·808 ·
基于机器学习的高速公路水泥混凝土
路面裂缝检测方法
李凌志 1， 陈 勇 2
（1.温州金丽温高速公路东延线有限公司，325014，浙江温州；2. 中交一公局集团有限公司，100020，北京）
摘 要： 以金丽温高速公路东延工程为例，采用机器学习方法对高速公路水泥混凝土路面裂缝进行检测。
采用自助采样的机器学习方法，从大量摄影照片中提取关键照片，引入估计偏差，确定检测数据集和原始数
据集的分布情况，得出混凝土路面产生裂缝的主要原因。抽取裂隙样本，经灰度处理后，采用 K均值聚类
算法获得最优聚类结果，由此区分裂隙类像素和背景类像素。结果表明，该方法能较好地显示裂缝的检测结
果，最大检测精度为0.98，能较准确地检测出路基裂缝。
关键词： 机器学习；高速公路；路面裂缝； K均值聚类算法；水泥混凝土
中图分类号：TP 391.4 文献标志码：B 文章编号：1000-4726(2023)07-0808-04
MACHINE LEARNING-BASED CRACK INSPECTION METHOD FOR HIGHWAY
CEMENTER CONCRETE ROAD
LI Ling-zhi 1, CHEN Yong 2
(1. Wenzhou Jinliwen Expressway East extension Co., Ltd., 325014, Wenzhou, Zhejiang, China; 2. CCCC No. 1 Corporation Group Co., Ltd.,100020, Beijing, China)
Abstract: Based on Jinhua-Lishui-Wenzhou express highway east expanding project, this paper used
machine learning method to inspect the crack on cement concrete express highway. Machine learning
method could automatically collect sample, select key photos among a large number of photos and
adopt estimation error to determine the distribution of inspection data collection and original data
collection and to find out the main reason for the crack on concrete express highway. It collected
crack sample and carried out gray scale treatment first before using K-means clustering algorithm to
obtain the optimal clustering result and to clarify the crack pixel and background pixel. It was found
that this method could provide relatively effective crack inspection result and its maximum inspection
precision is 0.98, which could accurately inspect crack on road surface.
Keywords: machine learning; express highway; road crack; K-mean clustering algorithm; cement
concrete
1 裂缝原因分析
对金丽温高速公路水泥混凝土路面裂缝原因
分析，需在机器学习项目中，确定包含 m 个样例数
据集 k：
k={（ x1， y1） ，（ x2， y2） ，（ x3， y3），… （ xm， ym）} （1）
对数据集进行适当的处理后，将其分为训练集和
测试集，训练集建立模型，并用于计算测试数据集的
测试误差。把测试集的测试误差近似为模型的可扩展
性，并评价其优缺点。
在构造最佳机器模型时，假设数据集是独立的、
同分布的，并从真实总体样本中随机抽取样本量，这
种用抽样的观点解释得到样本量。运用概率评估的视
角理解评估方法，对机器学习评估模型进行评估，模
型分为训练集和测试集。对所拍摄的公路水泥混凝土
路面裂缝图像信息集进行分层抽样规划，得到大小一
致的子集，用每个子集的并集作为训练集，其余子集
作为测试集，得到训练集和测试集，然后进行训练，
最后训练结果为测试结果均值。
以一个特定的分布 P（ x）假设一个总体样本服
从一个整体样本的独立随机抽样 m，得到一个数据集
k，其概率分布如下：
P（k）= P（x1）· P（x2）· … · P（xm） （2）
若再次从总体样本随机抽样 m 次得到数据集
D1，数据集：
k1={（ x1， y1） ，（ x2， y2） ，（ x3， y3），… （ xm， ym）} （3）
收稿日期： 2022–12–30
作者简介： 李凌志（ 1981— ），男，浙江温州人，高级工程师，
e–mail： 328450719@qq.com .
* 1? ? _
Architecture Technology 1\ 54 思1\ 7 O 2023 ? 4 8 Vol.54 No.7 Apr. 2023
·809 ·
在公式（2）和（3）中可以看到，用 DataSet构
建的最佳模型因数据集而异。该方法将数据分成训练
集和测试集，采用自助式方法回溯样本，给出包含样
本的数据集，抽样过程如下：在数据库中进行抽样，
将未抽样的结果放回原始数据集，然后进行下一次抽
样。这个过程会被多次重复，以获得包含样本的数
据集，并从样本中提取结果。在数据集中，有一些
来自DataSet k的初始样本出现了多次，而另一些则
没有。
原来样本在 m 次采样中始终不被采到概率是：
1 1
1 m
P
m = −
（4）
对 m 取极限得到：
11
lim 1 0.368 m
m
me →∞
− →≈
（5）
从类型来看，通过自助抽样，约 36.8 %的初始
数据集样本未出现在样本数据集中，可作为训练集
使用，用于 m 训练样本的实际评估模型和估计模
型，约有
基于机器学习的高速公路水泥混凝土路面裂缝检测方法（论文）.pdf
