1. 项目背景与核心价值

沥青路面在长期使用过程中会出现裂缝、坑槽、车辙等多种病害，传统的人工巡检方式效率低下且存在安全隐患。我在大四毕业设计阶段开发的这套路面病害检测系统，采用YOLOv5目标检测算法实现自动化识别，检测准确率达到92.3%，单张图像处理耗时仅47ms。这个项目后来被本地公路养护部门采用，作为辅助巡检工具投入使用。

相比传统方案，这套系统有三个突出优势：一是利用车载摄像头采集数据，巡检车以60km/h行驶时仍能稳定检测；二是开发了病害面积计算模块，可自动评估损坏程度；三是采用Flask框架构建了可视化平台，支持检测结果标注导出。下面我将从技术选型到代码实现完整复盘这个项目。

2. 技术架构设计解析

2.1 整体方案设计

系统采用经典的B/S架构，分为三个核心模块：

• 数据采集端：大疆Osmo Action运动相机+车载支架
• 算法服务端：PyTorch 1.7 + YOLOv5s模型
• 业务展示层：Flask + Bootstrap + OpenLayers地图

选择YOLOv5而非Faster R-CNN主要基于三点考量：首先，路面病害多为小目标，YOLOv5的FPN+PAN结构更适合；其次，部署到养护车辆上需要轻量化，YOLOv5s模型仅14MB；最后，PyTorch生态的易用性更适合学生开发者。

2.2 关键技术指标

3. 数据集构建与增强方案

3.1 数据采集规范

使用改装车辆在6个月周期内采集了本市12条主干道的图像数据，制定严格的采集标准：

• 天气条件：仅晴天/多云，避免雨雪反光
• 拍摄角度：相机倾角45°±5°
• 距离范围：距路面1.2-1.5米
• 时间窗口：9:00-16:00避免阴影干扰

最终构建的数据集包含：

• 横向裂缝：3,287张
• 网状裂缝：1,542张
• 坑槽：892张
• 修补痕迹：1,075张

3.2 数据增强策略

采用Albumentations库实现动态增强：

transform = A.Compose([ A.RandomBrightnessContrast(p=0.5), A.GaussNoise(var_limit=(10,50),p=0.3), A.RandomShadow(p=0.2), A.HueSaturationValue(hue_shift_limit=20, p=0.3) ])

特别注意避免使用旋转增强，因为病害方向具有实际物理意义。对阴影区域采用CLAHE算法进行局部对比度增强，提升暗部细节识别率。

4. 模型训练与优化

4.1 模型改进方案

在YOLOv5s基础上进行三点改进：

1. 在Backbone末端增加SPPFCSPC模块，提升多尺度特征融合能力
2. 将CIoU Loss替换为α-IoU（α=3），改善小目标检测
3. 采用加权NMS，对裂缝类目标设置0.7权重系数

训练参数配置：

lr0: 0.01 lrf: 0.2 momentum: 0.937 weight_decay: 0.0005 warmup_epochs: 3 batch_size: 16

4.2 训练过程监控

使用ClearML进行实验管理，关键发现：

• 在epoch 120左右出现梯度震荡，通过添加Gradient Clip解决
• 验证集mAP@0.5在epoch 200后进入平台期
• 最终模型在测试集上的表现：
  • Precision: 0.923
  • Recall: 0.891
  • mAP@0.5: 0.907

5. 业务系统实现

5.1 核心功能模块

graph TD A[视频流输入] --> B(帧提取) B --> C{病害检测} C -->|裂缝| D[几何测量] C -->|坑槽| E[面积计算] D --> F[严重度评估] E --> F F --> G[报告生成]

5.2 关键代码实现

病害面积计算算法：

def calc_area(contour, px2cm=0.5): area = cv2.contourArea(contour) * (px2cm**2) if area < 10: # 过滤噪点 return 0 hull = cv2.convexHull(contour) hull_area = cv2.contourArea(hull) return area if hull_area < 1.5*area else hull_area*(px2cm**2)

Flask接口示例：

@app.route('/detect', methods=['POST']) def detect(): img = request.files['image'].read() img = cv2.imdecode(np.frombuffer(img, np.uint8), cv2.IMREAD_COLOR) results = model(img) return jsonify({ 'defects': results.pandas().xyxy[0].to_dict('records'), 'timestamp': datetime.now().isoformat() })

6. 部署与性能优化

6.1 边缘计算方案

在巡检车辆部署时遇到三个挑战：

1. 车辆震动导致图像模糊 → 加装防抖支架
2. 阳光直射造成过曝 → 配置ND滤镜
3. 移动场景下的实时性要求 → 采用TensorRT加速

优化后的部署架构：

[摄像头] → [Jetson Xavier NX] → [4G传输] → [云端服务器]

6.2 性能对比测试

最终选择Xavier NX方案，在成本与性能间取得平衡。通过TensorRT优化，模型体积减少到8.7MB，推理速度提升2.3倍。

7. 实际应用案例

在某开发区路网检测中，系统10天内完成76公里道路检测，发现：

• 严重裂缝（>3mm）: 142处
• 潜在坑槽: 37处
• 修补破损: 89处

相比人工巡检，效率提升8倍，成本降低62%。养护部门特别肯定了系统的三项功能：

1. 自动生成带GPS坐标的病害地图
2. 按严重程度排序的处置建议
3. 历史对比分析功能

8. 常见问题与解决方案

8.1 检测漏报问题

现象：连续帧中相同病害时有时无排查：检查NMS阈值设置过高（原0.6）解决：调整为0.45，增加连续性校验逻辑

8.2 误报问题

典型误报：树枝阴影被识别为裂缝优化方案：

1. 在数据集中增加2000张阴影负样本
2. 添加HSV颜色空间过滤（裂缝通常为深色）
3. 设置长宽比阈值（裂缝通常长条形）

8.3 部署问题

报错：TensorRT转换后精度下降明显原因：FP16量化导致小目标特征丢失解决：

1. 对Head层保持FP32精度
2. 添加量化感知训练（QAT）
3. 采用混合精度校准

9. 项目扩展方向

1. 多模态检测：增加红外摄像头识别基层空洞
2. 三维重建：通过双目视觉计算病害深度
3. 预测模型：基于历史数据预测病害发展
4. 移动端适配：开发养护人员使用的微信小程序

目前系统已开源核心检测模块，后续计划加入毫米波雷达数据融合，进一步提升对隐蔽病害的识别能力。这个项目让我深刻体会到：好的工程解决方案必须在算法精度和落地成本之间找到最佳平衡点。