随着我国大量公路投入使用和交通运输量的增大,公路病害问题日趋严重,直接影响了公路的使用性能和寿命,甚至交通安全。及时准确的公路病害检测已经成为我国公路维修和养护管理的重要研究课题。然而,我国现阶段主要的公路病害检测方法无法满足我国公路检测的日渐增长的需求。因此,本文提出了一种基于无人机图像和深度学习的路面病害自动采集、识别、定位、形态信息提取技术,旨在提高我国公路自动化检测的效率,为公路检测提供科学的指导。本文主要内容如下:(1)本文介绍了基于无人机的公路图像信息采集技术。首先,采用基于WI-FI技术和高清摄像技术的无人机进行路面图像采集和定位。在此基础上,采用退火算法优化无人机飞行路径,验证路径优化的必要性,从而提高无人机数据采集的效率。(2)本文提出了基于无人机采集图像和Faster R-CNN(Faster Region-Convolutional Neural Networks,更快速区域卷积神经网络)的路面病害定位方法。首先,本文设计了30个Faster R-CNN用于优化模型结构。其次,通过验证集结果分析选取最优化Faster R-CNN。在此基础上,分析路面材料和图像采集环境对最优化Faster R-CNN病害识别和定位的影响。最后,通过方法对比验证基于Faster R-CNN的路面病害定位方法的优越性。(3)本文基于病害区域图像和全卷积神经网络的路面病害信息进行提取。首先,本文改进传统的全卷积神经网络,在原有结构的基础上增加膨胀卷积层、高斯随机层、基于支持向量机的像素点分类层。其次,使用Faster R-CNN获得病害区域图像训练、验证、测试改进的全卷积神经网络。在此基础上,本文分析全卷积神经网络提取病害形态信息的能力和稳定性。最后,将基于病害区域图像和全卷积神经网络的路面病害信息提取技术用于工程检测实例,验证了其可行性。