随着我国交通的快速发展,公路里程数不断增加,各种路面病害相继出现,道路养护的重要性已不言而喻。道路状况的好坏直接影响着人们的出行安全和生活质量。路面裂缝是威胁道路安全状况的重要因素之一。因此,路面裂缝的检测就显得尤为重要,及时发现并对裂缝进行处理不仅可以极大地减少事故发生的可能性,并且可以延长道路的使用寿命。目前我国道路裂缝检测以及修补工作主要依靠人工作业,这样不仅耗费大量的人力物力,也具有很大的危险性,并且效率低下。本文主要针对这一问题对路面裂缝识别算法进行研究,为研发出自动化、智能化的路面自动灌缝设备提供一定的技术支持。论文的主要工作和创新点如下:1.文章提出了基于卷积神经网络的路面图像分类算法,即PICNN(Pavement image classification of convolutional neural network)。该算法能够解决在路面图像自动化采集过程中,需要对每一张图片都进行一系列算法处理而导致的耗费时间长、工作效率低的问题。在实际操作过程中只需要对含有裂缝的图像进行图像处理操作,因此该算法对采集过程中的完好路面图像和破损路面图像(含有裂缝的路面图像)进行分类。通过将所采集的数据在CIFAR10_quick、AlexNet和GoogLeNet网络上各迭代8000次得出模型性能的对比结果,最终得出用Alex Net网络训练出的模型对路面图片具有很好的分类效果。2.针对在灰度图像上去除噪声复杂、不彻底、难以将裂缝识别出来的问题,提出了基于二值图像连通域的路面裂缝识别算法PCIA(Pavement crack identification algorithm)。首先将灰度图像进行阈值分割转换为二值图像,对二值图像进行扫描标记出连通域,求出连通域的外接矩形,计算出外接矩形的各个参数,再根据外接矩形的参数及路面背景的复杂度设置合适的阈值,根据目标区域的相应值与阈值的关系去除噪声保留裂缝。实验结果表明,该算法对于路面裂缝识别具有良好的效果。同时证明了先利用PICNN算法对所有的路面图像分类,再用PCIA算法对路面裂缝图像进行处理会比直接使用PCIA算法对所有图像进行处理更加节省时间。