路面病害是威胁道路安全状况的重要因素,及时准确地识别路面病害对保障公路安全运行至关重要。目前车载式路面检测方法已逐步取代人工调查方法。通过传统的图像处理方法进行病害检测其效率与准确率难以满足生产的需求。目前已有研究将深度学习图像识别技术应用于路面裂缝检测,但仍无法解决不同类路面病害的多目标检测问题且对于路面裂缝的识别精度还有待提高。本文以路面二维激光图像数据为基础,提出了一套融合深度学习Retina Net模型及U-Net模型的路面病害自动检测方法体系,该方法能够实现对路面横缝、纵缝、龟裂、修补块、修补条的自动识别,病害长度、面积的自动测量。具体研究内容包括:构建基于路面二维激光图像数据的路面病害检测模型训练数据库及路面裂缝轮廓提取模型训练数据库;提出了一种基于Retina Net模型的路面病害自动识别算法,该模型首先通过K-means聚类分析算法确定出适用于路面病害检测的先验包围框,之后采用Res Net及feature pyramid net提取病害图像的多尺度特征图,最后采用两个结构相同但参数不共享的FCN子网络来完成对目标框的分类及位置回归任务;提出了一种基于U-Net模型的路面裂缝轮廓自动提取算法,该模型包含收缩路径及扩张路径两大部分,其中收缩路径用于获取原始图像的特征信息,而扩张路径用于对裂缝进行精准定位,模型中还融入了Convolutional Block Attention module注意力机制模块来对提取的特征图信息进行权重分配以此来提升模型的检测精度;提取路面病害宽度、长度、面积等尺寸信息;结合检测结果对路面破损程度进行等级划分及综合评价。通过多种环境实地采集数据进行算法验证,本文所提算法对于路面病害检测的均值平均精度(m AP)可达62.66%;对于路面裂缝轮廓信息提取的准确率为90.14%。总的来说,本文的研究是非常有效且具有现实意义的,所提的方法具有较高的泛化能力及准确性,能够为路面病害检测提供了一种新的思路及方法,提高路面病害检测的自动化程度,对公路管理部门的科学养护决策具有重要实际意义。