随着公路交通建设的不断发展,路面病害问题也随之而来。裂缝是路面病害中较为常见且危害性较大的一类,也是最容易引起其他病害的源头。因此对裂缝进行及时的检测并修复对延长路面寿命,保证路面结构安全具有重要的意义。基于数字图像处理的裂缝检测算法大都基于手工制作的特征,存在检测准确率较低,鲁棒性较差的问题。近些年,随着深度学习在计算机视觉领域广泛应用,国内外学者提出了一系列基于深度学习的裂缝检测算法。这些算法不仅能够实现自适应裂缝检测,而且提高了裂缝检测的精确度和鲁棒性。因此基于深度学习的裂缝检测算法具有十分重要的理论研究意义和实用价值。本文主要针对裂缝结构的各异性以及路面环境的复杂多变性,提出了一种基于混合扩张卷积和全卷积的路面裂缝检测算法,将整个裂缝检测分为特征提取、特征处理和特征融合三个部分。该算法能够更好的适应不同拓扑结构的裂缝以及复杂的路面环境,同时提高了裂缝检测的精确度。本文主要研究工作包括:1.针对特征提取过程中使用扩张卷积造成的局部和远距离特征丢失问题,本文提出了一种新的空洞率排列方式即混合扩张卷积。混合扩张卷积的空洞率排列方式采用锯齿波形结构即将连续的多个卷积层分为一组,每组的空洞率按照由小到大的方式递增,下一组采用相同的模式。空洞率小的卷积层可以提取细节特征信息,空洞率大的卷积层可以提取长距离特征信息,这样顶层卷积层可以从更大范围的像素中提取特征,确保网络能获取全局特征信息。2.针对特征处理过程中过于关注定位,导致分类准确率下降的问题,本文提出了一种新的特征处理模块即全卷积。全卷积使用全卷积层结合“大卷积核”的方式在保持定位信息的同时对所提取的特征进行准确分类。全卷积层即不使用任何全连接层或全局池化层来精确地定位裂缝位置信息。“大卷积核”保证特征映射和逐像素分类器之间能够紧密的连接,以增强应对变换能力,提高分类的准确率。3.针对特征融合过程中高层特征低分辨率和低层特征多噪声的问题,本文提出了一种新的特征融合方式即多尺度特征融合。多尺度特征融合模块首先将侧边输出的特征图使用卷积核大小为1×1的卷积进行处理,然后将处理后的特征图上采样到输入图像大小,最后对上采样后的特征图进行融合并得到最终预测结果。多尺度特征融合模块集成多尺度、多层次的特征图,使最终预测结果更接近路面真实情况。4.为了提高裂缝检测网络的抗噪能力,本文在特征提取阶段引入了空间-通道注意力机制模块来增强裂缝特征,抑制非裂缝特征,减少噪声的影响。此外,在对网络模型进行训练时采用数据增强算法来扩充裂缝数据集,增强网络模型的鲁棒性。最后,本文设计并开发了路面裂缝检测系统以及总结了研究工作。