随着我国公路由建设时代到养护时代的转变,伴随而来的是对大范围内路面进行科学、智能、精细的养护管理。养护精细化程度不高,管理信息化、智能化水平偏低是当前我国公路养护管理工作中存在的突出问题,路面病害智能化检测及损坏状况精确化评定是该领域的主要技术瓶颈。路面病害检测是道路智能养护决策中的重要组成部分,裂缝作为路面病害的主导类型,实现快速、准确的自动路面病害检测系统对于维护和监测目前存在广泛而复杂的运输网络系统至关重要。在传统的路面病害检测任务中,采用人工方法的结果完全取决于检测者的知识和经验,这种方式效率低、劳动量大,在定量分析中缺乏客观性。因此,实现路面裂缝的自动提取在公路路面质量检测领域具有非常重要的理论意义与实用价值,是当前研究的热点。但由于裂缝具有不均匀性强、拓扑复杂性高以及与裂缝纹理相似噪声大等特点,导致完成裂缝自动提取和分类面临非常大的困难。针对现有自动裂缝检测算法在大规模应用特别是广地域、多路况等复杂环境下算法稳定性方面存在的严重不足,本文基于深度学习理论,通过学习裂缝表示的高级特征实现裂缝像素级自动提取与分类,实现了路面病害的智能化自动检测,满足智能养护、精细养护的需求。本文主要研究内容如下:1、采用基于深度学习等监督学习方法进行路面病害提取时,需要构建精确到像素级的训练样本数据集,有限的标记序列样本限制了训练更复杂的深层模型。针对标记高精度裂缝数据集投入成本过大的问题,本文通过分析路面干扰物和裂缝的基本特征,提出了一种基于改进C-V模型的半自动裂缝标注算法,实现了路面裂缝的自动化初始标注,进而将初始标注结果作为样本进行手动交互标注,该算法能够有效地减少人工标注的工作量。2、复杂背景下的裂缝自动提取方法研究。本文提出采用基于全卷积网络的端到端裂缝提取网络结构,实现在裂缝图像中进行像素级提取。在裂缝自动提取网络中,首先提出了一个全新的多尺度扩张卷积模块,该模块在多个尺度下捕获裂缝上下文信息。在此基础上,采用注意力机制进一步细化裂缝特征,构造的多尺度注意力模块,能够在复杂背景下学习裂缝特征使其具有更强判别力和鲁棒性。通过裂缝低级特征与高级特征的融合,提出了一种有效的特征融合上采样模块可以获取更加精细的分割效果。3、根据我国路面病害分类中的定义,在得出路面裂缝的像素级提取结果后,本研究基于连通区域标记算法和每个裂缝类型特征化描述,通过定义规则将病害类型划分为横向裂缝、纵向裂缝、龟网裂缝以及块状裂缝。本文提出了通过给定裂缝之间的平均宽度和距离对各类裂缝的严重程度进行评估,并提出了一种新的严重性等级划分算法和评价机制,实现路面裂缝的自动分类和评价,为路面病害的智能、高效识别与评价提供决策支持。在路面图像标注测试数据集下对裂缝提取和分类进行了对比实验,本文方法能够有效地提取复杂背景下的裂缝信息,裂缝提取精度、召回率、F得分和m Io U指标分别可以达到98.84%、97.05%、98.39%和74.81%。同时模型具有较强的稳定性和鲁棒性,能够有效解决数据采集过程中的阴影、污渍和曝光带来的噪声干扰问题。与手工分类结果对比表明,本文裂缝分类方法对线状裂缝分类精度高于95%,网状裂缝分类精度在86%以上。该论文有图75幅,表12个,参考文献150篇。