基于深度神经网络的路面裂缝病害自动识别文献综述

文献综述（或调研报告）：

通过采集路面图像进行裂缝病害检测，始于20世纪70年代，经历了摄影设备、模拟相机、面阵相机、线阵相机四代设备的发展^[1]。

2006年，英国TRL机构对HARRIS、WayLink、RoadWare、WDM和Jacobs．Babtie，五套系统进行了裂缝自动识别结果对比分析^[2]。用HARRIS检测车采集图像的人工识别结果作为标准数据，其他设备的自动识别结果与标准数据进行对比。结果表明，当路面损坏较少时，检测结果比较一致，但是每套自动检测系统都会有识别较好的和识别较差的路段。路面设施，包括接缝、磨损、粗纹理等对每个检测系统都会造成误识别干扰。

2007年美国国家公路合作研究项目National Cooperative Highway Research Program (NCHRP)进行了一项名为《Automated Real-Time Pavement Crack Detection and Classification System》的研究^[3]。Cheng等人总结了当时的自动检测设备，提出普遍存在的几个问题，包括：数据处理精度低、速度慢；只能识别某几种裂缝；多数系统无法实时处理数据，大部分采用离线处理的方式。多数检测系统都具备自动识别裂缝的功能，但是在不同程度上都存在错误识别的情况，自动识别系统需要进行人工干预，以获得较好的识别结果^[4]。

2008年，美国TRB出版的报告^[5]中指出，人工裂缝判读系统仍然在广泛的应用，但是成本较高。自动识别系统存在许多缺陷，如疲劳裂缝和修补过的裂缝在图像上无法识别，光照和阴影造成许多噪声干扰，自动裂缝检测系统仍在不断的研究和改进。历史研究文献中，多数针对整洁的沥青路面裂缝图像，裂缝较连续且对比度明显，识别效果较好，但是仅适应特定的路面条件。而实际使用中的道路都不可避免地存在着油污、路面磨损、纹理斑点、路面设施、光照、阴影等的干扰。当路面图像背景比较复杂，存在路面干扰时，每一套算法或裂缝识别系统都会存在误识别，将刻槽、接缝、油污等误识为裂缝，造成裂缝识别准确率低。自动识别系统无法适用于实际的道路检测，缺乏可应用于普遍道路情况的裂缝自动检测系统。

目前已存在许多传统基于在三维路面数据的图像处理算法，包括Jahanshahi等人^[6]和欧阳等人^[7]分别提出的深度检查方法自动化裂缝检测，蒋等人^[8]提出改性的动态优化算法，张等人^[9]提出交互式裂纹检测算法，Sollazzo等人^[10]提出混合裂纹检测程序，以及张等人^[11]提出3D建模阴影算法。然而，传统的算法中应对多样路面表面裂缝检测的的复杂性有很大的局限性，并缺乏来自实施例的数据中学习的能力^[12]。

Cha等人^[13]以及Chen等人^[14]运用图像处理技术以弥补图像检测的复杂性问题；Abdel Qader^[15]对四种边缘检测方法：快速Haar变换（fht）、快速傅立叶变换（fast fourier transform）、Sobel边缘检测和Canny边缘检测在混凝土裂缝检测方面进行了早期比较研究，他认为快速Haar变换为该任务的最佳解决方案。

Yeum和Dyke^[16]提出了一项利用IPT结合滑动窗口技术检测钢裂纹的研究，很好地展示了图像处理技术的潜力。