交通系统作为一个庞大的公共设施,其安全性关系着整个社会的经济脉象和安全运转。为了维护公路交通的安全性,对路面状态进行及时全面的隐患排查是一项非常重要的工作。由于我国公路运输量大、负载沉重,路面上每天都会产生大量的损坏。裂缝是最常见的路面损坏。它不仅会降低道路的行车安全,还会对自动驾驶系统的物理层安全造成威胁,甚至还会大幅度地缩短道路的安全使用年限。如果路面裂缝得不到及时的修补,就可能会酿成重大的安全事故。传统的裂缝检测工作主要依靠相关部门的技术人员进行现场检测,但是这项工作不仅非常困难,而且效果也不尽人意。因此,实现自动化裂缝检测系统具有非常重大的现实意义和应用价值。目前的裂缝自动识别算法主要基于传统的数字图像处理方法,对这些算法的实验验证也主要是在背景信息干净理想的路面图像数据上进行的。实际公路上拍摄的路面图像都不会只有一条裂缝,而是包含了大量的复杂背景干扰项,主要是不均匀光照和阴影,还有垃圾、路面纹理、水渍、车辙等等,使得传统的裂缝识别方法的准确率大幅度降低甚至失灵。在大量的路面背景干扰项中,不均匀的光照背景和阴影是在图像普遍存在且对裂缝识别系统干扰最大的因素之一。本文针对上述复杂路面下的裂缝检测问题,在对图像识别技术进行研究的基础上,提出了一种基于照明均匀化算法为预处理手段、结合深度卷积神经网络的道路裂缝识别算法。在对非均匀光照和有阴影等噪声影响的图片进行匀光处理后,再使用神经网络对其进行训练并完成裂缝检测。本文的主要工作内容如下:1)研究和分析处理照明均匀化问题的图像增强算法,以提升训练数据质量,从而提高模型在裂缝识别任务中的准确性。本文研究了多种目前图像增强算法在光照不均问题的处理方法,包括直方图均衡化、基于照射-反射模型的同态滤波匀光算法、结合Retinex理论和伽马校正的算法以及Mask匀光算法;设计对比实验,对不同匀光算法的单图处理的结果进行目视判读和量化评估,分析算法优劣。2)研究深度卷积神经网络图像识别技术并完成裂缝识别网络的设计。本文通过对现有的卷积神经网络进行阐述和分析的同时,明确了现有裂缝识别结构的感知范围小造成识别率低下的缺点;针对上述问题,本文设计了基于卷积结构用于识别和提取裂缝信息的深度神经网络;设计实验进行验证,证明该结构实现了一个感知野较大、深度较深的卷积神经网络,有效提升了裂缝识别的准确性。3)结合匀光预处理,对设计的神经网络进行测试与调优。使用不同匀光算法处理后的数据集进行测试-训练,对比不同匀光算法对神经网络识别效果的影响;选择合适匀光算法,进一步对神经网络的参数进行调优,以获得更高的裂缝识别率。经实验表明,在本课题数据集下,Mask处理后的裂缝图片具有更合适的平均光照亮度,相比传统图像增强算法在实际路面场景均匀化光照效果更好;而基于匀光处理的数据,也有利于神经网络的裂缝识别率。本文所提出的基于Mask预处理的深度神经网络的裂缝识别率效果受阴影等噪声干扰小,最终的Dice相似度达到0.7937。经过迭代实验,我们给出了一个适合路面图像的Mask匀光滤波器尺寸参数经验值为0.01。本文的部分研究成果已实际应用于相关合作单位。就初期的使用效果来看,本文设计的基于匀光预处理的裂缝识别网络具有较好的抗噪性和裂缝识别率。