随着我国高速公路、城际公路等多类交通道路建设的发展,路面养护问题越来越受到国家重视。针对现有路面养护检测设备昂贵、维护难以及路面特征不突出等问题,本课题研究了基于深度学习的路面特征采集及分析系统。通过编译基于GO语言的Tensorflow框架,提高系统运行速度,实现路面特征检测板载化系统;通过预测国际平整度指标,实现对路面平整度等级评定;利用改进的单帧多框检测(Single Shot Multi Box Detector,SSD)模型实现路面病害的检测;同时设计路面监管平台,实现了路面检测系统与路面监管平台之间的即时稳定通信。以上工作在提高路面检测系统工作效率的同时,又提高了检测系统的便携性,对路面的保养及维护等工作的开展具有重要意义。本文主要研究工作如下:(1)实现路面特征检测板载化系统。针对处理神经网络模型高性能服务器依赖的问题,本文对路面特征检测系统的板载化进行了研究。首先使用Jetson Nano板作为主控系统。在应用开发语言的选择上,区别于常用的基于Python语言的Tensorflow框架,重新编译了基于GO语言的Tensor Flow框架,利用该框架提高了系统工作效率,实现了路面特征检测板载化系统,极大地提高了检测系统的便携性。(2)实现长短记忆网络(Long Short Term Memory,LSTM)模型在路面等级预测中的应用。通过LSTM网络模型对国际平整度指标进行预测,并根据预测的结果对路面等级进行分类。实验结果表明,模型预测的准确度为90.61%,模型召回率为87.89%,能够比较准确地实现路面平整度指标的预测功能。(3)提出基于改进SSD模型的路面病害检测模型。针对路面特征不明显的问题,利用梯度下降算子优化卷积网络结构,突出路面病害特征,提高了模型检测准确度。实验结果表明,与通用SSD路面病害检测模型对比,改进的模型增强了路面病害特征,路面病害检测准确度达到91.28%,相对原有模型识别准确度提高了7.36%。(4)设计路面监管平台。通过消息队列远程传输(Message Queuing Telemetry Transport,MQTT)的通信方式实现了检测系统与监管平台之间的数据通信,实际测试表明,监管平台能够实现对检测系统传输数据的管理及路面信息数据的图形化展示,能够为监管人员提供远程管理功能。