路面裂缝类病害是多数路面破损的早期形式,及时对裂缝进行检测并进行修补可以减少由于路面病害带来的损失。科学技术的不断发展使自动化路面病害检测取代人工现场调查成为了主要手段。路面三维高精度检测系统的问世与日渐成熟,为路面病害的自动化调查开辟了新天地。但目前的基于路面二维或三维图像的识别算法不足以支撑全自动化的路面病害识别技术。较为先进的路面病害检测系统仍采用自动化的路面数据采集+人工病害识别的方式。因此,本文以高精度路面三维数据为基础,并结合其特点,将卷积神经网络、张量投票、图像预处理、多尺度多方向图像特征提取等理论知识应用于路面裂缝图像的去噪、裂缝区域提取和病害图像分类中,旨在进一步提高路面裂缝区域提取精度以及路面裂缝分类效果,丰富针对路面三维数据处理的理论研究,对推动路面病害全自动化检测具有一定的工程意义。本文综述了国内外路面自动化病害数据采集系统的研究现状,并针对各类路面裂缝自动识别与分类算法论述了其不足之处。通过总结归纳路面自动检测技术领域目前存在的问题,提出了本文的研究内容和技术路线,并展开如下一系列的研究:1.针对高精度路面三维图像的特点,提出了判断是否存在图像拼接不平顺的算法,并通过区域图像增强技术消除了图像的阶跃现象。利用多尺度二维高斯滤波器,判断路面图像的是否存在强点状噪声,并予以消除。由于路面三维图像动态范围差异较大,为后续路面裂缝提取造成一定的困难,因此采用大尺寸二维高斯卷积核构造区域均值路面图像,并应用该构造图像与原路面病害进行信息融合。通过以上的图像预处理技术不仅能够消除由于检测系统缺陷、图像数据噪声等因素造成的图像动态范围差异较大对图像质量的不利影响,为后续的路面裂缝提取奠定基础。2.利用人工神经网络理论,搭建了4种用于路面裂缝图像分类的卷积神经网络,并为此组建了含有28,000余张路面病害图像的训练库。卷积神经网络由8层结构组成(不含输入层),用于区分5种路面病害图像,即非裂缝图像、横向裂缝图像、纵向裂缝图像、块状裂缝图像和龟裂图像。经过测试与训练,证明这4种卷积神经网络结构均能实现路面裂缝图像分类。3.针对卷积核尺寸、学习率和Batchsize三个重点的卷积神经网络超参数的设置问题,设计了三因素四水平的正交试验。根据卷积神经网络训练及应用中普遍关心的问题,选定考察指标为识别准确率、达到收敛的迭代次数,以及每个Epoch的运行时间。利用SPSS生成的正交试验表,进行了16组试验,并提取试验结果。在提取达到收敛的迭代次数指标时,提出了混合收敛判断准则。实践证明该混合收敛判断准则适用于本次试验结果的提取。通过正交试验结果的直观分析得出了各个因素对不同考察指标的主次影响顺序。同时,得到最优超参数水平组合,经过验证得出该最优超参数水平组合的沥青路面病害图像识别准确率高达99.5%。4.以沥青路面病害图像分类结果为基础,设计了用于提取路面裂缝病害的算法。该算法包含四个主要部分:1)路面三维图像预处理;2)根据卷积神经网络的分类结果和沥青路面三维图像中裂缝区域的数据特点,设计了可调式滤波器组合(SMFB)。通过多个方向和多个尺度的SMFB提取路面裂缝区域,进而获得含有噪声的裂缝二值图像;3)应用张量投票法对含有间隙的裂缝碎片进行连接,并与原路面裂缝二值图像进行逻辑或运算;4)采用二值图像后处理方法,去除噪声得到裂缝二值图像。针对200张源自于不同采集条件的沥青路面病害图像进行算法评估。经过验证,该算法的准确率在84%与97%的范围内波动,平均准确率可达88.38%;召回率在85%~99%范围内波动,平均召回率可达93.15%;F值在85%~97%范围内变化,其平均值可达90.68%。测试结果表明本文算法能实现较高准确率的沥青路面裂缝自动提取,并具有较好的普适性。在整个路面裂缝病害提取的过程中,算法中的所有参数取值均为固定值,无需人工干预算法的执行。也就是说,没有必要根据实际采集条件或三维路面图像的质量来调整算法中各个算数的设置。因此,该算法能够在无人工干预的情况下,实现全自动化的沥青路面裂缝提取,具有较高的鲁棒性。