随着经济的飞速发展,中国的汽车数量大幅度增长,汽车智能驾驶也成为当前的热点研究领域,而路面损坏检测是汽车智能驾驶研究领域中极为重要的部分。路面损坏检测的研究在国内外已经有了较长时间的发展,早期的检测方法是通过在汽车上嵌入大量的传感器进行检测。随着计算机技术的发展,图像处理技术也被运用到了路面损坏检测研究当中。近年来,深度学习方法也在被逐渐运用在路面损坏检测的研究当中。本论文主要以路面损坏检测为研究内容,论述基于yolov5目标检测算法的适应性改进方法和基于图像处理技术的路面损坏部分特征分析方法,叙述了路面损坏检测系统的设计与实现。本论文的主要研究内容包括针对yolov5算法运用到路面损坏检测当中存在的缺陷提出适应性改进方案,改进内容包括网络结构改进、损失函数改进和激活函数改进三个方面,在网络结构中引入倒置残差结构和ghost卷积,裁剪掉focus结构和预测特征层分支,改进特征融合结构和SPP结构,在损失函数的预测目标框定位损失部分加入改进后的预测目标框长宽损失因素,将激活函数改进为经过平滑处理后的FRe LU激活函数;对网络模型的训练方法和网络模型输出端的非极大值抑制方法提出改进,在模型训练的过程中,基于mosaic图像增强方法,提出对训练数据集中的图像进行随机变换亮度、对比度和饱和度以及随机添加噪声的预处理方法,针对非极大值抑制方法,提出利用DIOU方法来计算目标框的重叠程度,同时融合soft-NMS方法,对目标框的置信度采取逐步降低的方式;基于改进的目标检测方法,将检测出的路面损坏部分的图像进行图像处理,分析预估损坏部分的面积、高度或深度,同时实现对路面损坏部分和汽车之间的距离的预估;叙述了路面损坏检测系统的实现,系统主要基于改进的目标检测算法进行实现,系统的功能包括对路面损坏的实时检测和上报,并对路面损坏的位置信息、损坏程度信息等进行存储。本论文对改进的算法进行了训练和验证,对系统进行了测试。实验结果表明,本文改进的算法和设计实现的城市道路路面损坏检测系统具有良好的效果,在实际的检测中具有较好的稳定性。