存在病害的路面极易引发交通事故,其安全性直接影响着人们的生命和财产安全。若不及时进行修理,小的病害通常会发展为大的路面破损,严重的甚至导致路面重新修建,造成大量不必要的经济损失。由于修理不同类型路面病害所需材料有所差异,因此准确识别路面病害的位置及类型对路面的养护工作尤为关键。本文通过分析公路路面病害检测任务的需求,结合路面病害检测技术的发展现状,基于深度学习的目标检测技术来实现路面病害的检测。本文的主要研究工作总结如下:首先,对目标检测中的边界框损失函数进行总结归纳,分析它们所存在的优缺点。为了弥补以往损失函数所存在的局限性,提出了基于Io U的边界框损失函数RDDIo U Loss。通过模拟实验对比了RDDIo U Loss与先前边界框损失函数的性能,并在COCO数据集上进行实验,验证了边界框损失函数RDDIo U Loss的有效性。其次,综合考虑并选择YOLOv5作为基准网络进行深入研究。结合路面病害所独有的特征,对数据增强、主干网络、Neck网络、损失函数和TTA等模块进行改进,得到了适用于路面病害检测的网络YOLO-RDD。接着介绍了本文制作的路面病害检测数据集的详细信息。又通过实验比较了YOLO-RDD和几种典型目标检测算法在路面病害检测任务中的性能,实验结果表明本文提出的模型取得了m AP 93.9%和F1-Score88.5%的成绩,优于其它典型目标检测模型。最后,通过分析用户需求,结合路面病害检测任务的最终目的,设计了路面病害检测系统,并对其功能模块以及系统流程进行了讨论。为了满足不同用户群体的需求,分别将YOLO-RDD模型部署在Web服务器和Windows平台,实现了多平台的检测,也验证了本文改进算法的有效性和实用性。