随着国家公路网的不断建成,公路养护的需求与日俱增,正成为我国公路安全和民生发展的重要保障。路面破损状况检测是公路养护的一项重要工作,及时发现和维护受损路面不但可以极大地节约公路养护成本,而且还可以降低道路交通事故的可能性和严重性。目前使用激光、雷达等相关传感器技术的路面破损检测已经相对成熟,但设备价格高昂且其维护成本不菲,难以规模化应用。采用摄像头采集的路面破损检测方法具有成本低、灵活性高和安装方便等优点,但由于路面破损的形态各异,尺寸大小不一,而且图像特征易受阴影和光照影响,精确检测路面破损程度仍然存在着巨大的挑战。近几年随着人工智能在视觉领域的出色表现,基于深度学习的路面破损检测技术也取得了前所未有的发展,但现有的视觉路面自动化检测算法仍存在精度低、计算资源要求高等问题。本文就针对存在的一些问题,展开了广泛而深入的研究,论文的主要工作和贡献包括以下几个方面:1.路面图像往往由安装在车内的高分辨率图像传感器采用场景透视的方式采集,由于拍摄相机视角的原因,坑槽在路面图像中的尺寸相对较小,现有的卷积神经网络在检测时较难均衡速度和性能之间的关系,本文提出了一种基于位置感知的卷积神经网络,使其能重点关注路面的局部区域而不是全局上下文。该网络由两个子网络组成:目标定位网络(简称LCNN)和部位分类网络(简称PCNN),其中LCNN采用高召回率的网络模型在低分辨率的图像中寻找尽可能多的坑槽候选区域,然后只选取排名靠前的几个区域,通过位置映射得到高清的局部图像;PCNN设计成高精度的分类网络以尽可能排除一些错误的候选区域,最终得到分类结果。实验结果表明,LCNN和PCNN可各自舍短取长,实现精确的坑槽检测的同时保持较高的计算效率。2.针对道路裂缝没有固定形状且纹理特征受光照影响大的特点,借鉴了最新语义分割模式的设计思路,提出了一种编码—解码结构的卷积神经网络UCrack Net。首先在跳跃连接中加入Dropout层来提高网络的泛化能力;其次,针对上采样中容易产生边缘轮廓失真的问题,采用池化索引对图像边界特征进行高保真恢复;最后,为了更好地提取局部细节和全局上下文信息,采用不同扩张系数的空洞卷积密集连接来实现感受野的均衡,同时嵌入多层输出融合来进一步提升模型的检测精度。实验结果表明该网络能够有效地检测出路面裂缝,相对已有的方法具有一定的优势。3.为了达到对路面裂缝的实时检测,检测算法需要同时兼顾精度和速度。通过深入研究编码—解码网络的结构特点,针对裂缝检测网络在预测时计算量大的问题,提出了一种简单有效的编码—解码网络的预测加速方法,能够在不降低检测精度前提下,显著提高常见语义分割网络预测速度。该方法的核心部件为可学习的自动切换模块(SWM),能够实时判断输入图像块的类型,在检测到背景时能动态跳过解码器的处理,以节省网络的计算时间。文中选取U-Net和Deep Crack作为编码—解码网络的示例,展示SWM如何集成到编码—解码网络中以降低计算复杂性,并通过实验验证了该方法的有效性。4.为了实现同时检测路面的多种缺陷类型,结合前面的研究成果,提出了一种有效且快速的路面破损检测网络UPDNet。然后,使用已有数据集的路面图像,通过对缺陷的像素级标注,建立了一个路面破损数据集,并使用正样本扩充和训练微调策略来降低类别不平衡给网络带来的影响。最后,设计新的评价指标对该方法进行有效性验证,结果表明该方法具有较高的检测精度和检测效率,为设计自动化路面破损检测系统提供了一个有价值的思路。