在道路养护中,检测路面的破损情况是进行道路养护的首要环节,其中路面裂缝是路面破损的主要表现形式。对路面裂缝进行检测能够让路政管理部门及时掌握道路的破损情况,并为制定道路养护计划和养护措施提供决策依据。论文以路面裂缝检测为研究内容,采用基于深度学习的目标检测算法,围绕路面图像预处理、路面裂缝检测算法和路面破损程度分类开展研究。首先,论文根据路面裂缝图像的特点,采用高斯双边滤波在保留裂缝边缘信息的同时去除路面图像噪声。针对已采集的路面裂缝图片数量不足的问题,采用图像翻转平移和色彩调整的方式对裂缝图片样本进行数据扩充。其次,论文比较了深度学习在目标检测领域的R-CNN系列算法和YOLO系列算法,阐述了Mask R-CNN算法用于路面裂缝检测的优势,并对Mask R-CNN算法进行优化训练和测试。实验结果表明,改进的Mask R-CNN算法在测试集上准确率达到0.9412,召回率达到0.9143,F1值达到0.9275,mAP值达到0.9082,检测效果较好。最后,论文在Mask R-CNN检测路面裂缝的基础上,进一步提取14个路面裂缝特征,构建随机森林模型,对路面破损程度进行分类。实验结果表明,随机森林模型在测试集上准确率达到0.9221,召回率达到0.8943,F1值达到0.9080,分类效果良好。综上,论文基于深度学习算法对路面裂缝检测进行了研究和实现,为路面裂缝检测提供了一种新的方法,并为进一步的养护决策提供了数据支持。