近日，我院杨旭教授团队在土木、交通领域国际顶级期刊《Automation in Construction》和《Transportation Research Part C: Emerging Technologies》上发表系列研究论文“Full field-of-view pavement stereo reconstruction under dynamic traffic conditions: Incorporating height-adaptive vehicle detection and multi-view occlusion optimization”（面向动态交通场景的全域路面立体重构：结合高度自适应车辆检测和多视角遮挡优化）和“Multi-scale asphalt pavement deformation detection and measurement based on machine learning of full field-of-view digital surface data”（基于全域数字地表数据机器学习的多尺度沥青路面变形检测）。该研究得到了国家重点研发计划和国家自然科学基金的资助。我院博士生管进超为论文的第一作者，杨旭教授为论文通讯作者。

道路基础设施数字化重构和自动化检测正成为服役状态评估和养护决策的重要途径。研究从道路全域立体形貌数据采集和多尺度变形自动识别两个方面展开，具体成果如下。

  研究成果1：全视域路表形貌立体重构

  无人机立体摄影技术是一种低成本、高效率的全路域数字模型生成方法。然而，在实际运营道路场景中，动态交通流会对路面产生随机空间遮挡，导致建模局部缺失、异常噪声及计算量暴增。为了解决上述技术难点，该研究构建了UAV-YOLO车辆识别模型，以快速定位不同航摄高度路面图像上的车辆噪声。在确定车辆遮挡区域空间位置的基础上，提出了两种多视角遮挡优化算法，以优化立体视觉重构过程中的图像序列分布。进一步建立了面向非封闭交通场景的全视域路面立体重构流程，并在不同道路交通场景进行了现场实验验证。实验表明，该方法能够在交通干扰下生成低噪声、高密度的路面点云模型，同时减少约30%的建模时间。

  研究成果2：多尺度路面变形自动检测

  由于材料特性及交通荷载影响，沥青路面在运营过程中必然会发生变形。然而，受限于各类变形的空间分布、形态特征差异，当前研究大多面向不同尺度变形开发独立设备与测试方法。为实现多尺度路面变形全自动、一体化检测，该研究提出了一种全域沥青路面变形检测框架，可同步检测车辙、平整度和大跨度异常变形。在集成系统中，开发了车辙断面分类和横向定位双步识别模型；提出了全车道多测线国际平整度指数空间测量方法；建立了面向大跨度变形检测的无监督卷积神经网络。经现场实验验证，所提出方法可以高精度分类、定位车辙变形，无监督分割大跨度沉降和隆起变形，并揭示了车道内平整度分布与轮迹位置的空间关联关系。

  研究成果可广泛应用于高速公路、城市道路和机场跑道等基础设施的数字化建模和自动化检测，能够高效采集全场景、多维度路面形貌信息，提升在役道路基础设施病害检测效率和精度，兼具科学意义与应用价值。

  《Automation in Construction》是土木工程智能建造领域国际顶级期刊，该刊目前为中科院一区Top期刊，影响因子为10.517，在JCR土木工程领域139本期刊中排名第一。《Transportation Research Part C: Emerging Technologies》是全球交通运输学科领域顶级期刊，主要报道前沿新兴技术在交通运输领域的最新应用，该刊目前为中科院一区Top期刊，影响因子为9.022。

  全文链接：

  https://doi.org/10.1016/j.autcon.2022.104615

  https://doi.org/10.1016/j.trc.2023.104177