所示。

圖1.1擴(kuò)張卷積

對(duì)于當(dāng)前的深度學(xué)習(xí)模型，通常將感受野（ReceiptField）與

特征圖上的常規(guī)采樣網(wǎng)格設(shè)置為相同大小，這可能會(huì)導(dǎo)致特征可分

辨性和魯棒性方面的損失。Inception考慮了多種大小的感受野，

并通過啟動(dòng)具有不同卷積內(nèi)核的多分支CNN來實(shí)現(xiàn)此概念。它的變

體在目標(biāo)檢測(cè)（在兩階段框架中）和分類任務(wù)中獲得了競(jìng)爭(zhēng)性的結(jié)

果。但是，Inception中的所有內(nèi)核都是在同一中心采樣的。在

DeepLab中采用了類似的想法，其中利用空洞空間金字塔池（Atrous

SpatialPyramidPooling,ASPP）來捕獲多尺度信息。在頂部特征

圖上應(yīng)用了幾種具有不同粗率的并行卷積來改變距中心的采樣距離，

這在語(yǔ)義分割中是有效的。但是這些特征僅具有相同內(nèi)核大小的先

前卷積層的一致分辨率，并且與雛菊形的卷積層相比，所得特征趨

向于不那么鮮明。可變形的DCNN嘗試根據(jù)物體的大小和形狀來自

適應(yīng)地調(diào)整RF的空間分布。盡管其采樣網(wǎng)格是可行的，但并未考

慮RF偏心的影響，其中RF中的所有像素均對(duì)輸出響應(yīng)做出同等

貢獻(xiàn)，并且沒有強(qiáng)調(diào)最重要的信息。

7

在多尺度擴(kuò)張卷積網(wǎng)絡(luò)中主要采用了兩種卷積操作：（i）首先

通過標(biāo)準(zhǔn)的卷積核獲取準(zhǔn)確的定位映射，這樣會(huì)使目標(biāo)具有較強(qiáng)判

別力的部分被提取出來，但與之相關(guān)的部分區(qū)域會(huì)被漏掉。（ii）

為了將具有判別力的突出區(qū)域轉(zhuǎn)移至目標(biāo)的其他區(qū)域，采用了不同

的擴(kuò)張率增大卷積核的感受野。通過這種方法，來自相鄰?fù)癸@區(qū)域

的判別力特征會(huì)被轉(zhuǎn)化到那些沒有被發(fā)現(xiàn)的目標(biāo)相關(guān)區(qū)域。通過研

究發(fā)現(xiàn)，帶有大擴(kuò)張率的卷積塊會(huì)引入一些不相關(guān)的區(qū)域，例如一

些真陰性的區(qū)域會(huì)通過相鄰判別對(duì)象被提取出來。為此，在網(wǎng)絡(luò)中

提出采用小擴(kuò)張率的多尺度擴(kuò)張卷積網(wǎng)絡(luò)。

圖1.2多尺度擴(kuò)張卷積模塊

（3）特征融合上采樣模塊

雖然編碼階段的多尺度擴(kuò)張卷積模塊能夠?qū)⑤斎雸D像轉(zhuǎn)換成豐

富的語(yǔ)義視覺特征，但這些特征具有粗糙的空間分辨率，上采樣的

目的是將這些特征恢復(fù)到輸入圖像分辨率大小，從而預(yù)測(cè)出裂縫空

間分布信息。受到Deeplabv3+中上采樣模塊的啟發(fā)，我們提出的上

采樣模塊主要包含兩個(gè)輸入：具有高級(jí)語(yǔ)義信息的低分辨率特征，

和淺層網(wǎng)絡(luò)中的高分辨率特征，其思想是使用不同尺度提取的特征

8

來提供局部和全局上下文信息。如圖4.4所示，較淺編碼層的特征

映射保留了更多的空間細(xì)節(jié)，從而得到更精細(xì)的邊界；較深層的特

征映射具有更強(qiáng)的表征能力。上采樣模塊首先對(duì)低級(jí)別特征和高級(jí)

別特征連接，進(jìn)而采用BN來平衡特征尺度。其次，采用與多尺度擴(kuò)

張注意力模塊中類似的注意力機(jī)制計(jì)算加權(quán)特征向量，這個(gè)權(quán)重向

量可以重新對(duì)特征進(jìn)行選擇和組合，對(duì)融合后的特征進(jìn)行細(xì)化，提

高特征表達(dá)能力。最后，連續(xù)采用2個(gè)3×3的卷積操作提高特征

表達(dá)能力，并恢復(fù)至輸入圖像大小。上采樣模塊能夠利用高層次和

低層次的混合特征圖來恢復(fù)圖像像素的定位，如圖1.3所示，由于

上采樣模塊是可學(xué)習(xí)的，具有捕獲和恢復(fù)在雙線性插值操作中丟失

的精細(xì)信息的能力。

圖1.3特征融合上采樣模塊

（4）網(wǎng)絡(luò)結(jié)構(gòu)

根據(jù)提出的多尺度注意力模塊和上采樣模塊，構(gòu)建了裂縫提取

網(wǎng)絡(luò)，如圖1.4所示。給定輸入裂縫圖像，首先采用ResNet預(yù)訓(xùn)練

模型來提取裂縫特征。在Block4特征映射后面，采用多尺度注意

力模塊（MultiscaleDilatedAttention，MDA）獲取多尺度下的裂

縫語(yǔ)義信息，進(jìn)而將不同級(jí)別下的語(yǔ)義信息融合得到全局先驗(yàn)，將

此作為網(wǎng)絡(luò)的高級(jí)別特征。然后通過特征融合上采樣（Feature

9

FusionUpsampling,FFU）模塊融合Block1中產(chǎn)生的淺層特征，

使得網(wǎng)絡(luò)輸出的特征映射尺寸與輸入圖像大小保持一致，最終計(jì)算

每個(gè)像素屬于裂縫或非裂縫的概率。該網(wǎng)絡(luò)能夠同時(shí)達(dá)到高準(zhǔn)確率

和高實(shí)時(shí)率。

圖1.4裂縫提取網(wǎng)絡(luò)

裂縫提取網(wǎng)絡(luò)的訓(xùn)練過程共分為兩個(gè)部分：前向傳播和反向傳

播。前向傳播主要計(jì)算在當(dāng)前參數(shù)下的預(yù)測(cè)分類結(jié)果，利用反向傳

播更新訓(xùn)練參數(shù)，從而使得實(shí)際與期望分類結(jié)果之間的差異盡可能

小。為了計(jì)算預(yù)測(cè)結(jié)果和實(shí)際類別的偏差，為了能夠?qū)α芽p和背景

信息有效的區(qū)分，在訓(xùn)練過程中采用GeneralizedDiceLoss

（GDL）函數(shù)作為裂縫檢測(cè)網(wǎng)絡(luò)的損失函數(shù)：

2(1-1)

l=1wl