AI裂缝检测：将正射影像转化为可操作的 PCI 分数
沥青路面裂缝不会长时间保持细小。当3毫米的裂缝遇到水、燃料或液压油时，它会迅速扩大并削弱路面结构。因此，机场和公路管理人员经常检查路面，并分配一个路面状况指数 (PCI) 分数，以指导维护预算。直到最近，评分过程仍涉及步行团队、剪贴板和大量车道封闭。如今，高分辨率无人机正射影像加上人工智能 (AI) 可以在一个工作日内提供相同的 PCI 分数——通常具有更高的准确性。本文展示了该工作流程如何运作、您可以期待的准确性以及 Fadron 的 HALO AI 平台如何融入其中。
从飞行计划到正射影像
- 飞行高度和 GSD。 为了捕捉细微裂缝，您需要每像素1-3毫米的地面采样距离 (GSD)。在8-10米高度飞行的20 MP 1英寸传感器通常能达到此目标。对于宽阔的滑行道或多车道公路，您可以将区域分成重叠的块，而不是飞得更高。
- 重叠度。 至少80%的前向重叠和70%的侧向重叠使摄影测量软件能够构建无失真的正射镶嵌图。现代任务规划器可自动设置这些参数。
- 控制和精度。 实时动态 (RTK) 记录或地面控制点可将水平误差保持在2厘米以下。严格的对齐很重要，因为在下个季节测量裂缝增长时，裂缝矢量必须与历史地图匹配。
- 辐射质量。 在晴朗干燥的天气飞行。潮湿区域会掩盖细微裂缝，低角度阳光会产生长阴影，AI模型可能会将其视为损坏。将相机 ISO 保持在100-200以减少噪点。
- 拼接。 Agisoft Metashape、OpenDroneMap 或 Fadron HALO 的云拼接器等软件将数百张照片合并成一个 GeoTIFF 文件。结果是一张真正的正射地图，其中每个像素都具有统一的比例。
AI引擎的实际作用
仅凭原始像素无法揭示路面健康状况。基于卷积神经网络构建的 AI 模型逐块扫描正射影像，并将每个像素分类为裂缝或背景。此任务最常见的架构是 U-Net 风格的编码器-解码器，它在学习上下文的同时保留空间细节。训练数据通常包括数千张由土木工程师标记的裁剪图像，涵盖：
- 纵向、横向和块状裂缝。
- 鳄鱼裂缝阶段 (A1, A2, A3)。
- 修补、坑洞和车道接缝断裂。
在推理过程中，模型输出一个二值掩码或一组矢量。后处理模块合并短片段，滤除小于几个像素的噪声，并测量裂缝的长度、宽度和方向。严重程度分类遵循 ASTM D5340 或 D6433 规则。这些计数直接输入到 PCI 损坏矩阵中。
典型模型精度
| 来源 | 精确率 | 召回率 | F1分数 | 输入 GSD |
|---|---|---|---|---|
| FAA 技术中心 (2023) | 0.97 | 0.95 | 0.96 | 2 mm |
| 法国民航总局 (2022) | 0.95 | 0.94 | 0.95 | 1.8 mm |
| 德克萨斯大学 (2024) | 0.96 | 0.94 | 0.95 | 1.5 mm |
精确率表示检测到的裂缝像素中有多少是正确的。召回率表示模型找到了多少真实裂缝像素。0.90以上的值意味着很少的误报或漏检。
将 AI 输出转换为 PCI
PCI 是一个0-100的分数，根据损坏类型、严重程度和数量得出。自动化流程完成四个步骤：
- 区域划分。 将跑道或道路划分为管理区段（例如，50米 x 50米样本单元）。
- 损坏统计。 汇总每个区段的裂缝长度和面积，并映射到 ASTM 严重程度表。
- 扣分值。 每种损坏都会产生一个扣分值。扣分总和从100中减去，得到原始 PCI。
- 修正后的 PCI。 当多种严重损坏并存时，应用修正规则。输出是一个表格和一张热力图，其中绿色 = 良好，红色 = 严重。
一个中型枢纽机场报告称，AI 流程在其92%的样本单元上重现了人工生成的 PCI 分数，误差在±2分之内——这一差异远低于 FAA 接受的误差范围。
HALO AI 的价值所在
HALO AI 是 Fadron 的端到端路面分析套件，连接整个链条。
- 云拼接。 直接从无人机 SD 卡上传照片。HALO 运行并行摄影测量引擎，在几分钟内生成 GeoTIFF。无需本地 GPU。
- 自动质检。 该平台在分析前识别模糊或曝光不足的帧并进行标记，从而避免遗漏裂缝。
- AI 裂缝检测。 HALO 的最新模型包含来自机场、公路和停车场站点的180万个标记样本。它识别18种损坏类型，并返回 shapefile 或 GeoJSON。
- 即时 PCI。 内置的 PCI 计算器遵循 ASTM 查询表。您将获得区段分数、完整报告以及可用于 MicroPAVER 或 Stoneleigh PMS 的 CSV 文件。
- API 接口。 工程公司可以调用 HALO REST API 将结果推送到其 BI 仪表板或维护工单系统。
大多数用户在上午完成采集，并在工作日结束前下载已签名的 PDF 报告。
时间和成本节约
| 任务 | 传统人工工作流程 | 无人机 + HALO 工作流程 |
|---|---|---|
| 现场采集 （3 000 米跑道） |
封闭4小时，5名工作人员 | 封闭40分钟，2名工作人员 |
| 数据处理 | 24小时人工数字化 | 3小时自动化 |
| 报告撰写 | 4小时工程师时间 | 自动生成 |
节省来自更短的封闭时间、更少的人工工时以及无需手动描绘。对于长距离高速公路路段，比例相似：在数据质量相同或更高的情况下，每公里成本降低约40%。
获取可靠结果的实用技巧
- 校准焦点。 以200%的缩放比例检查第一个飞行条带。细微裂缝应清晰。
- 注意反射率。 崭新的沥青路面可能油腻且有光泽。偏振滤镜可减少镜面眩光，避免混淆边缘检测器。
- 避免阴影。 安排在太阳至少高于地平线30度时飞行，或利用云层散射光线。
- 检查湿点。 如果路面部分潮湿，请重新安排。水会填满小裂缝，AI 将会遗漏它们。
- 验证。 对5%的样本单元进行人工测量进行地面真值验证，以建立信心并符合审计规则。
未来发展方向
AI 裂缝检测正超越简单的分割。研究团队正在融合热层以揭示水分引起的剥落，并使用 LiDAR 精确测量车辙深度。基于多年数据训练的预测模型可能很快就能自动预测裂缝增长并推荐处理时间。HALO AI 已经为每个站点存储了时间层，因此用户无需收集新的基线即可插入未来的预测模块。
结论
无人机与 AI 结合将检查时间从数天缩短至数小时，并将正射影像转化为专业人士可以信赖的 PCI 分数。每像素1-3毫米的 GSD 是目前的最佳点，可提供95%或更高的检测精度。借助 Fadron 的 HALO AI 等自动化拼接、裂缝测绘和 PCI 计算平台，工程团队可以专注于规划维修，而不是描绘线条。早期采用者报告称成本节省近50%，跑道或车道封闭时间大幅减少——在预算和安全方面都取得了实实在在的胜利。
参考文献
- FAA 技术中心。小型无人机系统路面检查精度研究，2023。
- 法国民航总局。基于无人机的跑道损坏测绘，2022。
- 德克萨斯高级计算中心。Deep Crack：用于沥青路面损坏检测的 CNN，2024。
- ASTM D5340 和 D6433 PCI 调查标准实践，2022。
- Halford, R. 正射影像分辨率与裂缝检测阈值，交通工程学报，2023。
