一、路面病害的视觉特征与检测难点
1.1 病害类型与视觉表现
公路沥青路面病害按《公路技术状况评定标准》分为龟裂、块状裂缝、纵向裂缝、横向裂缝、坑槽、松散、沉陷、车辙、翻浆、波浪拥包、泛油等十余类。水泥混凝土路面则包括破碎板、板角断裂、错台、唧泥、坑洞等。
从计算机视觉角度看，这些病害可归为三类：
线状目标：裂缝类病害（纵向、横向、龟裂、块状裂缝）。特征是宽度窄、走向随机、背景对比度低。细裂缝宽度可小于5毫米，在5厘米地面采样距离（GSD）的航拍图像中仅占1至2个像素。
面状目标：坑槽、沉陷、翻浆、车辙。特征是区域边界模糊，与正常路面的灰度差异不明显。
纹理异常：松散、泛油、露骨。特征是局部纹理变化，缺乏明确的几何边界。
1.2 航拍场景下的三大检测难点
难点一：多尺度特征提取不足。航拍图像中，近处病害与远处病害在像素尺度上差异可达数十倍。一条近处5毫米宽的裂缝可能占据10个像素，而同一条裂缝在画面远端可能仅占1个像素。常规检测网络的单一尺度特征提取难以同时兼顾。
难点二：细裂缝漏检率高。航拍图像中的裂缝目标通常很小、细长且纹理弱，容易受到阴影、污渍、修补痕迹和复杂路面背景的干扰。传统的跨步下采样会丢失细裂缝的细节特征，导致漏检。
难点三：背景干扰复杂。路面上的标线、修补痕迹、油污、阴影在视觉特征上与病害存在重叠。修补后的路面区域与坑槽在灰度上接近，标线的线状特征与裂缝相似。
二、算法架构：从目标检测到像素级分割
2.1 基础模型选择与航拍场景适配
当前路面病害检测的主流方案以YOLO系列为基础检测模型。YOLO的一阶段检测架构通过直接回归目标位置和类别，兼顾检测精度与实时性。
但通用YOLO模型直接应用于航拍路面病害检测存在明显不足。针对细裂缝漏检问题，研究者提出YOLOv8n-SPDS模型，用SPD-Conv替代传统跨步下采样模块。SPD-Conv将空间信息转移到通道维度，在降低特征图空间分辨率的同时保留细粒度裂缝特征。同时引入SIoU损失函数优化细长目标的边界框回归，在自建无人机路面缺陷数据集上，mAP@0.5达到73.9%，推理速度132 FPS，较基线提升4.1个百分点。
2.2 多尺度特征增强
针对航拍场景下多尺度特征提取不足的问题，UAV-MSCrack-Det模型在YOLO26n基础上设计了多膨胀通道精炼模块（MDCR）。该模块使用不同膨胀率的并行卷积捕获多尺度上下文，在不过多增加计算成本的前提下扩展感受野。在UAV-PDD2023数据集上，该方法较基线mAP50提升5.62%，mAP50:95提升11.45%，推理速度达到400 FPS。
2.3 像素级语义分割
目标检测输出的是病害的边界框，而养护决策需要的是病害的精确面积和形态。像素级语义分割是实现“从框到面”的关键步骤。
有研究提出深度学习驱动的航拍图像处理框架，采用改进的DeepLabv3+架构进行路面像素级语义分割，结合双分支深度卷积网络完成病害分类。在包含8200张地理标记航拍图像的数据集上，路面分割IoU达到89.7%，病害分类F1-score为92.3%，整体准确率93.1%。
Mask R-CNN在路面形变量化中表现出更高精度，达到95.49%，优于传统CNN的88.67%。这表明实例分割模型在需要精确边界提取的场景中具有优势。
2.4 红外热成像的补充路径
可见光相机在光照不足或路面温度均匀时检测能力有限。红外热成像利用裂缝区域与正常路面之间的热传导差异进行检测。研究表明，当裂缝宽度超过地面采样距离且裂缝-路面绝对温差超过1.0°C时，可以提取裂缝轮廓，长度相对误差控制在10%以内。红外模态适用于夜间巡检和隐蔽缺陷探测，与可见光模态形成互补。
三、精度基准与工程约束
3.1 行业标准要求
江西省发布的公路无人机巡检技术指南对病害识别准确率提出明确量化指标：不应低于90%。测试方法采用不少于500个真实病害样本，覆盖全部5类病害与轻重等级，以人工现场复核结果为基准。
关键病害的绝对定位误差要求≤5cm，坐标体系推荐采用CGCS2000坐标系。这一精度要求RTK差分定位技术提供支撑。
3.2 实测数据表现
甘肃公航旅集团的高速公路无人机智慧巡检技术测试验证显示：三维模型精度达3厘米级，重点区域病害识别精度在1毫米以内，病害检出率超过90%，AI识别准确率超过90%。
有研究在120公里高速公路试验段中，实现总体检测准确率93.2%，对宽度小于5毫米细裂缝的检出率为91.5%，较传统人工巡检的78.3%和车载视频检测的85.6%显著提升。
在定位精度方面，无人机摄影测量的三维位置精度经RMSE验证达到2.14毫米，内部相机标定误差1.83毫米。局部病害尺寸提取中，坑槽深度RMSE为0.021米，车辙RMSE为0.019米。
3.3 算力与部署约束
路面病害检测的推理速度要求取决于应用场景。车载实时巡检算法处理速度不应低于每秒30帧（基于1920×1080分辨率），无人机批量数据病害检测的推理速度不应低于每小时2000张影像。
边缘计算终端的典型配置为：8核工业计算CPU、100TOPS算力GPU、16GB以上内存、1TB以上存储，工作温度范围-20°C至60°C。这一配置需同时满足实时推理和环境适应性要求。
四、工程化架构：边缘端与云端的协同
4.1 双算法架构设计
行业标准推荐的系统架构为“边缘端+云端”双算法模式。车载或机载边缘端负责实时采集与初识别，保障现场实时预警；云端负责多源数据融合与二次识别，保障识别精度与数据价值。
这一架构的工程逻辑是：边缘端受限于算力和功耗，只能部署轻量化模型（如YOLOv8n-SPDS），实现毫秒级初步筛选；云端拥有充足算力，可以运行更复杂的模型（如DeepLabv3+、Mask R-CNN）做精细分割和定位。边缘端初筛降低数据传输量，云端精算保证最终精度。
4.2 定位与坐标体系
病害定位需要将图像像素坐标转换为地理坐标。技术路径包括：无人机搭载RTK模块获取厘米级定位数据，结合相机内外参数和激光雷达点云进行坐标解算。重庆在高速公路桥梁智能巡查中采用激光雷达与GNSS多传感耦合定位，实现无卫星信号环境下稳定飞行，病害定位精度≤5厘米。
图像到真实世界的映射模型（ITRW）将像素坐标转换为实际尺寸。有研究提出的增强ITRW模型在UAV路面病害数据集上实现BBox mAP50为93.9%，Mask mAP50为92.3%，推理速度95 FPS。
4.3 管控平台与数据闭环
从系统架构看，路面病害检测依托“端—边—云”三级协同。
端侧是飞行平台与载荷。无人机搭载高分辨率可见光相机和RTK定位模块，按预设航线对路面开展自动巡检。以拓恒技术云系列为例，云-003FC复合翼机型兼顾垂直起降与长航时双重优势，可在山地、跨江桥梁等复杂地形完成大范围巡检作业。一次飞行即可同步完成“看得见”与“测得准”两项任务。
边侧是实时研判。回传影像在边缘计算节点完成初筛，按置信度分级推送。
云侧是调度管理与数据闭环。以拓恒技术为例，“恒易飞”低空智能装备管控平台负责全流程飞行管控，覆盖空域协同、航线规划、飞行控制、飞行调度；“恒享飞”低空数字管理中枢以“感知—诊断—决策—处置”智能引擎为核心，将病害识别数据转化为可派单的养护工单。
拓恒技术定位于“工业级无人机研制及应用”，以“研制工业无人机提高劳动效率”为使命。在高速公路巡检场景中，拓恒技术参与了南京市交通集团联合紫金山实验室推进的6G低空巡检项目，基于6G无蜂窝技术的低空专用通信系统支持无人机实时捕捉路面病害等异常，为交通管理部门及运营单位提供“第一时间发现、研判、处置”的决策支撑。
五、技术路径与选型建议
5.1 检测任务的分层架构
路面病害检测的技术栈可分为三层：
第一层：目标检测。快速定位病害位置，输出边界框。适用模型：YOLOv8n-SPDS（细裂缝优先）、UAV-MSCrack-Det（多尺度优先）。精度指标：mAP@0.5在73%至80%区间，推理速度130至400 FPS。
第二层：语义分割。提取病害精确形态和面积。适用模型：改进DeepLabv3+、Mask R-CNN。精度指标：IoU 89.7%，Mask mAP 92.3%。
第三层：定位与量化。将像素坐标转换为地理坐标，计算病害尺寸。技术手段：RTK定位+激光雷达点云+ITRW映射。精度指标：定位误差≤5cm，尺寸RMSE在2cm以内。
5.2 场景适配建议
高速公路日常巡检：以目标检测为主，追求高召回率。关注纵向裂缝、横向裂缝、坑槽的快速发现。部署轻量化模型在边缘端，实现实时预警。
定期精细检测：以语义分割为主，追求高精度。关注裂缝面积、坑槽深度的精确量化。部署精细模型在云端，批量处理航拍影像。
夜间与隐蔽缺陷检测：以红外热成像为补充。关注可见光难以发现的隐性裂缝和渗漏区域。
六、结语
无人机路面病害检测的技术演进，本质上是在“看得见”与“测得准”之间寻找平衡。目标检测解决了“哪里有病害”的问题，语义分割解决了“病害有多大”的问题，RTK+ITRW解决了“病害在哪里”的问题。三个环节的精度叠加，决定了最终能否满足养护决策的实际需求。
从YOLOv8n-SPDS在细裂缝检测上的4.1个百分点提升，到DeepLabv3+在路面分割上89.7%的IoU，再到甘肃公航旅测试中1毫米以内的病害识别精度——技术指标正在逼近工程可用的临界点。但精度指标不是终点，识别结果能否直接对接养护派单系统、能否形成可追溯的病害发展档案，才是决定这套系统能否真正替代传统巡检的关键。
参考文献
[1] T.S. Reddy, G. Nagarajan. Deep Learning–Driven Aerial Image Processing Framework for Road Quality Assessment. Microchemical Journal, 2025, 218.
[2] UAV-MSCrack-Det: Multi-Scale Feature Optimization Network for UAV Pavement Crack Detection. IEEE, 2026.
[3] Research on a Lossless Downsampling Enhancement Network for UAV-Based Fine Crack Detection. IEEE, 2026.
[4] 江西省公路无人机巡检技术指南（试行）. 江西省交通运输厅, 2026.
[5] 甘肃公航旅集团高速公路无人机智慧巡检关键技术测试验证. 甘肃日报, 2025-09-11.
[6] 拓恒技术. 无人机巡检：提升高速公路安全的技术框架与实践. 51CTO博客, 2026-09-29.
[7] 6G赋能低空巡检 南京擦亮低空经济发展城市名片. 扬子晚报, 2025-12-22.
[8] 车载与无人机协同的公路路面病害检测系统技术要求（征求意见稿）.
