公路路面损坏检测是公路养护和管理的重要组成部分,快速、准确获取公路路面信息是公路养护管理的关键所在。目前针对公路路面裂缝图像检测方法多是采用传统图像处理方法,但传统裂缝图像处理方法在自适应性和准确度上都较弱,其自动检测技术也不完善。伴随着计算机硬件的快速发展,深度学习技术广泛地应用到图像识别任务中,本文基于深度学习图像处理技术,以公路路面裂缝图像检测研究为主线,主要从以下几个方面展开工作:(1)针对公路路面裂缝图像存在光照不均、对比度低、建筑树木阴影和公路标线等问题,分别采用自适应的Gamma值光照矫正算法、分段线性灰度拉伸算法、基于KMeans聚类的阴影移除算法和自适应灰度衰减算法对裂缝图像进行预处理,为后续图像分割和分类奠定基础。(2)为提取公路路面裂缝图像中的裂缝区域,提出了基于生成对抗网络的公路路面裂缝图像分割算法。生成对抗网络由生成器和判别器两个子网络组合而成,其中使用基于图像语义分割网络U-Net改进后的CU-Net和FU-Net网络作为生成器网络,然后使用二分类网络作为判别器网络。通过生成器网络与判别器网络进行联合对抗训练逐步增强生成器网络的性能,最终训练完成的生成器网络用于公路路面裂缝图像分割。实验证明采用生成对抗网络相比原有的分割算法具有更高的图像分割精度。(3)针对公路路面裂缝图像的分类问题,提出了一个轻量级的图像分类网络用于公路路面裂缝图像分类。该网络使用深度可分离卷积模块来降低网络参数数量,并采用残差网络跳层连接来解决网络梯度消失和网络性能退化问题。实验证明该网络不仅降低了模型参数数量,而且保证了公路路面裂缝图像的分类精度与运行速度。