随着时间的增长,自然灾害的侵蚀及人为的破坏,混凝土道路将会出现严重的病害进而影响到出行安全。裂缝是混凝土公路病害的早期表现形式,智能裂缝检测方法可以避免人工检测带来的检测效率低、周期长、成本高的问题,是目前裂缝领域的热点。因此,快速智能的裂缝检测方法研究,具有一定的研究意义和应用价值。本文研究了国内外混凝土路面裂缝检测算法及其存在的优缺点,通过对裂缝特征与技术难点问题进行分析,针对现有裂缝检测算法的不足,提出了改进的检测方法,本文的主要研究工作包括:1.使用微调的LeNet-5模型对裂缝图像进行分类。智能裂缝采集车获得的图像是一组连续的图像集,图像中含有真实裂缝的图像为有效裂缝图像,而这部分有效裂缝图像占总的图像集的比例是非常小的,如果对图像集中的每一幅图像进行检测,就会花费大量时间。针对该问题,设置具五类图像数据集(伪裂缝、裂缝、植物、完整表面、人工划痕),通过训练微调的LeNet-5模型,识别出其中的有效裂缝图像,减少裂缝检测的时间开销。2.修改Richer Convolutional Features(RCF)网络结构,提高裂缝检测准确性。RCF模型在检测裂缝图像时,出现裂缝图像不清晰,裂缝边缘模糊等情况。针对该问题,采用从高到低逐层融合的方式,先对前两层的尺度特征进行融合,再用融合后的特征图像融合低一层的特征图像。然后通过跳层融合的方式,对第三层,第五层进行融合。最后连接两层上采样层,在Crop层后接入1(*θθ)1-1的卷积层融合两层模型的特征图来改善边缘模糊的问题。3.通过卷积和参数的设定增强卷积层特征表达能力。RCF模型深度太浅,导致裂缝检测精确度不够。针对该问题,模型采用横向扩展的方式,用卷积层、Eltwise层、Deconv层、Crop层连接层搭建5层连续的神经网络模型。模型使用了更多的卷积核,在Conv3层后接入内核大小为1(*)1和通道深度为64的卷积层,Conv5层后接入内核大小为3(*)3和通道深度为64的卷积层。该方法增强了卷积层的特征表达能力,最后通过交叉熵函数得到每个像素对应的最终实际输出。4.使用交叉熵损失函数提高裂缝检测准确性。神经网络中通过交叉熵损失函数来计算目标值与实际输出的偏差。为了提高裂缝检测的精确度,使用改进的交叉熵函数把神经网络的输出变成一个概率分布,通过大量实验得到正负样本的最优取值区间,然后使用交叉熵函数推算实际输出值和目标值之间的距离,同时添加平衡参数θ=1.1,提高预测准确性。