随着家用车越来越多,城市道路越来越拥挤,而且道路常年高负载工作,这样会造成道路路面的损害,出现各种道路病害。交通部门要快速检测到这些道路病害,并要及时对其进行养护,不然更加会造成人们出行交通不便利,容易造成交通事故。早期道路病害仅仅针对路面裂缝和路面凹坑为主。随着交通运输量的增大,路面指引标志成为人们遵守交通规则和安全行驶的重要一部分。因此,路面指标污损也是新的道路病害,需要及时进行处理,安全指引人们在城市道路上驾车行驶。传统路面保养是人工检测方法,交通检查人员定期检查路面,发现了道路病害才会对路面进行修补,这样方法不及时,效率低,道路保养成本高,并且交通部门已经无法承担起这么大的工作量。研发人员开始研究机器视觉方法,对道路病害图片进行检测识别,经过一些年发展,减轻了公路定期检查人员的工作量,但是机器视觉方法存在易受环境条件影响识别效率低,检测道路病害类别少,成本高。因此,道路病害识别检测仍是一个实际工程问题。本文利用人工智能深度学习方法,通过计算机视觉技术对道路病害进行识别检测,对道路病害的精确度和速度进行算法研究设计,实现在对道路病害检测达到实时性。针对当前交通部门的需要,该道路病害识别检测系统可以实现对城市道路路面情况实时处理,检测并识别其中的道路病害,并按不同的道路病害发送相应的警告,并要求该系统可以部署在机动车行车记录仪、路面监控摄像头等上,通过车联网技术和通信技术上传云平台,这样极大减轻公路检查人员的工作量,也极大节约了成本,更能够及时对道路进行保养,减少交通安全事故的发生。道路病害检测识别系统,主要研究内容如下:（1）深度学习计算机视觉最关键的是数据集的来源,本文是在城市道路上拍摄视频,然后提取图片,之后对图片进行一次初步筛选,从而获得包含道路病害的图片。在有用图片上在进行数据增强操作。在这些数据集使用labelimg标注工具进行标注。完成了全部数据集的采集,共2400张图片。将这些数据按照8:2分成训练集,验证集用于网络的训练。（2）深度学习目标检测算法发展已有十年时间,主要分为单阶段目标检测方法和双阶段目标检测方法。分析了两种目标检测方法的原理结构和各自优缺点。本文采用算法是基于YOLOv5s的目标检测方法对道路病害进行识别定位。（3）通过对YOLOv5s的主干特征提取网络和特征融合部分进行了改进,命名为YOLOv5-RepVGG模型。实际结果表明,YOLOv5-RepVGG模型在召回率、所有类别标签的平均精确率（m AP）都要优于YOLOv5s算法。基于YOLOv5s的轻量级网络在在召回率、所有类别标签的平均精确率（m AP）要远远低于YOLOv5-RepVGG模型,在训练时间上好于YOLOv5-RepVGG模型。（4）基于YOLOv5s的轻量级网络相比较YOLOv5-RepVGG模型在训练时间上检测网络是有着速度优势,但是YOLOv5-RepVGG模型进一步减少了参数量和计算量,提高了道路病害检测系统推理时的计算效率。（5）本文基于Pytorch深度学习框架将YOLOv5-RepVGG网络模型训练出的权重部署到树莓派嵌入式中。首先需要将由Pytorch模型生成的pt格式先转成onnx格式,再由onnx格式转成OpenVINO格式（OpenVINO格式模型可以英特尔二代神经计算棒进行加速）,部署在树莓派嵌入式平台,其次通过python程序或者C++程序使用OpenVINO格式的模型权重对图片或者视频进行推理进行速度测试,结果显示算法可以达到23.81FPS的处理速度,满足实时性要求。