城镇化进程的迅速发展、建筑物和硬化路面的增多直接导致地面不透水面积的急剧扩大,增大了排水系统的负担。使用透水路面,即以透水混凝土取代传统的沥青或普通混凝土所建造的道路,是处理此问题的有效办法,通过实验,已经证明了该法可以有效减少地表流量,大大提升城市的抗涝能力和防洪能力。然而,地表径流中含有的大量颗粒物,交通与人类活动产生的颗粒物和灰尘有可能会进入透水孔隙,通过车辆的挤压,这些颗粒物可能会被压碎,从而产生更小粒径的颗粒。一旦渗水空间被这些颗粒物所阻塞,其透水能力会严重下降。为了保证透水性,需要对路面进行维护,其不同的堵塞程度对应不同的养护策略,常用的判断其堵塞等级的方法是人工渗透性检测实验,然而,该检测方式存在诸多限制:操作复杂;耗水量巨大;实验用密封材料难以在路面上去除,可能会对实验路面的透水能力造成永久性损坏。这些特性决定了在社会路面上,很难使用该法进行检测。针对上述背景和问题,本文提出了一种基于计算机视觉和深度学习的透水路面无损检测方法,并进行仿真验证与分析。论文的主要工作包括:1、提出了一种基于深度学习的透水路面堵塞等级自动分类算法。通过采集实际路面图像获得原始数据,并对原始数据进行多维度、多方式的图像预处理,获得实验所需的数据集。基于此数据集,使用多种神经网络进行训练、测试,并使用不同类型的评价指标对网络模型进行评估、对比,获得最佳的分类模型。实验证明,本文提出的算法能够无损、准确、快速地识别透水路面的堵塞等级。2、基于SVM和集成学习优化透水路面堵塞等级分类算法。基于已经获得的堵塞等级分类器,将SVM与上述网络模型相结合,进一步提升分类器的识别准确率;构造强分类器,实现二次优化。实验证明,使用SVM和集成学习后,算法性能得到提升。