随着公路基础设施建设的蓬勃发展,国内公路隧道里程保有量不断增加,这给隧道的养护管理带来了巨大压力,隧道病害的存在给交通安全带来了严重安全隐患,特别是衬砌裂缝,其直接反映了隧道的受力情况,因此研究针对隧道衬砌裂缝的检测系统具有十分重要的意义。目前针对衬砌裂缝的检测主要依靠人工检测,检测效率低下且无法保证检测精度,因此迫切需要发展衬砌裂缝自动化检测技术以满足日益增长的检测需求。针对目前的检测现状,本文进行了基于图像处理与深度学习的车载式隧道衬砌裂缝检测系统及方法的研究工作。本文首先依据隧道建设相关国家标准对检测系统的功能与总体结构进行了研究,按照系统设计要求与工作原理进行了检测平台的系统设计,研究了相关系统硬件如照明拍摄平台的开发、工业面阵相机与镜头的选型和数量的确定,以及图像采集卡、辅助照明装置、点状激光器、工控机、旋转编码器等车载设备的选型。本文车载式隧道衬砌裂缝检测系统在检测过程中,通过搭载的多台工业面阵相机采集隧道衬砌表面图像,搭配编码器确定每幅图像所对应隧道具体位置并实时保存,最后通过对图像的离线处理实现对衬砌裂缝的识别与检测。在利用语义分割模型对裂缝进行识别之前,本文利用图像处理方法对衬砌图像进行了预处理,针对隧道图像中存在较多噪声干扰的情况,本文对比了多种滤波方式在隧道图像上的滤波效果,针对图像光照不均的情况,改进了Mask匀光算法,去除了衬砌图像阴影,并利用图像处理方法实现了对衬砌拼接缝的去除,增强了衬砌图像对比度,最后进行了数据集的构建;在利用深度学习方法对隧道裂缝进行识别时,本文基于VGG19模型改进提出了一种全卷积网络结构,对比分析了多种优化器应用于本文模型后对裂缝的分割效果,实现了对裂缝的识别,然后利用图像细化算法得到了宽度为单像素的裂缝骨架,根据相关参数特征实现了对裂缝的分类并结合激光虚拟标尺理论实现了对裂缝长度与宽度的测量,最后利用本文系统对真实隧道进行检测实验,实验结果表明,本文系统的识别与检测精度满足预期效果。综上,本文基于图像处理与深度学习的车载式隧道裂缝检测系统及方法研究,为隧道衬砌裂缝的自动化检测提供了有益参考。