关于《沥青路面摊铺离析检测方法：一种更高效、更优质的纹理特征提取算法》的学术研究报告

一、 研究作者、机构与发表信息

本研究由Xun Zhao, Lige Xue, Feiyun Xu 共同完成，作者单位均为中国南京的东南大学机械工程学院。研究成果以论文形式发表于国际学术期刊 Construction and Building Materials 第277卷（2021年），文章的具体识别号为122302，已于2021年1月23日在线发布。通讯作者为Feiyun Xu教授。

二、 研究学术背景

本研究属于道路工程、计算机视觉与图像处理技术的交叉领域，具体聚焦于沥青路面施工质量的智能检测。沥青路面的离析（Segregation）是导致道路安全性、舒适性及实际使用寿命下降的主要原因之一。离析主要分为骨料离析（Aggregate Segregation）、温度离析（Temperature Segregation）和摊铺离析（Paving Segregation）。其中，摊铺离析是由摊铺设备及操作引起的粗细骨料二次分离，由于骨料离析和温度离析最终都会表现为摊铺离析，因此摊铺离析是研究的核心对象。

传统的离析检测方法主要分为接触式和非接触式。接触式方法（如铺砂法、钻芯取样）通常只能在摊铺后或使用中进行检测，且可能对路面造成破坏或受主观影响。非接触式方法（如激光测量、探地雷达GPR、X射线计算机断层扫描CT等）则常受限于设备昂贵、环境噪声干扰大、鲁棒性不高等问题。近年来，数字图像处理技术的发展为沥青摊铺离析检测提供了新方向。然而，现有的基于图像的检测方法在准确性和效率上仍有不足。具体而言，现有方法多适用于已服役路面的离析检测，无法在摊铺过程中进行实时、源头的质量把控；同时，所采用的纹理特征提取方法往往计算繁琐，且诊断精度有限。

基于此，本研究旨在解决上述问题，其核心目标是：提出一种基于图像纹理特征的沥青摊铺离析检测方法，该方法需兼具高精度和高效率，能够实现摊铺过程中的实时在线检测，从而从源头上降低沥青路面离析的发生概率，为沥青路面施工的精细化管理提供新工具。

三、 研究详细工作流程

本研究的工作流程系统性地分为算法开发、验证与应用三个阶段，包含多个相互关联的步骤。

第一阶段：核心算法——统一模式LBP-GLCM纹理特征提取算法的提出与构建

本研究首先在传统局部二值模式（Local Binary Pattern, LBP）和灰度共生矩阵（Gray-Level Co-occurrence Matrix, GLCM）算法的基础上，创新性地提出了一种融合算法，称为“统一模式LBP-GLCM”（Uniform Pattern LBP-GLCM）。其详细工作流程如下：

1. 图像灰度化：将采集的彩色（RGB）沥青路面图像转换为灰度图像，作为后续处理的输入。
2. 统一模式LBP处理：
   • 目的：LBP算法通过比较中心像素与其邻域像素的灰度值来提取局部纹理特征，但其产生的二进制模式数量庞大（对于P个邻域点有2^P种模式），其中许多模式对纹理描述意义不大，且计算量大。
   • 改进：本研究采用Ojala等人提出的“统一模式”（Uniform Pattern）概念进行改进。统一模式定义为二进制循环序列中0/1跳变次数不超过两次的模式（如00000000， 00011110）。这些模式占据了自然图像纹理的绝大部分。
   • 操作：使用LBP(8,2)算子（半径r=2，8个采样点）遍历灰度图像的每个像素，根据改进后的公式计算其LBP编码。此步骤将非统一模式归为一类，从而将模式数量从256种大幅减少到59种（P(P-1)+2），在保留关键纹理信息的同时，显著降低了后续处理的矩阵维度。
   • 输出：得到一个“基于LBP的图像”（LBP-based Image），该图像编码了原图的局部纹理关系。
3. GLCM特征计算：
   • 目的：GLCM通过统计图像中具有一定空间关系（方向和距离）的像素对出现的频率，来提取图像的宏观纹理特征，如粗糙度、对比度、均匀性等。
   • 挑战：直接对高分辨率灰度图像计算GLCM复杂度高（O(n²+m²)，m为灰度级）。若直接降低灰度级又会损失细节。
   • 创新融合：本研究将GLCM应用于上一步得到的“基于LBP的图像”。由于LBP图像已经过统一模式处理，其灰度级（即不同的LBP编码值）被大幅减少（从256级降至59级），从而在保留纹理结构信息的前提下，极大地降低了GLCM的计算复杂度。
   • 操作：在LBP图像上，定义扫描步长为2，并沿8个方向（0°, 45°, 90°, 135°, 180°, 225°, 270°, 315°）分别计算GLCM。然后从每个方向的GLCM中提取四个关键的纹理特征量：相关性（Correlation）、对比度（Contrast）、能量（Energy）和同质性（Homogeneity）。
4. 构建纹理特征矩阵：将8个方向上计算得到的4个特征值（共32个值）组合起来，构建一个能够全面描述图像多方向纹理特性的特征矩阵，作为该图像最终的纹理特征描述符。

第二阶段：检测方法框架构建与在通用纹理数据集上的验证

为了验证所提纹理特征提取算法的有效性，研究构建了一个完整的检测框架，并首先在公开的Kylberg纹理数据集上进行了验证。

1. 分类器选择与优化：本研究选择支持向量机（Support Vector Machine, SVM）作为分类器，因其在二分类问题上表现优异。采用径向基函数（RBF）作为核函数。为了获得最佳分类性能，使用粒子群优化算法（Particle Swarm Optimization, PSO）对SVM的关键参数C（代价参数）和g（核函数参数）进行自动优化，优化目标为最大化分类准确率。
2. 数据集与实验设计：从Kylberg数据集中选取了多组纹理类别进行实验。实验分为两种情景：
   • 情景一（相似纹理分类）：选择同一大类物体的不同子类（如Blanket1 vs. Blanket2， Rice1 vs. Rice2），这些图像纹理特征相似，区分难度大，用于检验算法对细微纹理差异的鉴别能力。
   • 情景二（不同纹理分类）：选择完全不同物体的类别（如Stone1 vs. Blanket2），用于检验算法的基本分类能力。
3. 对比方法：为了凸显所提算法的优势，研究将其与多种主流纹理特征提取方法进行了对比，包括传统LBP、局部三值模式（LTP）、语义LBP（SLBP）、局部四值模式（LQP）、Gabor滤波器（GF）以及单独的GLCM。
4. 验证流程：对每组数据，随机抽取部分图像特征作为训练集训练SVM分类器，剩余部分作为测试集评估分类准确率。同时，记录各特征提取方法的计算时间以评估效率。

第三阶段：在沥青路面施工现场数据上的应用与验证

这是研究的最终应用环节，旨在检验所提方法在实际工程问题中的性能。

1. 数据采集：在中国江苏南京滨江大道的施工现场，使用奥林巴斯微型单反相机，在沥青摊铺后、压实前，以固定高度（50cm）和角度（垂直于路面）采集路面图像。混合料级配为Superpave-13。
2. 图像预处理与数据集构建：将采集的高分辨率图像（4608×3456像素）裁剪为多个2500×2500像素的子图像，以扩充数据集。由人工根据图像中粗细骨料的分布均匀程度，将子图像标记为“离析”和“非离析”两类，最终构建了包含612张离析图像和748张非离析图像的数据集。
3. 特征提取与分类：使用提出的统一模式LBP-GLCM方法提取每张图像的纹理特征。随机选取500张离析和500张非离析图像的特征训练SVM分类器（参数通过PSO优化）。使用未参与训练的100张图像（每类50张）作为测试集。
4. 鲁棒性分析：为了评估方法的实用性，研究了图像尺寸和分辨率对检测准确率的影响。通过裁剪生成不同尺寸的图像，以及通过批量处理改变图像分辨率（保持尺寸不变），分别输入训练好的分类器进行测试。
5. 对比实验：将本方法与其他常用于沥青离析检测的图像处理方法进行对比，包括传统LBP、统一模式LBP、GLCM、线性判别分析（LDA）以及文献[18]和[24]中的两种数字图像处理（DIP）方法，从准确率和计算时间两方面进行综合比较。

四、 研究主要结果

在Kylberg纹理数据集上的验证结果： 1. 分类准确率：在区分纹理相似的物体类别（如Rice1 vs. Rice2）时，统一模式LBP-GLCM方法的分类准确率达到了97.4%，显著高于单一LBP（91.5%）、单一GLCM（79.8%）以及其他改进LBP算法（如LTP 94.1%， SLBP 87.7%）。在四组相似纹理分类实验中，本方法的平均准确率优势明显。对于区分纹理差异大的类别，所有方法准确率均很高（>95%），本方法也达到了100%。 2. 计算效率：由于统一模式LBP大幅降低了LBP图像的灰度级，使得后续GLCM计算量锐减。记录的平均执行时间显示，统一模式LBP-GLCM方法的计算时间显著少于传统的LBP-GLCM组合，也优于或与其他先进方法（如GF）相当。这证明了其在提升性能的同时，兼顾了效率。

在沥青路面施工现场数据上的应用结果： 1. 检测准确率：经过PSO优化的SVM分类器，在测试集上取得了94%的准确率。为避免偶然性，进行了八次随机分组实验，平均分类准确率达到93.875%，证明了方法的稳定性和高精度。 2. 纹理特征分析：从提取的GLCM特征值可以看出，非离析图像通常具有较低的对比度（Contrast）和较高的同质性（Homogeneity），这表明其纹理较浅且分布均匀；而离析图像则相反，这与实际情况相符，离析处粗骨料聚集导致纹理起伏大、不均匀。 3. 鲁棒性分析结果： * 图像尺寸：当图像尺寸大于500×500像素时，尺寸变化对检测准确率影响很小。只要图像能清晰表征骨料分布，方法即保持稳定。 * 图像分辨率：当图像分辨率高于50像素/英寸时，检测准确率稳定在90%左右。当分辨率低于50像素/英寸时，纹理边界变得模糊，准确率急剧下降。这表明在实际应用中，需保证相机的基本分辨率要求。 4. 综合性能对比：与现有沥青离析检测方法相比，基于统一模式LBP-GLCM的检测方法平均准确率（93.94%）最高，优于LDA（66.56%）、两种DIP方法（78.69%和87.50%）、单一LBP（87.19%）和单一GLCM（85.88%）。在计算时间上，它也表现出色，实现了精度与效率的最佳平衡。

五、 研究结论与价值

本研究成功提出并验证了一种基于图像纹理特征的高效、高精度沥青摊铺离析检测方法。主要结论如下： 1. 沥青摊铺图像的纹理特征可以有效表征路面的离析状态。 2. 所提出的统一模式LBP-GLCM纹理特征提取算法，能够融合LBP和GLCM的优点，在保证纹理信息完整性的前提下，通过降低数据维度和优化计算路径，实现了更高效和更优质的纹理特征提取。 3. 基于该算法的摊铺离析检测方法，与现有方法相比，在诊断准确率和计算效率上均有显著提升。 4. 该方法能够在沥青摊铺过程中、压实之前实时预测路面的离析状况，为及时调整施工工艺、避免形成不可修复的离析路面提供了技术辅助，具有重要的工程应用价值。

六、 研究亮点

1. 方法创新性：首次将“统一模式LBP”与“GLCM”进行创造性融合，提出了一种新颖的混合纹理特征提取算法。该算法巧妙地利用统一模式LBP的输出作为GLCM的输入，解决了GLCM对高灰度级图像计算复杂的问题，同时保留了多尺度纹理信息。
2. 问题导向明确：研究直指当前沥青离析检测中的痛点——传统方法滞后、现有图像方法效率精度不足，并致力于实现摊铺过程的实时在线检测，具有明确的工程应用前瞻性。
3. 验证体系严谨：研究验证过程层次分明，从通用纹理数据集（Kylberg）上验证算法的普适性和优越性，再到真实的施工现场数据进行应用测试，并系统分析了图像尺寸、分辨率等实际因素的影响，使得结论可信度高。
4. 性能卓越：最终方法在真实场景下达到了约94%的检测准确率，且计算效率高，为后续开发实时检测系统奠定了坚实的算法基础。

七、 其他有价值内容

研究在最后展望了未来的工作方向，包括：1）建立图像纹理特征与路面构造深度之间的定量关系，实现离析的定量化检测；2）寻找合适的降噪算法，以应对摊铺现场振动等噪声对图像清晰度的影响；3）优化分类算法以进一步提升准确率；4）结合探地雷达（GPR）获取路面内部信息，与本文的表面图像检测方法融合，实现更全面的沥青离析检测。这些方向为该领域的后续研究提供了清晰的思路。