项目简介

近年来中国现代化建设快速发展，基础设施网络规模居世界前列，与此同时基础设施（如公路、桥梁、隧道、机场道面等）安全运营、养护管理的工作日益重要。通过道路路面检测判断道路的使用情况以及损坏程度，是养护管理的关键所在。而以传统人工、半自动为主的检测手段费人力，且受人为因素影响，不利于对路面损坏进行客观和准确的评价，并且在检测效率和精度上均无法满足安全检测的需要。此外，现有以自动化方式实现的道面病害检测技术，大多仅针对不同形状大小的裂缝进行检测，而实际中道面的病害种类多样，不同类别的道面损坏检测分析能够更加充分细致地反映路面损坏的严重程度。

因此，本技术针对机场、桥梁等道面表观安全检测重大需求，面向道面安全检测中检测数据噪声干扰强、形态多样等难题，研究精细化的道面表观病害自动检测机理与分割方法，实现多类别道面病害的高精度检测分割。

当前面向道面表观病害检测的技术主要聚焦于具有细长形状特点的裂缝检测与分割，现有技术大多采用基于深度学习的方法，无需手动设计特征表达来区分裂缝和背景， 并且能够从训练数据中隐式地融合复杂的光照变化、裂缝形状的不规则变化等。

常见的裂缝检测分割模型有：基于端到端即像素到像素结构的全卷积网络，将图像像素转换为像素类别实现裂缝的像素级分类；U型语义分割网络通过使解码器共享编码器中获得的浅层特征图，能够弥补下采样操作过程中空间信息的丢失；生成对抗网络可以有效缓解生成对抗网络中易产生的模式崩溃现象，同时有效降低图像中的噪声，保留裂缝信息中的更多细节等。

不同于现有技术，本项目技术聚焦于道面表观多种类别的病害（如较细小的角隅断裂、接缝破碎，以及较大面积的补丁、修补等），融合多种类型的特征编码（包括空间位置信息、上下文信息和边缘信息），并通过多任务学习的方式，实现表观病害的精细化检测分割。

应用领域

本技术可应用在机场、桥梁、隧道等公共交通领域的重大基础设施安全检修领域，服务的目标客户为民航局、中铁隧道集团等，目标用户为机场、高速公路、隧道等通行的旅客，通过定期对采集的道面表观数据进行精细化的病害自动检测与分割，实现道面病害的安全预警，以此保障旅客的出行安全。