基于无人机影像的高速公路标线检测方法研究

摘要：为降低维护成本，及时发现高速公路标线的损坏、污染等问题，便于及时进行修复和更新，使用无人机进行标线检测时能够确保安全的前提下，低成本、高效率的进行检测工作。通过及时发现和修复标线问题，可以有效提高行车安全性，减少交通事故的发生率，保障道路通行的顺畅性和安全性。同时，利用无人机进行标线检测还能够提高检测的覆盖范围和频率，实现全面、及时地监测公路标线情况，为道路维护管理提供更加全面的数据支持。文章结合无人机技术的发展现状，针对以往的无人机高速公路标线检测算法存在的检测速度慢，检测精度低的问题，提出使用DeepLebV3+对高速公路标线进行检测，为标线维护保养工作提供帮助。

关键词：无人机影像；DeepLebV3+；高速公路；标线检测

0 引言

高速公路标线的维护和保养一直是公路养护的重要内容。利用在无人机上安装不同类型的传感仪器进行标线检测代替人工巡检进行这一项工作，不同于传统依赖人工进行巡检或者车载摄像头巡检工作量大、效率低的特点，无人机工作能够快速进行大面积覆盖式检测，通过高分辨率图像采集获得更加精准的检测结果，节约大量人力物力成本[1-4]。在路面异常状态检测方面，林杰[5]等人针对湖北省高速公路现状，将智能巡检终端与检测车相结合，实现对路面标线、桥梁、护栏等多种设施的巡检，在一定程度上提高了巡检效率、降低了巡检花费，但存在公路桥梁人工巡检过程中监管难度大、专业化水平低、资料收集不规范等问题；王春晓[6]等人设计了一种基于ArcEngine的巡检系统，该系统由养护工程师制定巡检计划，巡检人员通过巡检终端（手机、平板电脑）记录病害，完成现场巡检任务并上传数据，但存在人工参与度高、效率低等问题。

传统的高速公路路面异常状态检测方法存在诸多不足，例如，检测周期长、效率低、成本高、数据复核困难、人为因素干扰大等问题。在过去，通常采用巡检车等方式对路面情况进行定期巡查，然而，这种方式存在诸多限制。首先，巡检车的行驶速度受到路况、交通流量等因素的影响，往往不能满足对大范围区域的快速监测需求。其次，传统的巡检方法依赖于人工观察和判断，容易受到人为因素的影响，存在主观性和不确定性，影响了检测结果的可靠性和准确性。因此，迫切需要研究一种新的高速公路路面异常状态检测方法，以提高检测效率、降低成本、减少人为因素的干扰，从而更好地完成交通安全设施的检测任务。

近些年无人机技术飞速发展，已经具备了低空精准作业的能力，配合近几年进展迅速的语义分割技术，已经能够取代大部分人工进行道路路面异常的巡检工作。在语义分割领域，DeepLab系列是比较经典的结构之一，它最早是由Google Brain团队提出的一种用于语义分割的深度学习模型。DeepLabV1通过引入空洞卷积（Atrous Convolution）和条件随机场等技术，通过在卷积层中引入空洞（或称膨胀率），扩大了卷积核的感受野，从而能够更好地捕获图像中的上下文信息。DeepLabV2在此基础上利用残差网络替换模型主干，并采用空洞空间金字塔池化（ASPP）扩大感受野，用于多尺度特征提取。ASPP模块可以在不同尺度下获取特征，提高了模型对物体边界和细节的捕获能力，进一步提高了检测精度。DeepLabV3在DeepLab v2的基础上进行了改进，提出了带有解码器的全卷积网络结构，用于对语义分割结果进行上采样和调整。同时，DeepLab v3还引入了条件随机场（CRF）作为后处理步骤，进一步优化了语义分割的效果。而DeepLabV3+则引入了编码器-解码器结构和深度可分离卷积，实现了特征层的跨尺度融合和更精细的物体边界，能够有效提高高速公路标线的检测精度。

1 高速公路标线检测算法

DeepLabV3+是由 Google提出的网络语义分割算法模型，为了进行多尺度信息融合，其引入了语义分割中最经典的encoder-decoder形式，引入可任意控制的编码器以提取特征的分辨率，通过空洞卷积来平衡精度和耗时，提取更加有效的特征。在本文中编码器部分，使用了Xception主干网络，利用其进行图像特征提取并将其分为浅层语义特征和深层语义特征两部分。编码器部分，输入图像通过Xception深度卷积神经网络进行处理，生成一系列特征图。这些特征图被分成两组：第一组直接传入解码器。第二组通过并行的Atrous Convolution层进行特征提取。在Atrous Convolution过程中，我们使用不同空洞率的卷积核，以便在不同尺度上获取特征信息。各个空洞率特征图被合并，融合了不同尺度的信息。

最后，通过1x1卷积进行特征压缩，减少维度。解码器部分，解码器的输入包括两组特征：一组来自Xception的输出。另一组来自经过并行空洞卷积的特征。这两组特征进行适当的处理后结合在一起，通过拼接或加权求和等方式。结合后的特征用于图像分割任务，可能通过卷积和上采样等操作生成最终的分割结果。这种结构利用了Xception提取的特征，并通过并行空洞卷积层来获取不同尺度的信息，从而提高了图像分割的性能。DeepLabV3+网络标线提取算法架构如图1 所示。

图1  DeepLabV3+网络标线提取算法

2 检测结果与分析

本文实验使用Windows10操作系统，处理器为AMD Ryzen 9 5950X，显卡为NVIDIA GeForce RTX 3090Ti，开发网络架构为Pytorch1.10。模型的Batchsize设置为12，工作线程设置为4，训练轮次设置为100轮次，最大学习率设置为0.01，使用线性调整策略，优化器选择随机梯度下降方法，损失函数使用CE_Loss。本文使用的评价指标为交并比IoU和F1分数，其计算公式如下所示：

式中：TP为真正例，FP为假正例，FN为假负例。

为保证检测结果的准确性，检测过程选取了一段采集于某一段高速公路的无人机航拍视频，视角都为正常检测的50米正射视角，图像分辨率为1920×1080，视频裁剪过后大约2000张照片，其训练过程Loos变化情况如图2所示。

图2 loss变化情况

其检测精度如表1所示。

本文在训练结束后，选取最优权重进行标线检测，从测试集中随机抽取图像进行检测结果示例，如图3所示。

图3 标线检测结果

图3所示为场景下检测之后的结果图，由图中可以看出算法准确的检测到了高速公路的标线。证明了本文中提到的检测算法准确率和稳定性，为高速公路标线的准确检测提供了可靠的技术支持，为维护保养工作提供了可靠的数据基础。

3 结束语

文中提出了利用无人机进行道路标线检测的方法，而且提出了一种新的道路标线检测算法。首先将航拍道路图像中的路面语义分割出来，剔除非路面区域的复杂背景，分割之后的航拍图像简单直观，能够有效提高检测效率。利用无人机技术进行高速公路路面异常状态检测，重点讨论了改进DeepLabV3+模型在此任务中的应用，由实验可以看出，采用DeepLabV3+进行无人机公路标线检测，获得了79.13%的IOU、80.32Mpa、87.92%的F1得分，能够有效的实现对无人机标线的高精度检测。这一方法为高速公路标线检测提供了一种高效、精准的解决方案，有望在未来实际应用中发挥重要作用，提升公路养护的效率和质量，进一步保障交通安全。后面的工作就是不断拓展数据集以获得更高的精度，并针对产生的误差进行不断纠错改进。 

参考文献

[1]苏伟胜,梁才,罗祺. 无人机在桥梁检测中的应用研究[J].西部交通科技,2023,(11):191-193.2023.11.057.

[2]魏必成,温龙辉,王司宇. 基于无人机的桥梁裂缝检测方法研究综述[J].西部交通科技,2023,(09):127-129.2023.09.038.

[3]Wang Q L, Wu B G, Zhu P F, et al. ECA-net: efficient channel attention for deep convolutional neural networks[C]∥2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), June 13-19, 2020,Seattle, WA, USA. New York: IEEE Press, 2020:11531-11539.

[4]Zhao H S, Shi J P, Qi X J, et al. Pyramid scene parsing network[C]∥2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), July 21-26, 2017,Honolulu, HI, USA. New York: IEEE Press, 2017:6230-6239.Zhao H S, Shi J P, Qi X J, et al. Pyramid scene parsing network[C]∥2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), July 21-26, 2017,Honolulu, HI, USA. New York: IEEE Press, 2017:6230-6239.

[5]林杰, 金明. 智能化高速公路巡检养护管理系统关键技术与设计[J]. 公路, 2020, 65(04): 339-344.

[6]王春晓, 王斐. 基于ArcEngine的公路巡检系统设计与实现[J]. 测绘科学, 2014, 39(05): 40-42.