公路裂缝病害是常见的路面问题,如果不及时发现并处理,容易引起交通事故。目前路面裂缝检测主要由人工完成,缺点是成本高,且检测效率低。因此,将无人机应用到路面的日常巡查工作中,其优点为操作简单,灵活高效,能够有效地减少巡查盲点。目前航拍图像中的小目标检测技术一直以来都是检测领域中的难点,原因是在低光照下,路面图像细节丢失严重,轮廓模糊,图片背景环境复杂,目标尺寸小。本文利用深度学习的检测方法对路面裂缝进行识别研究,与传统算法相比,深度学习能够更好地实现特征学习,检测精度更高,本文研究工作如下:目前的路面裂缝数据集大都使用具有清晰目标和单一背景的裂缝图像,因此训练获得的模型在检测复杂背景下的路面裂缝图像时会出现识别精度低的问题。利用无人机在不同光照环境下对公路路面进行裂缝图像的采集,后续通过数据增广方式对采集的路面裂缝图像数量进行扩充,并对图像中的裂缝进行人工标注,完成数据集的构建工作。在低光照环境下,采集的图像会出现目标轮廓模糊以及细节丢失的问题,提出了一种改进的Retinex算法,首先将图像的RGB颜色空间转化到HSV颜色空间,并对明暗度分量V进行全局对数变换;再采用改进的加权引导滤波器进行保边滤波;最后通过色彩恢复将颜色空间转换回RGB,得到增强后的图像。通过与其他图像增强算法的实验对比,可以证明,此算法对低照度图像增强效果明显,增强后的图像无失真,裂缝边缘信息得以凸显。针对航拍图像中路面裂缝尺寸较小,导致传统Faster R-CNN单一特征检测方法无法准确的提取裂缝特征信息的问题,提出一种基于改进Faster R-CNN的路面图像裂缝检测算法。采用VGG16作为特征提取网络,利用多尺度融合策略将多个卷积层输出的不同尺度的特征图,通过结合L2-Normalization的方法进行融合,使得最终进行检测的特征图包含更多的目标位置信息以及更强的语义信息。引入在线困难样本挖掘算法,使训练更加充分,优化检测模型的分辨能力。采用软非极大值抑制算法,避免相邻及重叠目标漏检,可以提高路面图像中检测多尺度裂缝的准确率。实验表明该算法能快速且准确的识别出路面裂缝。