近年来,学者对基于像素级分割技术的路面病害检测进行了大量的研究。通过分析提取到的图像特性进行裂缝特征处理。通常有两种方法:一是对不同退化阶段裂缝统计特征的监督分析;二是对裂缝的全面统计分析。裂纹特征的统计意义根据其相关性进行了分类。现有的自动裂缝检测技术虽然效果较好但是价格较为昂贵(基于自动检测车技术),而价格较低的方案效果欠佳且耗时。依靠专业人员检查路面状况并对其进行评估是最简单的方法,但不够准确。此外,这种方法需要大量的人力与时间成本,尤其是在高速公路区域工作或复杂天气情况下会使检测人员面临危险。综合以上情况,自动化路面检测与管理系统可以高效地检测和分类不同类型的路面病害。目前多数道路养护服务与运输机构都相继采用了自动化道路管理和评估系统,这使得计算机视觉技术在路面工程领域的开发与使用成为可能,并且相关的开发程序能与智能交通系统相结合从而提高管理效率。本文所关注的路面裂缝被认为是最常见的路面缺陷,科研人员在裂缝检测算法的研究上投入了大量精力,尤其是在基于数字图像处理的裂缝检测和分类方面。如果路面裂缝不加以适当的处理,将可能导致路面病害更加严重。因此对路面裂缝进行有效检测,并在路面发生结构性病害之前进行合理的维护,对路面管理机构具有相当重要的意义。随着技术的发展与深度卷积神经网络令人瞩目的成就,使得基于深度学习的路面病害检测成为可能。针对路面裂缝检测技术,首先需要效果较好的病害检测和分类算法来定位单个病害。其次,该算法必须能够区分不同类型的裂缝数据,包括网裂、横向裂缝与纵向裂缝,这被认为是最常见的路面病害现象。根据上述情况,随着Mask R-CNN在计算机视觉领域的优异表现与广泛使用,本文所研究的基于Mask R-CNN的路面裂缝检测技术具有一定的可能性。面对非洲地区资源匮乏与路面病害情况,此项技术的实现会大大提升非洲地区的路面养护水平。本研究中采用的方法目的是避免基于人工视觉检测的主观裂缝评价。而且统计数据可以作为基本数据来验证路面养护中的修复政策的合理性。研究内容如下:第二章列出了路面裂缝检测和分割的一些工作。第三章介绍了数据采集、图像标注、数据准备、训练算法和两种训练方法方面的研究。第四章根据实验记录与对比详细介绍实验的方法。最后,第五章概述了本实验的局限性,并为今后的工作指明方向。实验中,我们使用了两种研究方法:方法一:进行两次实验对比。第一次为windows操作系统下采用Tensorflow模型框架与NVIDIA GTX 1650和8GB RAM硬件系统。第二次为Ubuntu 16.04操作系统下使用CUDA,cu DNN,docker的NVIDIA GTX1050与8GB RAM。两次均使用使用GPU进行运算,并对模型进行了12个迭代周期的训练。方法二:在Windows 10操作系统下使用NVIDIA 1650 GTX和8GB的RAM,结合Tensor Flow和Python。在评估中,并集上的交集阈值设置为0.5。节点数定为80。本文提出的两种卷积神经网络方法,特别是Mask R-CNN作为对象检测和分类方法,并利用边界框信息显示破损及其类型。将边界框回归损失和分类损失合并一起用于模型,端到端地处理检测和分类问题。目前,关于路面裂缝的公共数据集较少。本实验训练数据集来自人工挑选的真实路面裂缝数据具有不同退化阶段的路面图像特征,以便数据集能够具有良好的代表性。关于具有挑战性的道路损坏检测综合实验结果,本实验采用评估数据集,用于评估针对路面裂缝问题的Mask R-CNN在标准图像上的应用准确性。根据结果在最佳可检测类别中,实现了84%和85%以上的召回率和精度。结果还表明训练、数据准备和验证过程的重要性。虽然这项研究强调了在三种类型的裂缝(网裂、横向和纵向裂缝)上使用Mask RCNN的优点,但未来的研究将侧重于其他类型的裂缝。此外,未来将扩展数据集使其包含更多类来提高算法的准确率。我们的模型构建的方式允许自然扩展,因此,该扩展最困难的部分是获取所需的其他训练数据。本文所提出的模型优点首先是快速标签数据集,其次是准确性更高。当然,模型也有一些缺点。首先是两种方法的训练时间,可以通过减少数据集可以在某种程度上改善这一点。实验中这样做主要是为了减少计算成本,并且可以通过更少的子采样和更深入的体系结构来获得结果。此外,特征提取网络消耗的资源仍然是网络深度及其层大小的限制因素。由于在GPU上进行卷积运算会大大加快速度,因此最好将网络大小限制在适合范围之内。