近年来,随着公路网络的日益完善和机场数量的增加,道面养护与管理已成为我国交通行业领域亟待解决的一项重要任务。裂缝是道面大多病害的早期形态,及时准确地发现裂缝可以最大程度地降低维护成本,提高养护效率。随着国家“交通强国建设纲要”战略的推进,如何利用机器视觉技术实现高性能自动化的道面裂缝精准检测技术,已成为当前研究的热点问题之一。针对实际裂缝检测应用中光照条件差、图像对比度差和噪声强烈等干扰导致依靠单一传感器出现裂缝的误判和漏检问题,本文开展相关研究工作:在深入分析了红外和可见光传感器的成像原理和其在裂缝检测应用中特性互补的基础上,提出基于红外和可见光图像信息融合的道面裂缝检测方案。该方案使用红外传感器和可见光传感器同步采集道面图像,并使用基于显著区域几何特征提取的配准方法,实现道面红外和可见光图像的同步获取。为了进一步提高基于可见光图像路面裂缝识别算法的精度、鲁棒性和检测速度,提出了一种基于稠密连接与深度监督的神经网络道面裂缝识别算法。算法通过网络层间进行稠密连接及对多个尺度隐藏层进行深度监督的方式,提高了不同尺度下裂缝特征提取能力和信息互补度,并设计类别平衡交叉熵损失函数以增大裂缝像素损失权重。在四个裂缝数据集上进行了测试,结果表明算法在准确率、检测速度和鲁棒性方面均优于对比算法。算法为基于可见光图像的道面裂缝初步快速识别和后期基于多传感器数据融合裂缝精准判定提供了一定的技术支持。针对于实际裂缝检测应用中光照条件差、图像对比度差和噪声强烈等干扰导致依靠单一可见光传感器出现裂缝的误判和漏检问题,提出一种融合可见光图像和红外图像的裂缝判定算法。算法利用局部区域像素的灰度和温度概率分布,建立决策级信息融合模型,并利用多种数学形态学约束获得裂缝检测结果。在强干扰的道面数据集上进行了测试,结果显示算法能充分利用裂缝温度和灰度的综合信息,克服其各自存在的不足,为道面裂缝的精确检测与管理提供了技术基础。