2《公路路面病害快速檢測技術(shù)指南》編制說明一、標(biāo)準(zhǔn)制定的必要性公路是國家現(xiàn)代化建設(shè)的重要基礎(chǔ)設(shè)施。黨的二十大報告中提出了要“加快建設(shè)交通強(qiáng)國”，這是對十九大交通強(qiáng)國建設(shè)的戰(zhàn)略升級，給我國公路建設(shè)和管理提出了新的要求。自十九大以來，交通運輸部陸續(xù)出臺交通強(qiáng)國行業(yè)篇章、地方篇章，制定印發(fā)了《交通強(qiáng)國建設(shè)評價指標(biāo)體系》，組織開展交通強(qiáng)國建設(shè)試點工作。截公路養(yǎng)護(hù)是保證公路使用壽命的重要保障。我國龐大的公路網(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，全國累計投入養(yǎng)護(hù)資金1.29萬億元，取得了巨大的成效，普通國省干線優(yōu)良路率達(dá)到了84%。然而，目前還存在病害檢測、評估方式傳統(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，同時科學(xué)合理地做出養(yǎng)護(hù)決策，是推進(jìn)我國未來公路發(fā)展的關(guān)鍵。對于干線公路的養(yǎng)護(hù)工作，最重要的是對于路面病害的檢測和處理，例如路面裂縫、坑槽等病害的及時發(fā)現(xiàn)和診斷。以往基于路面檢測車對路面病害的定期檢測多數(shù)為半年一檢甚至一年一檢，效率低且成本高。同時，較低的檢測頻率會造成路面輕微病害得不到及時處理而演化發(fā)展成為嚴(yán)重病害，極為了滿足我國公路的養(yǎng)護(hù)管理體系發(fā)展和完善的需求、貫徹落實我國建設(shè)交通強(qiáng)國的政策要求，對于公路病害的定期檢測工作要做到快速、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3國龐大的公路網(wǎng)規(guī)模，大規(guī)模推廣成本低、輕量化、便攜式的路面為了適應(yīng)大規(guī)模公路快速檢測工作的需求，交通運輸部公路科學(xué)研究院、山東大學(xué)、同濟(jì)大學(xué)、武漢大學(xué)、長安大學(xué)、山東高速集團(tuán)等單位先后研發(fā)了針對路面病害檢測的自動化設(shè)備，集成了高速工業(yè)相機(jī)、GPS定位、激光檢測等先進(jìn)技術(shù)，能夠?qū)崿F(xiàn)快速化對路面病害情況的精準(zhǔn)定位和無傷診斷，檢測效果也在工程應(yīng)用中得到了驗證。然而，由于缺乏統(tǒng)一的規(guī)范指引，各檢測設(shè)備對于路面病害的檢測和評估標(biāo)準(zhǔn)互不相同。因此無法針對不同路面病害形式、程度、等級給出規(guī)范性科學(xué)養(yǎng)護(hù)輔助決策，阻礙了快速化檢測技術(shù)二、標(biāo)準(zhǔn)編制原則及依據(jù)按照GB/T1.1－2020《標(biāo)準(zhǔn)化工作導(dǎo)則第1部分：標(biāo)準(zhǔn)化文本標(biāo)準(zhǔn)參考GB/T26764多功能路況快速檢測裝置、JTG5210公路技術(shù)狀況評定標(biāo)準(zhǔn)、JTG/TE61公路路面技術(shù)狀況自動化檢測規(guī)程和JT/T1167車載式路況快速巡查裝備中公路狀況評定標(biāo)準(zhǔn)、檢測標(biāo)準(zhǔn)或者公路檢測設(shè)備規(guī)定，并基于我國公路技術(shù)狀況檢測評定的經(jīng)驗，吸收了國內(nèi)外先進(jìn)成熟的新技術(shù)和新方法，在工程化示4三、項目背景及工作情況（一）任務(wù)來源根據(jù)《中國國際科技促進(jìn)會標(biāo)準(zhǔn)化工作委員會團(tuán)體標(biāo)準(zhǔn)管理辦法》的有關(guān)規(guī)定，經(jīng)中國國際科技促進(jìn)會標(biāo)準(zhǔn)化工作委員會及相關(guān)專家技術(shù)審核，批準(zhǔn)《公路路面病害快速檢測技術(shù)指南》團(tuán)體標(biāo)準(zhǔn)制定計劃（計劃編號：CI2023563）。本標(biāo)準(zhǔn)由山東大學(xué)提出，中國（二）標(biāo)準(zhǔn)起草單位本標(biāo)準(zhǔn)的主要起草單位是濟(jì)南新舊動能轉(zhuǎn)換起步區(qū)管理委員會建設(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（三）標(biāo)準(zhǔn)研制過程及相關(guān)工作計劃任務(wù)下達(dá)后，項目承擔(dān)單位山東大學(xué)于2024年3月中旬成立標(biāo)準(zhǔn)編制組。編制組成員對公路路面病害快速檢測的有關(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國際科促會審查，提交全國標(biāo)準(zhǔn)信息平臺向全社會公開5計劃2024年9月初，中國國際科技促進(jìn)會組織線上專家評審會。項目標(biāo)準(zhǔn)編制組組長詳細(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（四）主要試驗（或驗證）情況分析路面圖像裂縫自動檢測技術(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是路面圖像處理的關(guān)鍵步驟。對路面裂縫圖像進(jìn)行裂縫邊緣檢測是裂縫智能檢測的有效手段之一。隨著移動數(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)人員在計算機(jī)軟件的輔助下對圖像進(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路面使用性能的影響程度加權(quán)累計計算損壞面積和路面破損率，獲得各個評價單的路面損壞狀況指數(shù)（PavementSurfaceCondition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)場量測有較大的技術(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全局信息的描述，對噪聲敏感，不適合用于復(fù)雜場景下的裂縫檢測。這些方法缺少對全局信息的描述，對噪聲敏感，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，使得這些方法對裂縫的6識別和檢測構(gòu)成挑戰(zhàn)，其性能仍然有限。采用基于機(jī)器學(xué)習(xí)方法都是通過手動設(shè)定顏色或紋理特征對裂縫進(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，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嘧兊穆访驷槍?fù)雜背景下的裂縫自動提取，本章首先對高級別特征下的語義分割技術(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)，實現(xiàn)在裂縫圖像中進(jìn)行像素級提取。在裂縫自動提取網(wǎng)絡(luò)中，首先提出了一個全新的多尺度擴(kuò)張卷積模塊，該模塊在多個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，通過裂縫低級特征與高級特征的融合，提出了一種有效的特征融合上采樣模塊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7但是對于判別力較弱的目標(biāo)區(qū)域會失去分類能力。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，通過在卷積核的對于當(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，并通過啟動具有不同卷積內(nèi)核的多分支CNN來實現(xiàn)此概念。它的變體在目標(biāo)檢測（在兩階段框架中）和分類任務(wù)中獲得了競爭性的結(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（AtrousSpatialPyramidPooling,ASPP）來捕獲多尺度信息。在頂部特征這在語義分割中是有效的。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中的所有像素均對輸出響應(yīng)做出同等8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)張率的卷積塊會引入一些不相關(guān)的區(qū)域，例如一些真陰性的區(qū)域會通過相鄰判別對象被提取出來。為此，在網(wǎng)絡(luò)中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輸入：具有高級語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9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。上采樣模塊首先對低級別特征和高級別特征連接，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)制計算加權(quán)特征向量，這個權(quán)重向量可以重新對特征進(jìn)行選擇和組合，對融合后的特征進(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義信息，進(jìn)而將不同級別下的語義信息融合得到全局先驗，將此作為網(wǎng)絡(luò)的高級別特征。然后通過特征融合上采樣（FeatureFusionUpsampling,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，最終計算每個像素屬于裂縫或非裂縫的概率。該網(wǎng)絡(luò)能夠同時達(dá)到高準(zhǔn)確率裂縫提取網(wǎng)絡(luò)的訓(xùn)練過程共分為兩個部分：前向傳播和反向傳播。前向傳播主要計算在當(dāng)前參數(shù)下的預(yù)測分類結(jié)果，利用反向傳播更新訓(xùn)練參數(shù)，從而使得實際與期望分類結(jié)果之間的差異盡可能小。為了計算預(yù)測結(jié)果和實際類別的偏差，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其中wl為不同的標(biāo)簽集屬性提供的權(quán)重，r1n為參考前景分割體素值，p1n為前景標(biāo)簽的預(yù)測概率圖。為了更新權(quán)重從而得到正確的預(yù)測結(jié)果，采用隨機(jī)梯度下降（StochasticGradientDescent,SGD）方法縮小預(yù)測和真實結(jié)果之間的偏差。SGD算法的更新過程如下：首先，根據(jù)W數(shù)的梯度▽W(xué)，其次，通過動量參數(shù)ε和學(xué)習(xí)率α更新速率v；最▽W(xué)L(W;x(i),y(i))=1[x(i){1(y(i)=j)?p(y(i)=如表1.1所示，在訓(xùn)練中，初始全局學(xué)習(xí)率凍結(jié)階段初始學(xué)習(xí)率為0.001，后續(xù)按照0.94衰減；解凍階段初始學(xué)習(xí)率為0.0001，后續(xù)SGD優(yōu)化器對學(xué)習(xí)率進(jìn)行優(yōu)化，凍結(jié)階段的batch_size設(shè)置為16，解指標(biāo)解釋所采用的目標(biāo)檢測算法Ouralgorithm、YOLOv4、YOLOv4-tiny、FasterR-CNN、EffifientNetYOLOv3、CenterNet固定圖像輸入416*416（pixel2）學(xué)習(xí)率凍結(jié)階段初始學(xué)習(xí)率為0.001，后續(xù)按照0.94衰減；解凍階段初始學(xué)習(xí)率為0.0001，后續(xù)SGD優(yōu)化器對學(xué)習(xí)率進(jìn)行優(yōu)化batch_size凍結(jié)階段的batch_size設(shè)置為16，解凍階段的batch_size設(shè)置為8訓(xùn)練集：驗證集：測試集81%：9%：10%實驗除了訓(xùn)練了自己的模型，還訓(xùn)練了表3-YOLOv4、YOLOv4-tiny、FasterR-CNN、EffifientNetYOLOv3、CenterNet。從圖3.5可以看出，訓(xùn)練周期Epoch的值越大，網(wǎng)絡(luò)模型的檢測精度則越高，表明模型有學(xué)習(xí)到特征，最后逐漸趨于平其次，從模型的測試結(jié)果和模型參數(shù)規(guī)模分析，表1.2為我們網(wǎng)絡(luò)模型mAP(%)ACLCTCPotholeOuralgorithm39.7475.8582.1578.0862.76YOLOv338.4062.6063.4065.7056.60YOLOv428.2070.7480.4068.8657.65FasterR-CNN35.8051.6051.7056.5048.80EfficientNetYOLOv334.7265.4478.7248.0453.65CenterNet69.6680.4671.2557.19在公路網(wǎng)絡(luò)系統(tǒng)中，樁號定位參照系統(tǒng)和大地坐標(biāo)參照系統(tǒng)是兩個主要的參照系，一般將二者綜合使用。樁號參照系主要利用路網(wǎng)中的路線編碼和里程長度對路線進(jìn)行線性參考，從而確定了路線中每個位置的樁號信息。采用里程和樁號對路網(wǎng)中的位置進(jìn)行標(biāo)定的方法操作簡單，我們通過對道路建立線性參考系統(tǒng)，就能準(zhǔn)確的推算出路網(wǎng)中里程樁的位置。隨著GPS技術(shù)的快速發(fā)展，尤其是針采用大地坐標(biāo)系統(tǒng)可以精確、穩(wěn)定的定位路網(wǎng)中的位置信息。由于多數(shù)檢測車中均集成了GPS定位模塊，因此采集的路面圖片名稱多為了對路面病害信息進(jìn)行更加綜合的展示和管理，我們將大地坐標(biāo)系與樁號參照系組合使用。由于采用大地坐標(biāo)系的采集精度更高，在進(jìn)行路線基礎(chǔ)信息采集和路面病害采集時，首先采用大地坐標(biāo)系統(tǒng)進(jìn)行精確的定位。為了完成不同路線資產(chǎn)以及所有路面采集信息與路網(wǎng)的空間位置相關(guān)聯(lián)，進(jìn)一步將大地坐標(biāo)系統(tǒng)轉(zhuǎn)換為樁號路面裂縫智能檢測系統(tǒng)的數(shù)據(jù)構(gòu)成主要分為路網(wǎng)基礎(chǔ)數(shù)據(jù)和路面病害檢測數(shù)據(jù)兩大類。路網(wǎng)基礎(chǔ)數(shù)據(jù)主要記錄路線使用的基本情況，其主要包含的描述信息主要包括：路線名稱、路線編碼、起止點樁號、技術(shù)等級、行政等級和行政區(qū)劃等。其中根據(jù)路線編碼確定唯一的路線ID，通過起止點樁號信息在樁號參照系中定位路線的空間位置。當(dāng)路線信息進(jìn)一步細(xì)化到路段信息時，相應(yīng)的屬性字段裂縫提取圖像結(jié)果以及評價指標(biāo)。為了綜合反映路網(wǎng)中不同行政等級的破損情況，將國省干線的路面病害評估單元設(shè)定為1000m。由于農(nóng)村公路普遍的里程較短，多數(shù)路線長度不足一公里，為此將農(nóng)村公路評估單元設(shè)定為100m。在技術(shù)等級變化或行政區(qū)域變更位置需要對評估路段進(jìn)行打斷，以使后續(xù)的綜合分析更加準(zhǔn)確。路面病害檢測數(shù)據(jù)中的核心字段為路線名稱、路線編碼、起止點樁號。其中，通過路線編碼定位路網(wǎng)中的具體一個路線，通過起止點樁號對路面裂縫評估體系主要是處理路面裂縫圖像，目的是計算路面損壞狀況指數(shù)PCI，并對檢測后的路段進(jìn)行使用性能評估。在該體③路面調(diào)查信息表；④路面裂縫數(shù)據(jù)表。其中，路線基本信息描述了路網(wǎng)中不同路線的基本情況，其主要包含的字段有：路線名稱、路線編碼、起止點地名、起止點樁號和區(qū)域代碼等屬性信息。路段信息表主要反映了將整條路線按照一定規(guī)則進(jìn)行更細(xì)致劃分后的信息，路段信息表中的主要字段包括：路線名稱、路線分段編碼，起止點名稱、起止點樁號、路面類型、技術(shù)等級、路面寬度、車道特征和里程等信息。路面調(diào)查信息表記錄了在路面病害數(shù)據(jù)采集過程持續(xù)采集時間和描述字段等。路面調(diào)查信息表中路段ID字段被用于關(guān)聯(lián)地點編號和路段編號的一個主鍵。最終，路面裂縫數(shù)據(jù)表包含了路面圖像的路線名稱、樁號位置信息以及每幅圖像的評價結(jié)果PCI值。以上數(shù)據(jù)表之間的關(guān)系如圖1在結(jié)合深度裂縫提取網(wǎng)絡(luò)和數(shù)字圖像的路面裂縫評估體系中，除路網(wǎng)基礎(chǔ)數(shù)據(jù)外，其它數(shù)據(jù)均來自路面圖像以及對其處理后得到的評價數(shù)據(jù)，因此對路面圖像進(jìn)行裂縫自動提取、分類和指標(biāo)評估是整個評估體系中重要功能之一。在路面裂縫數(shù)據(jù)上傳過程中，首先通過提出的路面病害自動提取深度網(wǎng)絡(luò)對經(jīng)過校正后的裂縫圖像進(jìn)行像素級提取，然后根據(jù)裂縫分類算法對提取后的裂縫進(jìn)行分類和嚴(yán)重程度評估，通過計算不同裂縫類型的破損面積和權(quán)重計算路面破損指數(shù)，最終完成路面使用性能的評價。路面圖像處理模塊中路面圖像處理模塊的核心是路面裂縫的提取和分類，裂縫提取用于完成復(fù)雜背景下的裂縫自動提取和評估。針對圖像中存在的多種裂縫分類和嚴(yán)重程度劃分，我們提出了一種新的裂縫分類方法和嚴(yán)重程度評估方法。不但能準(zhǔn)確區(qū)分縱向裂縫、橫向裂縫、塊狀裂縫和龜裂，還能定量劃分裂縫嚴(yán)重程度，能夠快速計算各類裂縫的路面損壞主要指路面表面的可見病害，主要可以分為龜裂、塊狀裂縫、縱向裂縫、橫向裂縫、坑槽、松散、沉陷等，其中路面裂縫是反映路面破損情況的主要因素。路面破損狀況指數(shù)PCI是計算路面使用性能的重要指標(biāo)，通過路面病害破損率DR（為各種損壞的折合損壞面積之和與路面調(diào)查面積之百分比）計算而來，其評價模其中，DR為路面破損率，為各種損壞的折合損壞面積之和與路面調(diào)查面積之百分比。Ai為第i類路面損壞的面積（m2A是調(diào)查的路面面積（m2wi為第i類路面損壞的權(quán)重。i是考慮損壞程度（輕、中、重）的第i項路面損壞類型，i0是包含損壞程度其中PCI的數(shù)據(jù)取值范圍為0-100，其數(shù)值越大，代表路面使用狀況越好。根據(jù)《公路技術(shù)狀況評定標(biāo)準(zhǔn)》中執(zhí)行的劃分細(xì)則，將公路技術(shù)狀況評定指標(biāo)劃分為優(yōu)、良、中、次、差五個等級，執(zhí)為了驗證裂縫自動檢測方法的有效性，從路面影像數(shù)中隨機(jī)抽檢測算法Ouralg