近日，北京大学遥感所2021级博士生任淼为第一作者，导师张显峰教授为通讯作者，在Nature旗下数据期刊《Scientific Data》上发表了题为“An annotated street view image dataset for automated road damage detection”的论文，成功发布了第一个公开的街景影像路面病害数据集SVRDD，通过技术验证表明该数据集可为未来基于街景图像的深度学习算法的开发与跨域训练提供可靠的数据支持。此外，课题组于2023年5月在《International Journal of Applied Earth Observation and Geoinformation》期刊上发文，提出了一种针对街景影像的路面病害检测网络YOLOv5s-M；与其他目标检测模型相比，YOLOv5s-M能更准确地检测街景影像中的路面病害。

公路作为最基础、最广泛的交通基础设施，保障了人员和货物的快速高效流动，推动了经济和社会的发展。然而，道路路面结构受车辆荷载摩擦和各种环境因子的长期影响，路面材料会老化衰变，最终导致路面病害的出现。路面病害不仅严重影响行车舒适性，而且威胁行车安全，甚至可能引发交通事故。当前交通管理部门主要通过人工或车载设备对路面病害进行检测，不利于大范围道路病害监测。街景影像拍摄系统的前视角度可获取能反映路面状况的图像，同时街景影像具有低成本易获取、定期更新、数据丰富、专业设备采集的优点，为公路路面病害监测提供了一种新的解决方案。

研究提出了一个基于街景影像的路面病害检测数据集SVRDD，其中包括了从百度地图获取的8000张街景影像，对超过20,000个路面病害进行了标注。该数据集涵盖了北京市东城、西城、海淀、朝阳和丰台共5个区，包括多种城市道路类型和路面状况。所标注的路面病害共包括六种病害类别和一种易混淆的非混凝土路面类型，即纵向裂缝、横向裂缝、龟裂、坑槽、纵向修补、横向修补和井盖。从实际应用来看，SVRDD中的路面病害类别与交通行业部门的规范更加一致，并且适合利用街景图像进行检测。SVRDD中街景图像的背景包括行人、车辆、建筑物、高架桥、树木及其阴影，拍摄条件包括各种季节、天气和光照条件。研究利用SVRDD数据集训练并评估了10种成熟的目标检测算法，同时还评估了使用具有不同数量训练图像和删除不同区的训练图像对模型性能的影响。结果表明，SVRDD数据集可为未来基于街景图像的深度学习算法的开发提供可靠的数据支持。据我们所知，SVRDD是第一个公开可用的基于街景影像的路面病害数据集。

图 街景影像中的病害类型示例：(a) 纵向裂缝和井盖; (b) 横向裂缝; (c) 龟裂; (d) 坑槽; (e) 纵向修补; (f) 横向修补

图 SVRDD数据集中路面病害的统计数量

研究提出了一种基于YOLOv5改进算法的街景影像路面病害检测方法。该改进算法加入了大尺度检测层以提高大目标（e.g.网状裂缝）的检测精度，通过Generalized-FPN结构同时实现跨层和跨尺度的特征融合，加入LIoU loss对边界框进行回归计算，并通过Decoupled Head结构实现了预测和回归的解耦检测，构建了更加适合街景影像多尺度复杂背景下的路面病害检测网络，提高了网络模型从街景影像中检测路面病害的精度，在测试数据中的平均精度达到79.8%。同时，在模型训练中通过增加井盖训练样本，有效提高了坑洞的检测精度。最后，利用所建立的模型完成了北京市丰台区305.53 km²范围内所有道路的路面病害检测，研究结果可为道路养护部门提供数据支撑。

图 所提出的YOLOv5s-M改进算法的框架

图 北京市丰台区路面病害检测结果

街景影像是由地图服务提供商（例如谷歌地图、百度地图）通过街景摄影系统沿道路从不同角度收集，并按照标准处理方法采集、处理和维护的带有地理标签的照片。街景影像准确地描绘了城市物理环境，已经被用于估计贫困、暴力犯罪、健康行为和出行模式等多种研究领域。基于街景影像的路面病害研究可以充分利用海量公开的街景图像数据，为路面病害检测提供了新的研究方向。SVRDD数据集可为未来基于街景图像的深度学习算法的开发提供可靠的数据支持。同时该数据集可以通过增加多城市图像、多时相图像和额外标注等方式扩展该数据集，以适用于其他研究场景。此外，探索街景影像、垂直视角和宽视角影像数据集上路面病害检测的域适应算法，也是未来研究的重要方向之一。

研究得到了国家自然科学基金（42171327）和可持续发展目标大数据国际研究中心（CBAS2022GSP06）等项目的支持。