道路养护作为交通管理部门不可缺少的一项工作,随着我国交通网络建设的快速发展,道路养护的成本逐步增加。裂缝作为许多道路损坏的早期形式,及时维修可以显著节省道路养护成本,修复裂缝的前提是准确获取裂缝的位置和细节,根据裂缝区域的信息执行不同的修复策略。目前,道路裂缝检测的工作主要还是由人工完成,但是人工检测有比较明显的局限性和弊端,主要表现在以下几个方面:人工检测需耗费较多人力和物力;人工判断存在一定的主观性;从图像采集到裂缝检测的时间跨度较长,存在安全隐患。如果实现裂缝检测技术的自动化,可以在节约大量成本的前提下,有效提高裂缝修复效率。本文从根据课题项目获取的数据,设计了两种基于U-Net的深度神经网络模型在两个数据集上完成了裂缝分割任务。第三章介绍了本文根据真实路面图像制作的裂缝数据集Crack G318和Crack G212,两个数据集使用两种不同的标注方式,Crack G318中裂缝区域标注为单线条形式,Crack G212标注为区域形式。同时根据数据特点,设计了图像预处理流程,削弱了噪声区域的干扰,利于神经网络区分裂缝区域与背景区域。第四章介绍了裂缝分割网络Seg Crack,Seg Crack使用层次卷积特征融合结构代替U-Net中的跳跃连接,融合了每一尺度下编码器网络和解码器网络的卷积层,使网络充分利用每个尺度上的稀疏和连续特征映射。在Crack G318和其他公开数据集上的对比实验结果表明,Seg Crack在平均交并比和F-Measure两项综合指标上均超过基础网络U-Net网络,验证了Seg Crack网络的分割性能和泛化能力。第五章介绍了裂缝分割网络Unet Crack,Unet Crack利用了U-Net基于编码-解码的U形网络结构,在其基础上加入了由低尺度向高尺度的跳跃连接以及解码阶段的输出叠加,使网络在注重低维特征的同时,在预测图像中保留更多的高维信息。在Crack G212上的实验结果显示,Unet Crack在平均交并比和F-Measure两项指标上分别超过U-Net网络13.91%和9.30%,体现了Unet Crack对裂缝边界信息准确预测的优势,同时Unet Crack与其他流行的分割模型在三个公开数据集上的进行了对比实验,Unet Crack均有更好的表现,验证了网络跨数据集的有效性和鲁棒性。