道路交通的发展过程中需要定期对道路路面状况进行检测并及时维护。现在常用无人机拍摄的方式获取道路图像后进行道路病害的检测,但路面车辆的存在会对病害检测造成较大干扰。因此,本文研究的目的是为降低车辆对道路病害检测的干扰,设计便于移植到无人机搭载的嵌入式设备上的实例分割算法,识别图像中路面车辆的所有像素点以便于后续对道路病害的检测。本课题的研究是基于深度学习的方法,对无人机视角下路面车辆的实例分割技术进行了研究,主要工作如下:1、利用无人机采集路面车辆的图像,制作了无人机视角的路面车辆实例分割数据集,并采用水平、垂直翻转,调整亮度、对比度、饱和度和色调等方式对数据集进行增强和补充。2、以深度学习模型YOLOP的实现方法为思路,设计了实现实例分割任务的算法架构,包括数据流的处理、网络结构设计、模型解码处理以及模型的损失函数。其中,数据流的处理是将数据集的数据转为COCO数据格式并进行数据增强;网络结构设计是模型的主干网络、颈部网络和掩码网络的设计;模型的解码处理是对网络输出的结果进行解码处理;损失函数是本文模型的检测和分割任务的损失函数计算公式。3、使用基于无人机的车辆实例分割数据集对本文算法进行训练,记录训练过程中各项指标参数并绘制损失曲线,然后对本文算法进行性能评估,最后对实验结果进行展示和分析。本文研究是使用基于无人机的车辆实例分割数据集上对本文算法进行训练和后续验证,并得出结论:本文算法在预测单类别的情况下,比Mask R-CNN算法运行的更快且精度仅有较小的损失;使用轻量级网络的主干网络对模型整体性能有较大提升;使用深度可分离卷积的掩码网络对模型整体的性能影响较小;使用轻量化网络技术的本文算法在识别单类别的情况下,可以更快的预测结果且精度仅有较小的损失。本文算法仅使用基础的算子实现实例分割的任务,且在参数量和运行速度上有较大改善,这对实例分割模型在工业界的落地具有重要意义。