路面监测新技术大揭秘！埋入式传感、图像处理和机器学习的最新进展丨Engineering
本文选自中国工程院院刊《Engineering》2021年第6期，原文出自：The State-of-the-Art Review on Applications of Intrusive Sensing, Image Processing Techniques, and Machine Learning Methods in Pavement Monitoring and Analysis（埋入式传感、图像处理技术和机器学习方法在路面监测与分析中应用的最新研究进展）
引言
在现代交通系统中，道路作为车辆和行人使用频率最高的民用基础设施之一，其服役状况和使用寿命直接影响通行体验和效率。因此，在路面发生不可逆损伤之前进行路面健康监测和及时养护，对于保障公共交通服务质量以及通行安全至关重要。通过路面结构动力响应监测和路面状况评估可有效表征路面损伤状况。埋入式传感器、图像处理和机器学习是目前常用的三种路面结构动力响应监测技术和分析方法。美国弗吉尼亚理工大学汪林兵研究团队综述了近年来上述三种技术在路面工程中的应用现状，并阐述了这些技术在未来路面工程监测与分析中的发展方向。
图1. 路面监测采用的典型埋入式传感技术。
美国弗吉尼亚理工大学汪林兵研究团队从路面传感技术、图像处理技术和机器学习方法三方面介绍了当前路面结构动力响应监测研究的最新进展。在路面传感技术方面，主要介绍了埋入式传感器以及物联网（IoT）技术在路面监测中的应用；在图像处理技术方面，主要介绍了几种可有效识别路面病害类型的典型算法；在机器学习方法方面，介绍了与路面工程应用相关的基本理论和典型方法。
这些技术/方法在道路工程应用中主要有以下优势：①能实现路面动力响应的长期监测；②能自动/半自动检测/识别部分典型路面病害类型；③作业周期短，人工成本低。但上述方法也存在如下缺点：①相比于传统方法，常需要聘用经过专业培训且技术熟练的道路工程师；②上述方法分析工作需要以大量监测数据为基础；③许多基础理论仍处于发展研究阶段，因此可能不像传统方法那样成熟。
土木工程师通过各种埋入式传感技术采集路面的动态响应数据，并通过图像处理技术和机器学习方法对路面状况进行分析。美国弗吉尼亚理工大学汪林兵研究团队通过对这些技术的概述，提出了未来路面监测与分析的发展方向。主要结论如下：
（1）路面结构在服役期间受到车辆反复载荷和恶劣环境因素的综合作用。为了实现长期且稳定的监测，需要提高埋入式传感器的性能，优化传感器封装方式，以满足低功耗、低成本、高精度、高集成度、抗压、防水的要求。
（2）由于路面现场图像特征千差万别，许多现有的图像处理算法无法自动适应所有类型的路面图像。因此，需要开展进一步的研究工作，提高算法对于不同条件、不同特征的道路图像的适应性。
（3）为了获得规模更大的数据集，需要针对路面的性能和状况开展更多的现场或实验室试验（图2）。此外，还需要利用机器学习方法，检测并识别更多类型的路面病害。
图2. 基于无线传感器的交通监测系统。LoRa：远距离；VPN：虚拟专用网络
关键词：路面监测与分析；最新的研究进展；埋入式传感器； 图像处理技术；机器学习方法
扫二维码 | 查看原文
原文链接：http://www.engineering.org.cn/en/10.1016/j.eng.2020.07.030
推荐阅读：
点赞/在看/分享让更多小伙伴看到 ↓↓↓