随着我国公路建设的蓬勃发展,交通日益发达,对公路安全检测和养护的要求也越来越高。目前大部分地区仍以人工监测为主,危险系数高、工作效率低。近年来,人工智能发展迅速,深度学习在计算机视觉领域取得了突破进展。深度学习分析学习数据、提取特征、识别特征的能力尤为突出,解决了很多图像处理领域的难题。本文利用深度学习设计了一种多尺度特征提取轻量化语义分割算法,能够自动识别公路灾害并且对其具体位置进行分割,该算法能够有效地提高公路安全监测效率。本文的研究内容主要有以下方面:一、针对研究课题制作公路灾害数据集。首先利用网络爬虫技术制作初级数据集,选定爬取图像类别相对集中的故障、塌陷、火灾、滑坡作为本课题的研究类别。然后将特征不明显、无法标注的图像删除,利用Retinex算法和直方图均衡化抑制图像噪声,通过随机旋转、缩放、平移随机组合扩充数据集。最后借助Labelme标注工具进行手工标注。利用上述方法,本课题所用公路灾害数据集包含3452张图像。二、对DeepLabV3+语义分割网络提出改进。改进的网络采用了Encoder-Decoder结构,Encoder部分选用相对Xception网络参数量更小、准确率略低的MobileNetV2作为特征提取网络,借鉴DenseASPP密集连接方法重新设计了加强特征提取ASPP模块;结合一个简单的Encoder网络得到多尺度精细化分割结果。并且详细介绍了改进的DeepLabV3+语义分割网络结构、损失函数、训练策略,并在自制公路数据集上进行实验调优。实验表明,本文设计的DASPPMNV2DeepLabV3+网络能够有效分割识别公路灾害,mloU提高4.67%,MPA提高3.33%,分割图像更加完整,分割效果明显得到改善。