近年来,我国公路交通事业快速发展。截止2017年底,我国高速公路总里程已达到477.35万公里,其中高速公路里程13.65万公里。目前,路面的养护工作量日趋繁重,快速获取道路路面损坏信息已成为道路养护的首要任务。裂缝目标是路面损坏的主要形式之一,传统的人工检测方式在进行海量路面损坏图像的处理时,表现出普适性差、效率低下、识别准确度不高等缺陷。因此,设计出一套实时、有效、鲁棒性高、识别准确率高的检测算法,成为路面裂缝识别的核心工作。针对传统路面裂缝识别算法的不足,本文通过分析卷积神经网络(CNN)在图像处理、语音识别、语义分析等大数据方面取得的效果,将CNN成功应用于路面裂缝识别。本文主要研究工作如下:(1)针对原始的路面裂缝图像进行数据预处理首先使用一种亮度高程模型,对路面图像进行匀光处理,消除图像中的灰度不均匀现象。同时有效降低了路面图像中存在的部分噪音,使图像中的背景与裂缝之间的对比度得到有效提升。将路面图像分割成大小为64×64的若干子块,对子块图像进行标记,并将相互独立的路面图像划分为训练集、验证集和测试集。(2)设计了一种适合于路面裂缝识别的卷积神经网络架构本文对CNN从网络的卷积层、网络拓扑结构、滤波器设置等方面对AlexNet网络作出了改进,提出一种新的卷积神经网络架构。通过与原始AlexNet架构对比,本文的网络层数更少,参数计算量更小,可以有效缩短样本训练时间,提高网络性能。(3)制定了多种CNN优化策略设计了CNN的路面裂缝检测的流程,依次按照数据预处理、网络模型参数初始化、训练过程中的学习率设置、激活函数选择、以及正则化约束的顺序对卷积神经网络的优化提出调整策略。其中预处理模块包括图像去噪、增强、分割等步骤。针对路面裂缝图像特征的特殊性,本文对滤波器尺寸选择、批处理量设置,对于学习率的选择本文进行了优化。(4)训练路面裂缝分类器在样本训练过程中,本文对路面裂缝图像进行了数据集格式转换,结合Solver.prototxt文件内参数设置对网络进行了初始化调优。最终,实现了路面裂缝的快速检测。通过大量的实验表明,本文提出的CNN网络可以实现路面图像中裂缝目标的高效检测。同等条件下,本文设计的CNN模型相比AlexNet网络用时更少,预测准确率更高,最高精度可高达96.6%,具有较好的工程应用价值。