基于語義分割模型的三維瀝青路面車轍異常分析方法

王艾迪 郎洪? 丁朔 陸鍵 洪小剛 溫添

（1. 同濟大學 道路與交通工程教育部重點實驗室，上海 201804； 2. 山西高速公路工程檢測有限公司，山西 太原 030008）

截至2020 年底，中國的公路總里程為519.81萬km，其中公路養護里程為514.40萬km，占公路總里程的99.0%［1］，我國公路網已基本形成。然而，由于交通負荷的不斷增大和道路的自然老化，路面損壞日趨嚴重。據統計，高速公路80%以上的路面維修、罩面是由車轍病害引起的［2］。車轍不僅會縮短道路使用壽命，還會增加其他安全風險，尤其是在雨雪等惡劣天氣，路面會有大量積水、結冰，危害駕駛員的行車安全。此外，車轍病害的進一步發展會破壞路面結構層的質量，形成破壞性和危害性更大的其他類病害。因此，準確、高效地檢測車轍可以為路面養護決策提供重要依據。

目前運用最廣泛的路面車轍檢測技術是點激光技術，通過檢測裝置中有限的傳感器獲得一定間隔的橫斷面高程數據，在此基礎上擬合路面橫斷面曲線。由于存在橫斷面數據不完整以及傳感器與車轍之間難以對準的問題，該技術往往會低估車轍深度，造成車轍測量誤差。新興的三維（3D）線激光成像技術能夠克服上述缺陷，它采用一定角度偏差的高速數字相機記錄激光光源投射到路面上的激光變形，獲得連續的路面橫斷面高程數據，通過車轍模型計算即可提取路面車轍信息［3-4］。三維線激光車轍測量技術提高了車轍自動測量的精度和效率，然而，路表面非車轍特征（如瀝青路面紋理特性，路面病害如裂縫、坑槽等），攝像機拍攝圖像時出現的激光線條的噪聲反射、植被等異物侵擾，以及激光系統固有的噪聲等都會導致所獲得的三維高程數據中出現不規則的數據點（包括缺失點或異常點），進而造成車轍測量結果與真實值之間的誤差。文獻［5］中指出，三維線激光技術的測量誤差主要來源于被測物體的表面特性和檢測系統本身；文獻［6］將影響測量精度的噪聲分為光源噪聲、光電設備噪聲、外部噪聲和探測器運動產生的噪聲；文獻［7］表明，激光圖像的對比度、光線、交通標線和車輛狀態變化等都會影響車轍深度測量的準確性。不少學者對橫斷面不規則數據點進行了分析研究。李莉等［8］基于激光線結構光車轍檢測原理，提出了適應瀝青路面紋理特征和技術狀況的線結構光圖像處理流程，利用光心提取、光心連接和光心曲線平滑實現路面橫斷面曲線提取，并在此基礎上實現了車轍特征參數的提取。張德津等［9］利用三維線結構光技術獲得路面斷面數據，先對曲線進行濾波處理，再剔除濾波后數據可能存在的異常值，根據拉依達準則，以2倍標準差消除可能的異常點數據，最后對處理后的數據進行擬合和車轍計算。Feng［10］基于多元自適應回歸樣條技術，使用分段線性模型來擬合車轍深度剖面，并去除車轍深度數據的異常值，發現當坡度閾值為1/4、窗口尺寸為1 m 時，能夠有效去除非車轍特征引起的離群點（如裂縫和坑槽等），并且保留車轍的完整形狀。Kage 等［11］提出了一種結合激光和車載立體相機進行車轍檢測的方法，利用限制對比度的自適應直方圖均衡和濾波算法，可以更好地識別激光線的變形，并與車轍圖像進行匹配以消除車轍對外部光線的影響。李中軼等［12］提出了一種結合路面水平軸和車道邊緣線坐標的車轍檢測定位方法來實現對路面車轍的自動測量與定位，該方法可消除推波、擁包及車道外雜物干擾帶來的誤差，同時可以在車道上實現車轍橫向定位。羅楠欣［13］在借鑒已有二維路面去噪處理方法的基礎上，提出了適用于三維圖像的裂縫消除算法，并對算法的有效性和穩定性進行了驗證，減少了裂縫信號對車轍識別的干擾。Huang等［14］提出了一種三維線激光車轍測量系統來對車轍進行自動檢測，以減小車道條紋、邊緣脫落、植被、路緣和密封裂縫的影響，但并未研究針對這些病害具體的濾波方法。

三維線激光車轍自動檢測技術提供了一種快速、準確和非主觀的替代人工調查的方法。然而，在計算車轍深度時，未考慮路面橫斷面高程數據中坑槽、松散、裂縫和橋梁接縫等三維病害特征的影響，測量結果與真實值有較大的誤差。針對路面三維病害類非車轍特征所導致的橫斷面異常數據，文中提出了一種新的車轍異常檢測與校正方法，以有效識別和定位導致車轍異常的病害，提高車轍深度的測量精度。

1 數據準備

1.1 數據的采集及預處理

文中采用基于線結構光測量原理的數字化道路檢測車（DRIV）采集瀝青路面數據［15］。檢測車上安裝有三維線激光系統，并與DMI耦合，DMI是一個安裝在車輪上的旋轉軸編碼器，用于觸發橫向數據的采集，并測量行進的線形距離。當收集三維高程數據時，激光投影儀將結構光投影到對象表面，三維相機捕捉到由激光線條變形所構成的圖像數據，然后利用峰值檢測算法將激光線條的變形轉化為物體表面的高程信息。為同時獲得三維高程數據和二維強度數據，三維線激光系統連續掃描路面，獲取高程距離和強度的橫向剖面數據，高程距離信息用于重建連續的三維路面圖像，強度信息用于恢復路表面的二維圖像［10］。檢測車以35~100 km/h 的速度采集路面二維圖像和三維數據，試驗環境按照JTG/T E61—2014《公路路面技術狀況自動化檢測規程》設立［16］。每個橫斷面采集4 096 個數據點，覆蓋3.6 m 寬的路面，因此X方向（橫斷面方向）的分辨率為0.88 mm（3.6 m/4 096像素），Y方向（檢測車行進方向）的分辨率取決于DMI 編碼器，采樣間隔為3.3 mm（6.6 m/2 000 像素），高程精度是三維數據點理論上在Z坐標的離散度，為0.55 mm。

根據本研究的數據需求和實驗特點，對采集的數據進行預處理。由于路面的復雜性、傳感器的性能、檢測系統的機械振動以及測量過程中的人為因素等，可能會導致某些激光點無法反射回相機，從而造成橫斷面數據的丟失，影響車轍計算［17］，因此，需要對原始三維高程點的檢測值進行預處理。

首先，令一組橫斷面高程數據組成的向量X={X1，X2，…，XN}，其中Xn= 0(n= 1，2，…，N)屬于激光異常點，Xn≠0(n= 1，2，…，N)不屬于激光異常點。X′={X′1，X′2，…，X′N}是校正后的高程向量，對于篩選出的異常值采用其左鄰正常值或右鄰正常值的插值進行修正，即

其次，為有效分析三維病害變形，將三維路面高程數據轉換為三維路面圖像，如式（2）所示：

式中，X為三維高程數據上每個像素的高程值，為三維圖像中相應像素的值，Xmin和Xmax分別為三維路面的最小和最大高程值。

從本質上講，三維路面圖像是三維高程數據通過最大-最小值歸一化而來的灰度圖像，其顏色的深淺反映了道路表面高程的大小。

為節省計算資源，對二維、三維圖像和校準后的三維高程數據進行下采樣，尺寸由原來的4 096×2 048 減少為1 024×512，其中二維圖像采用雙線性插值方法，三維圖像和高程數據采用8×8平均池化技術以捕捉細微的高程差異，最終將這3種類型的圖像數據在像素級上一一對應。

1.2 數據集制作

經數據預處理后，根據二維圖像與相應的三維圖像建立瀝青路面雙通道數據集DB0。從數據集中選取4 000 張雙通道圖像用于路面病害語義分割模型的訓練和測試，其中，隨機抽取3 000 張作為訓練集，500張作為驗證集，剩余500張作為測試集。數據集中的所有標簽圖都是在像素級圖像上手動標記完成，不同類型道路病害的圖像標記數量見表1。此外，為了驗證文中提出的車轍異常檢測與校正方法的可靠性，選擇坑槽、裂縫等破損類病害較多的路段作為實地驗證模擬路段，建立模擬路段數據集DB1。數據集對應的路面實際長度為6.5 km，共1 250 張瀝青路面雙通道圖像數據。數據集中包含了不同路面材料和紋理，路面存在較多裂縫、坑槽、松散、橋接縫和油污。

表1 訓練集、驗證集和測試集中不同類型道路病害的圖像數量Table 1 Quantities of each type of pavement distress used for net training， validation and testing

2 基于語義分割模型的路面病害檢測與分割

采用三維線激光成像技術自動獲取路面微觀變形，進而提取橫斷面高程數據。根據JTG/T E61—2014《公路路面技術狀況自動化檢測規程》，基于橫斷面數據的路面車轍深度計算方法主要分為兩種：直尺法［18］和包絡線法［8］，文中采用包絡線法。JTG 5210—2018《公路技術狀況評定標準》［19］（以下簡稱《標準》）中將車轍損壞程度分為輕度和重度，其中輕度車轍的深度在10~15 mm 之間，重度車轍的深度大于15 mm；另一方面，在《標準》的公路技術狀況指標等級劃分中，車轍深度大于10 mm 的路段評級為優級以下。綜上，文中將含有10 mm 以上車轍深度的圖像作為異常車轍校正的候選圖像，建立了一種基于深度學習的語義分割框架，提出了對DeepLabV3+網絡進行病害自動識別和像素定位的改進方法。

2.1 網絡架構

DeepLabV3+是Chen等［20］于2018年提出的一種先進實時的語義分割方法，它結合了空間金字塔池化模塊和編碼器-解碼器結構。前者能對多尺度的上下文信息進行編碼，而后者可以通過逐步恢復空間信息來捕捉更清晰的目標邊界。DeepLabV3+的結構如圖1所示。

圖1 DeepLabV3+的結構Fig.1 Architecture of DeepLabV3+

在編碼器結構中，網絡的主干部分Modified Aligned Xception 采用步長為2的深度分離卷積層進行下采樣操作。通過多層卷積，每個卷積層后面都有1 個批量標準化層（BN 層）和1 個激活函數（ReLU），通道數從最初輸入的雙通道圖像變成最后輸出的帶有2 048 個通道的特征圖。通過主干部分，可以得到2個不同尺寸的特征圖，其中低級特征圖的尺寸為輸入圖像的1/4，在網絡主干結構終端輸出的高級特征圖的尺寸為輸入圖像的1/16。主干部分后連接金字塔池化模塊，將通過金字塔池化后的承載不同尺度信息的特征圖進行拼接操作并送入具有1×1 卷積核的卷積層，得到空間分辨率為32×32、通道數為256的輸出結果。

在解碼器結構中，首先將低級特征圖送入具有1×1 卷積核的卷積層，使通道數減少到48 個；同時將編碼器終端的輸出結果進行上采樣操作，并對兩者進行拼接；最后再進行卷積和上采樣操作輸出預測結果。

2.2 參數設置和模型訓練

文中在觀察大量實際工程路面圖像的基礎上，發現路面二維圖像包含強度信息，在一定程度上反映了病害特征，但也受到很多因素的影響，比如路面油污、紋理、區域特征等。三維高程數據能較好地克服上述缺點，提供更多有用的信息和更少的噪音［21］。因此，為了充分利用二維和三維圖像的優勢，在模型正式訓練前，準備了帶相應標簽的由二維和三維圖像組建成的雙通道路面圖像作為訓練集和驗證集。

考慮到研究中使用的數據集的一些特點，比如不同類型病害數量的比例不均衡、坑槽和松散類病害的數量相對較少、與整張路面圖像相比大部分病害的尺寸都很小而背景像素的占比過大，文中采用焦點損失函數（見式（3））。焦點損失函數一方面可以通過為每個類別設置權重來避免因類別不平衡造成的學習率下降的問題，另一方面可以減少易辨類別（如背景像素）損失值的貢獻度，同時提高識別困難的類別的重要性［21］，即識別錯誤越多，模型學習速度越快。

式中：n為圖像像素數量，即1 024 × 512；N為類別數量，即5；p(i，j)為第j個類別在標簽圖第i個位置的真值，取值為1 或0；為第j個類別在預測圖第i個位置的概率；γ為聚焦參數，它可以調低易辨類別的重要性，考慮數據集的特征，文中將其設為2；αj為樣本不平衡參數，文中將背景、裂縫、坑槽、松散和橋接縫的不平衡參數分別設為1、3、4、4、2。

模型的訓練采用Adam 優化方法。訓練過程的部分超參數設置如下：批量大小為16，學習率和權值衰減參數分別為0.000 1和10-8。為了確定編碼器模塊最佳的輸出步長（OS），文中分別設置OS 為8、16 和32，并對網絡訓練效果進行了比較，發現速度和精度在輸出步長為16 時達到最優。在訓練過程中，每迭代100 次就對驗證集進行1 次測試，計算訓練集的損失值、驗證集的損失值和均交并比（MIoU），訓練過程如圖2所示?？梢钥闯觯簱p失函數隨著迭代期數的增加呈下降趨勢，MIoU 則呈上升趨勢；在模型遍歷300個周期后，驗證集的損失值不再明顯下降，且MIoU 在第347 個周期時達到最大，為82.48%，位于圖2（b）中虛線方框標記處；之后出現了過擬合現象，文中保留遍歷期數為347時的訓練結果。

圖2 改進的DeepLabV3+的訓練結果Fig.2 Training results of the improved DeepLabV3+

3 車轍深度異常值的校正

用包絡算法篩選出最大車轍深度大于10 mm 的數據作為車轍深度異常值校正的候選圖像。通過文中提出的語義分割模型對這些候選圖像進行像素級分類。在此基礎上，設計了一種車轍深度異常值的校正準則，該準則基于像素級的語義分割結果，同時考慮了不同類型病害的特征，其步驟如下。

步驟1對語義分割網絡輸出結果的每一行進行判斷，若存在病害像素，進入下一步，否則該橫斷面的車轍深度保留不變。

步驟2結合圖片中每條橫斷面最大車轍深度的像素點位置，若病害像素點與最大車轍深度高程點不重合，則該橫斷面上的病害像素點不會影響最大車轍深度的計算，該橫斷面車轍深度保留不變；否則，進入下一步，重新計算車轍深度。

步驟3對于識別出的裂縫類病害，由于裂縫類病害的縫寬較窄，損壞深度較大，故先用拉格朗日插值法（如式（4）所示）對病害像素對應的高程值進行校正，橫斷面曲線的校正效果見圖3（a）。對于識別出的坑槽和松散類病害，考慮到其具有破損較為集聚且病害面積大小不一的特征，文中設定了1 個閾值，即某一橫斷面的病害像素點若超過100 個，則認為對車轍深度計算的影響較大，將對應行的高程數據整行剔除，否則采用與裂縫類病害相同的方法校正，校正效果見圖3（b）和3（c）。而對于識別出的橋接縫類病害，由于其通常橫跨道路的整個橫斷面，因此，橋接縫所在的橫斷面不應參與車轍深度的計算，故將對應行的高程數據整行剔除，如圖3（d）所示。

圖3 路面病害的高程曲線和校正效果Fig.3 Transverse elevation curves and the corresponding cor?rection effect of pavement distress

式（4）中：n=j，j+1，…，j+xi-1，j+xi；(i，j)， (i，j+ 1)，…，(i，j+xi- 1)，(i，j+xi) 為 各 類 型病害在第i行橫斷面的高程坐標；x(i，j)，x(i，j+ 1) ，…，x(i，j+xi- 1) ，x(i，j+xi)為各類型病害像素對應的高程值，為了更好地擬合車轍變形曲線，經試驗比較，取病害前10、前15 個像素對應高程值的平均值（式中對應x(i，j- 15)j15和以及病害后一個像素的對應高程值作為擬合曲線中橫坐標為j- 15、j- 1 和j+xi+ 1 的給定點，其中x=c，p，r，分別表示坑槽、松散和裂縫病害。

為深入揭示所提方法的校正原理，下面結合具體情形做進一步分析。對于因路面病害影響最大車轍深度測量結果的情況，分兩種情形進行橫斷面高程數據異常點的校正。情形1：病害像素正好位于車轍橫向剖面輪廓的最低點，利用拉格朗日插值法對病害像素對應的高程數據異常點進行校正，此時，最大車轍深度計算基點位于校正后的病害像素點對應位置，如圖4（a）所示；情形2：病害像素與車轍橫向剖面輪廓最低點不重合（病害出現在車轍凹陷處之外也屬此情形），經校正后的橫斷面曲線如圖4（b）所示，此時，最大車轍深度計算基點為車轍橫向剖面輪廓最低點。以上討論不包括剔除整條橫斷面曲線的情況。

圖4 路面病害影響車轍深度測量結果的兩種情形及校正效果Fig.4 Two cases of pavement distress affecting the results of rut depth measurement and the corresponding correction effect

4 試驗結果與分析

4.1 語義分割網絡的性能評估

訓練結束后，將保存的最佳模型參數應用于測試集上以評估網絡性能。為評估雙通道輸入數據的效果，實驗中分別以二維、三維和雙通道路面圖像作為輸入數據對改進的DeepLabV3+模型進行測試。由表2可知：僅使用二維路面圖像作為輸入數據時，模型只對橋接縫類病害有較好的分割效果，而在其他病害上的交并比（IoU）都偏低；僅使用三維路面圖像作為輸入數據時，除了裂縫類病害外，模型在其他類型病害上均有較好的表現。對比試驗表明，大多數路面破損在三維路面圖像上比在二維路面圖像上具有更明顯的特征。此外，使用雙通道圖像作為輸入數據時，模型的MIoU 達81.63%，高于僅使用二維或三維路面圖像時。

表2 使用不同類型圖像作為輸入數據的網絡識別精度比較Table 2 Comparison of network accuracy using different types of images as input data %

對使用不同損失函數訓練得到的網絡進行精度比較，發現對于大部分路面病害（特別是松散類病害），采用焦點損失函數比采用交叉熵損失函數訓練的網絡有更好的分割效果，如表3所示，前者在松散類病害上的IoU比后者高了0.7個百分點。

表3 使用不同損失函數訓練的網絡識別精度比較Table 3 Comparison of network accuracy trained by different loss functions %

為進一步評估文中提出的語義分割網絡，分別訓練了Unet、PSPNet和DeepLabV3+作為比較網絡。將它們分別應用在測試集上，得到病害識別和分割結果。表4 列出了4 種網絡對每類病害的IoU 和MIoU?？梢钥闯觯簩τ诳硬酆蜆蚪涌p，4種網絡的識別精度較好；以Resnet101為主干的DeepLabV3+在坑槽、橋接縫類病害上的IoU 較高，在裂縫上的IoU較低；U-Net在松散、橋接縫和裂縫上的表現較好，但在坑槽病害上的IoU 較低；PSPNet的性能相對較差，MIoU 僅為77.58%；相比之下，改進后的DeepLabV3+在背景、松散、橋接縫上的IoU均達到了較高水平，并且其MIoU在所有模型中最高。圖5展示了改進后的DeepLabV3+在測試集上的預測結果，其中，矩形虛線框標記出的假陽性誤判表明較細的線形裂縫存在漏檢，這也解釋了表4 中裂縫IoU 較低的原因。然而，在實際車轍檢測中，淺層裂縫的影響可以忽略不計。此外，由于坑槽和松散病害表征相似，界定較為模糊，預測結果中出現了將坑槽誤判為松散的情況（虛線橢圓標記處），但對文中提出的校正方法，兩者間的誤判并不影響最終的校正效果。綜上，文中選擇改進的DeepLabV3+模型作為本研究語義分割的最終模型。

圖5 改進的DeepLabV3+在測試集上的性能Fig.5 Performance of the improved DeepLabV3+ on test set

表4 不同網絡在測試集上的識別精度比較Table 4 Comparison of accuracy of different networks on test set %

4.2 實地驗證

在全長為6.5 km的路段上（數據集DB1），利用文中方法對異常車轍深度進行了校正。首先，選擇最大車轍深度大于10 mm 的圖像作為車轍異常校正的候選圖像。然后，通過語義分割模型輸出病害識別與分割結果，利用文中提出的異常車轍深度校正方法，分別對不同類型病害造成的異常車轍進行校正。

圖6（a）和圖6（b）分別為裂縫的二維和三維圖像，它們共同構成雙通道圖像作為語義分割模型的輸入數據；圖6（c）為裂縫病害的預測圖；圖6（d）為車轍深度異常值校正前后各橫斷面最大車轍深度構成的全斷面車轍深度曲線。若路面橫斷面出現病害，車轍深度曲線將出現較大的跳躍，如圖6（d）中圖像行數為160—445 行時所示，由于受裂縫病害的影響，測得的車轍深度出現大幅度的提升，在第405 行達到最大（12 mm），顯著高于445 行之后無病害時所測得的3~5 mm 的車轍深度。而實際車轍曲線應是連續平穩的，從圖中可以看出，虛線所代表的校正后的車轍深度曲線走勢較為平緩，較大程度地還原了車轍深度變化的真實情況。

圖6 校正前后橫斷面的車轍深度比較Fig.6 Comparison of rutting depth on cross section before and after correction

圖7顯示了DB1數據集在校正前后的車轍異常分析結果。根據語義分割模型的識別結果，在最大車轍深度曲線上自動標記了造成車轍異常的病害類型?？硬鄄『σ驎乐仄茐穆访娼Y構，造成路面塌陷，所以車轍深度測量值出現嚴重異常。相比之下，裂縫病害雖普遍存在于各等級道路中，但對路面的損壞程度較輕，在實際車轍異常檢測中，較細的線性裂紋的影響通?？梢院雎圆挥?，如編號前50 的圖像中大多數由裂縫病害造成的車轍異常，其車轍深度在校正前后并無明顯變化，而對于較深的網狀裂紋（如圖7 中虛線方框標記處），其對車轍深度測量值則會造成較大影響。

圖7 校正前后病害圖片最大車轍深度比較Fig.7 Comparison of maximum rutting depth in distress im?ages before and after correction

為進一步評價路面車轍狀況，引入車轍深度指數（IRDI）［15，22］為

式中：IRD為左車轍和右車轍最大值的平均值；IRDa和IRDb為車轍深度參數，分別取10 和40；a0和a1為模型參數，分別為1.0和3.0。

校正前后病害圖片的車轍深度指數如圖8所示。從圖8中可以看出，文中提出的車轍異常校正方法最大程度地修復了由病害導致的車轍深度指數異常，提高了車轍深度的測量精度。值得注意的是，由于語義分割模型自身的局限性，可能存在個別病害像素遺漏的現象。雖然校正后的RDI曲線比校正前的RDI曲線更準確地反映了車轍的實際狀況，但一些車轍深度指數無法完全消除病害影響，仍然存在比正常值偏低的趨勢（如圖中黑色圓圈標記處）。

圖8 校正前后病害圖片的車轍深度指數比較Fig.8 Comparison of rutting depth index in distress images be?fore and after correction

上述試驗與分析結果顯示，文中提出的車轍異常分析方法可對異常車轍進行識別和校正，為預防性養護提供有針對性的車轍養護方案。今后應進一步提高模型識別定位的精度，從而獲得更接近真實的路面車轍深度。

5 結語

文中基于高精度三維高程數據，利用包絡線算法自動提取橫斷面車轍深度。在異常車轍檢測中，搭建改進的DeepLabV3+模型，并將二維和三維組建的雙通道圖像作為網絡輸入、將焦點函數作為損失函數對模型進行訓練。測試結果顯示，該模型在絕大多數病害的IoU 以及MIoU 上比U-Net、PSPNet、DeepLabV3+有更好的性能，5種路面特征和病害的綜合檢測準確率達到81.63%，說明改進的DeepLabV3+模型能較為準確地識別和定位造成車轍檢測異常的路面病害。

根據改進的DeepLabV3+模型識別出的病害類型和像素定位，利用文中提出的基于拉格朗日插值的校正規則對異常車轍進行校正，實地驗證結果表明，文中提出的車轍異常檢測與校正方法不僅能有效識別導致車轍異常的原因，而且能最大程度地減小其他病害的影響，特別是對坑槽和較深的網狀裂縫這類對車轍測量值有較大影響的病害具有很好的效果。采用該方法進行校正，能夠恢復較為真實的車轍橫斷面曲線，提高車轍深度測量精度。

文中提出的車轍異常分析方法能夠彌補現有車轍檢測技術在計算車轍深度時未考慮具有三維特征的路面破損（如坑槽、松散、裂縫和橋接縫）影響的不足，不僅能有效識別導致車轍異常的原因，而且所提出的車轍異常校正方法在較大程度上減小了路面病害對車轍計算的影響，測量結果較好地還原了實際車轍深度水平。今后將進一步研究車轍與路面破損和平整度之間的關系，以輔助路面養護決策。