在我国基础设施建设不断发展的今天,公路建设作为基础建设中重要的环节之一,也得到了飞速的发展,但伴随而来的道路养护问题。道路养护的首要环节是检测路面损坏,其中,道路裂缝是在路面检测过程中最为常见的路面病害类型之一。论文以道路裂缝作为研究内容,采用深度学习的语义分割算法来检测道路裂缝,围绕路面裂缝图像的预处理、裂缝检测算法以及裂缝的定量分析展开研究。首先,对采集到的裂缝图像进行滤波操作,同时结合裂缝图像的特点,采用高斯双边滤波与最小值滤波相结合的算法,去除图像中噪声的干扰。然后对图像进行标注,并针对样本数据量不足的问题,使用图像翻转、图像平移和色彩调整来扩充数据集。其次,论文比较了神经网络语义分割领域常用的7种算法模型,对经典的U-Net网络模型进行改进,在U-Net模型编码和解码部分引入空洞卷积,同时在解码部分的每一个阶段输出分为两个分支,一个作为下一阶段的特征图输入,另一个直接作为特征图输出,然后将每个阶段的特征图进行通道融合,最后输出得到裂缝分割的结果图。改进的网络模型优化了模型结构,减少了网络模型的参数量,同时提高了算法检测的时间。实验结果表明,改进的U-Net网络模型在模型的参数量上优于其他的网络模型,裂缝的像素准确率达到了98.9%,F1达到了86.06%,m Io U也达到了80.36%,模型参数为13.1M,相较于U-Net模型减少了58%的模型参数。应用于其他两组公开数据集时,它也获得了比其他方法更高的实验结果。最后,论文在对裂缝进行了定量分析,利用数学形态学方法提取了裂缝骨架,然后计算出裂缝长度,并搭建了道路检测应用系统,使得裂缝检测结果更为直观的呈现出来。综上所述,论文完成了对道路裂缝检测的任务,采用基于深度学习算法完成论文的检测工作,给道路养护提供新的思路,给予道路养护决策数据的支持。