路面病害存在很多类型,裂缝就是路面病害之一。路面裂缝的产生,不但会对道路的正常行驶和舒适度造成一定的影响,还会极大地缩短道路的使用寿命。因此,路面裂缝的检测日益引起交通部门的关注。为了进一步提高裂缝检测的准确性,针对目前道路裂缝探测技术中存在的问题,本文基于三维激光点云数据对路面数据预处理、三维裂缝的检测及分类进行了深入的研究。主要内容如下:首先对路面点云数据进行去噪处理,本文对不同类别的噪声使用不同的去噪算法。对于孤立点云,本文使用统计滤波法,计算点云中各点之间的距离并进行统计和比较,去除距离路面主体点云距离较远的噪声。实验表明,统计滤波相较于直通滤波及半径滤波算法更适合于路面点云数据孤立噪声的消除。对于悬浮噪声,本文提出双重导向滤波算法将导向滤波算法应用在三维激光点云数据中,并使用一重滤波后的点云数据作为二重滤波的引导数据进行去噪。通过与双边滤波、导向滤波的对比实验表明,双重导向滤波算法去噪后信噪比参数保持在80左右,去噪效果与二者相比有较大优势,提高了点云数据的质量。针对三维裂缝的提取,本文分析了点云数据中的三维裂缝特征并根据不同特征进行裂缝的提取。基于裂缝的高度差特征,本文提出点云高度差乘积算法,分别计算各点邻域中最高点、最低点与该点的差,并将二者相乘,放大裂缝区域和非裂缝区域的差异,采用动态阈值提取裂缝。基于裂缝的曲率特征,本文使用相邻点对各点的曲率和法向量进行估算,使用曲率区域生长算法对非裂缝点和裂缝点进行划分。本文结合两种算法,使用点云高度差乘积提取裂缝凹陷区域,使用曲率区域生长的方法提取裂缝边缘与底部信息,将二者结果融合得到三维裂缝。实验表明,本文算法检测裂缝可以达到91.74%的准确率、92.25%的召回率和91.99%的F值,表明本文算法提取裂缝效果准确且稳定,优于常用的聚类分割及RANSAC平面分割算法。针对三维裂缝的分类,本文结合公路技术状况评定标准,提出三维裂缝严重程度分类指标,即基于三维裂缝的映射图像对裂缝长度、宽度及深度三个维度进行严重程度分类,并提出严重程度融合公式将三个维度的分类结果融合得到三维裂缝整体的严重程度。为满足三维裂缝分类实验的需求,本文自建了三维激光点云路面裂缝图像数据集3DPavement Crack Data,将三维裂缝的三类映射图像作为数据集样本,并利用图像填充、人工标注等操作使其满足分类网络模型要求。最后,本文设计并实现了一种基于C-Mobile Net V2网络的裂缝分类模型。在Mobile Net V2网络的基础上增加了CBAM注意力模块来提升裂缝分类的精度,并将裂缝映射图像分类为轻度裂缝,中度裂缝和重度裂缝。实验基于自建三维激光点云路面裂缝图像数据集,选用5种分类网络模型与本文提出的C-Mobile Net V2网络进行全方位对比,实验表明本文所提出的裂缝分类网络模型的分类准确率、召回率及F值分别可以达到90.73%、90.48%和90.6%,且参数量和运行时间上有着较大优势。