同步碎石封层是一种先进的路面养护技术，施工过程中使用同步碎石封层车将沥青结合料和碎石骨料的撒布同时进行，以使得沥青和碎石最大限度地粘结。同步碎石封层技术具有施工效率高和成本低的优点，施工后的路面具有良好的抗滑和防渗水性能，已被世界各国广泛采用。路面碎石覆盖率是反映同步碎石封层施工质量的重要指标之一，目前检测碎石覆盖率的方法主要依靠人眼观察估计，这种方法准确率低，不能有效地量化结果。　　近年来，深度学习发展迅速，在很多领域大放异彩，尤其在计算机视觉方面取得了很多重大突破。为了更准确地检测碎石的覆盖率，本文提出了一种基于卷积神经网络的碎石覆盖率检测方案，通过对碎石的检测识别实现覆盖率的测量。提高深度卷积神经网络模型对路面碎石图像语义分割的质量是构建高精度碎石覆盖率检测系统的关键。针对碎石覆盖率测量的任务，本文的主要工作可概括为以下几个方面:　　1.构建了用于模型训练和测试的数据集。采集了若干张碎石覆盖的路面图像并标注了对应的二值分割图。基于深度学习的算法往往需要大量的训练数据，为了弥补数据不足的问题，研究了在小数据集上训练神经网络模型的常用措施，针对路面碎石图像的特点提出了多种数据扩增的方法。　　2.提出了适用于碎石图像语义分割的卷积神经网络模型。以全卷积神经网络为基础，结合U-Net网络结构和可缩放指数线性单元，构造了一种图像分割质量效果更好的碎石覆盖率检测模型。　　3.训练出了泛化能力高的卷积神经网络模型。通过引入可缩放指数线性单元，模型无需加入批量归一化即可快速收敛，再结合alpha dropout和权重衰减等正则化方法，减轻了模型对训练数据的过拟合，提高了模型的泛化能力。　　实验结果表明，本文提出卷积神经网络模型在碎石覆盖率检测任务中有良好的性能，对不同覆盖率和光照条件的路面图像均能实现高精度的语义分割，在测试集上的平均覆盖率误差降低到了0.35％，相较于常规图像识别方法，检测性能得到了明显提高。