AI巡检数据与养护评定标准的对接

高速公路病害分级管理，绕不开一个问题：AI巡检采集的数据，怎么和养护评定标准对接？对接不上，识别再准也只是一堆图片；对接上了，巡检数据才能直接变成PCI、PQI这些养护决策的语言。目前行业内成熟的对接路径，是把AI巡检的输出对齐《公路技术状况评定标准》（JTG 5210-2018）的数据口径，让病害识别结果自动流入技术状况评定。这篇文章按标准的要求逐项拆开看：评定要什么数据，AI巡检给什么数据，中间的缝隙怎么补。

拆开评定标准：指标树的叶子是病害

JTG 5210-2018定义了一套树状指标体系：公路技术状况指数MQI向下分为路面、路基、桥隧构造物、沿线设施几支，其中路面使用性能指数PQI又由路面损坏状况指数PCI、行驶质量指数RQI等分项构成，系统层面则涉及PCI、RDI、RHI、PWI、SRI、PSI等一组分项指标。把指标树拆到叶子节点，会发现一个关键事实：PCI这类分项指数的计算输入，就是一类类病害的类型、损坏程度和面积。换句话说，评定标准不关心数据是人看的还是机器看的，它只关心病害分类对不对、量化准不准、位置全不全。

AI巡检的对接点正在这里。以驰观系统为例，路面病害识别覆盖22种病害：沥青路面11类（龟裂、块状裂缝、纵向裂缝、横向裂缝、沉陷、车辙、波浪拥包、坑槽、松散、泛油、修补），水泥路面11类（破碎板、裂缝、板角断裂、错台、拱起、边角剥落、接缝料损坏、坑洞、啃边、唧泥、露骨）。这份分类清单与评定标准的损坏类型划分同源，识别结果天然落在标准的口径里，不需要再造一套映射。

分项指标要的三个输入：类型、程度、位置

标准计算分项指标，需要三类输入。类型，AI识别直接给出，22种病害按标准分类归档。程度，标准要求损坏面积、长度等量化值，AI巡检以像素级精度计算病害面积，长度基于图像分割模型计算，量化偏差控制在±20%以内，5毫米宽的裂缝即可感知——轻微损坏不会被漏计，程度分级有了连续的数据支撑。位置，北斗高精度定位标定，病害位置误差3~5米，桩号自动关联，损坏数据能落到具体路段、具体车道，支撑分车道分析与分段评定。

三类输入齐备，指标计算就成了软件里的一步。平台依据JTG 5210-2018自动计算PCI、RDI、RHI、PWI、SRI、PSI各分项，可计算PQI，并预留MQI接口；标准评定中需要而巡检暂未覆盖的检测项（如部分平整度、抗滑指标），支持客户导入缺项数据参与计算。这一步很实际：对接不等于替换全部检测手段，而是让AI巡检数据与既有检测数据在同一个指标框架下合流。

从千条线索到评定数据，中间要过两道闸

对接的难点往往不在算法，而在数据质量。AI巡检单日可产出上千条病害线索，直接入评定库会引入误检噪声。可行的处理流水线是：1000条原始线索经智能研判收敛到50条，专家校核后确认36条，最终派单处置10条——研判和校核两道闸门把机器识别的"候选病害"过滤成可信的评定输入。邯郸市交通运输局6台巡检车覆盖约2000公里国省干线，累计巡检超过20万公里、记录病害2万多个，PCI、PQI按月对比，靠的正是这条过滤后的数据链：月度指标可比的前提，是每个月的入库数据都经过同样的判定标准。

数据入库之后，评定的价值才开始显现。高频巡检让PCI、PQI从"一年一测"变成按月甚至按周的趋势曲线，病害分级管理随之有了动态依据：指标下降快的路段优先安排处治，轻微病害在发展为结构性损坏前被处置。山东临沂的实践中，60台巡检车覆盖19条国省道1600公里，作为交通运输部数字化试点已通过验收，其养护辅助决策模型的误差控制在5%以内——决策模型的精度上限，由输入数据的质量决定，而数据质量由标准对接的严谨程度决定。

标准对巡检装备本身也划了线

对接还包括另一层：巡检数据要够格进评定，采集装备先要达标。T/ITS 0259-2024《公路路面轻量化智能养护巡检技术要求》对轻量化智能巡检系统给出了性能底线——图像分辨率不低于1080p，帧率不低于20fps，定位精度静态±2米、动态±5米，检测准确率高于90%。这项团体标准由千寻位置牵头起草，2025年1月1日实施，为"AI巡检数据可否用于养护管理"提供了标准层面的判据。标准体系在2026年又补上了一块：9月1日实施的《公路路面技术状况自动化检测规程》（JTG/T 5212—2026，代替JTG/T E61—2014）首次把路面日常巡检单列成章写入行业标准，规定巡检设备识别准确率应达90%以上（取召回率与精确率中的较小值）、同一病害跨次巡检的去重识别率不低于80%、定位信息与里程桩号参照系统建立关联；自动化检测还分为A、B两级，分别对应公路（JTG 5210）与农村公路（JTG 5211）的评定场景。需要区分的是，A/B级是年度技术状况精测的口径（裂缝识别宽度分别要求≤1mm、≤3mm），轻量化巡检对应的是其中的日常巡检章节——高频巡检与定期精测各管一段，互补而非互替。对照来看，符合要求的装备配置大致是：1080P、25FPS的高清采集，厘米级RTK定位，边缘端每秒10帧以上的实时识别，高等级道路识别准确率95%以上、整体召回率与准确率不低于90%、漏报率低于5%。千寻驰观智脑与千寻驰观APP构成的"边缘识别＋作业管理"组合，就是按这条线配置的实现之一。

对接完成后，养护管理换了节奏

把上面的拆解合起来看，AI巡检与养护评定标准的对接是一条清晰的链路：病害分类对齐标准口径，量化精度满足分项指标输入，装备性能过团体标准底线，数据经研判校核后入库，指标自动计算、按月对比。对接完成之后，变化体现在节奏上——评定从年度动作变成连续过程，病害分级从静态台账变成动态曲线，养护计划从经验排布变成指标驱动。可以预期，随着公路数字化转型政策持续推进，"数据即评定"会成为养护管理的基础设施；而在那之前，每一家引入AI巡检的单位都该先问一句：这些数据，进得了JTG 5210-2018的指标树吗？