路面隐藏病害是导致高速公路大规模损伤的重要因素,直接关系到公路的使用寿命。这类病害伴随着隐蔽性强、随机分布的特点,普通的检测手段很难实现精准的定位。如何高效的检测出路面隐藏病害已成为公路养护策略的重要依据。由于目前检测识别技术的低效性、局限性和依赖人工性等特点,开发一套自动化或半自动化的路面隐藏病害识别系统已迫在眉睫。本文根据现实需求,提出一种基于探地雷达和深度学习的识别路面隐藏病害的系统。本文的主要研究任务如下:(1)依据国内外路面检测的最新理论,对比分析超声波检测、CT检测、光纤检测和探地雷达检测等无损检测技术,选用抗干扰能力强、检测精度高,操作方便的探地雷达作为本文对路面隐藏病害数据采集的检测设备。(2)依据探地雷达电磁波在介质中的传播规律和检测原理,分析影响探地雷达检测精度的因素并提出相应解决办法,同时对裂缝、脱空和沉陷三种路面隐藏病害的雷达波响应特点做一定的解释,并对隐藏病害样本数据采集时所需要调整的探地雷达参数做一定的说明。(3)对采集的样本图像预处理,根据探地雷达产生噪声的特点,选用高斯滤波的方法对图像滤波,并利用图像增强技术加强图像的病害特征。对比现有的各种图像分类算法,选用分类精度高,处理图像能力强的卷积神经网络(CNN)为本文处理图像的基础算法。(4)把数据集按一定比例分为训练集和测试集,通过分析卷积神经网络的原理,加深卷积神经网络的深度来提取更高级的抽象特征,建立卷积神经网络分类模型。通过研究inception模块,引入深度可分离卷积模块解决因网络过深而导致的参数量过大和计算量过大问题,建立深度可分离卷积神经网络模型。同时为防止参数的减少导致输入图像特征提取失真严重的问题,网络的浅层扔选用标准卷积。(5)利用模型对病害图像分类。因支持向量机在特征提取时会漏掉部分有用特征,分类精度为88.33%;而传统神经网络因为参数量的要求,在浅层结构下提取不了高级特征,分类精度为89.6%;卷积神经网络的网络比较深,提取特征全面,分类精度为92%,但因参数量很大,训练时长达10小时;深度可分离卷积神经网络模型优化了网络结构,分类精度为94.62%,训练时长为5小时,不但缩小了训练周期,而且还提高了分类精度。