随着中国公路交通的发展,交通量的激增对路面的养护提出了更严峻的挑战,及时预警路面的破损信息能够有效减低路面交通事故发生的概率。目前常用的路面破损的检测系统大部分是基于红外热成像、激光等传感器硬件支持和检测软件结合的方式,但此类外接设备大多价格昂贵,维护成本较高,难以实现规模化应用。而通过摄像头采集图像的路面检测方法具有成本低、灵活性强的优点,而这类方法多种多样,各有各的优缺点。而深度学习技术作为新的主流技术,为路面缺陷技术提供一种新的思路和方法。本文提出一种基于CNN的路面质量检测新方法,利用Python语言将开源深度学习框架Tensor Flow2.1.0与第三方计算机视觉库Opencv封装,通过Py Qt开发了图形操作界面,开发了路面质量实时检测平台。具体工作如下:1.通过Python语言将开源深度学习框架Tensor Flow2.1.0与计算机视觉和第三方机器学习软件库Opencv融合,集成了一种基于卷积神经网络的路面质量分类平台。2.为实现路面质量识别的丰富性,通过低成本图像设备采集了不同类型和质量的路面数据集,将其按照质量和材质进行人工分类。在不影响路面图像质量的特征下,通过对图像进行了尺度缩减、尺度缩放,按照硬编码的模式定义图像的ROI提高了模型的训练速度。3.为增强模型的泛化能力,将路面光照等因素考虑在内,对数据集进行了数据增强,模拟不同光照下的路面,对数据进行了扩充。4.为降低模型参数个数和模型复杂度,通过选用逐次增加的多层小尺度卷积核对图像特征进行特征提取,引入了"exponential linear unit"（ELU）作为网络中的激活函数,通过指数线性单元增强了恒等式来缓解梯度弥散现象,同时有效避免了神经元死亡的问题。5.为了防止深度神经网络训练后期收敛速度越来越慢的问题,在网络中添加了批标准化操作,将网络中每层神经网络任意神经元的分布强制拉回标准分布,使得激活输入值始终落在非线性函数对输入敏感的区域,增大梯度,使得收敛速度,同时加快训练速度。6.为增强模型的抗噪性以及泛化性,在网络中增加了Dropout算法,防止某部分的神经元权重过大,有效降低了模型过拟合现象。通过Tensor Flow框架和Opencv第三方库集成的CNN路面研究开发的软件与主流的Alex Net,VGGNet网络的比较,本软件对图片处理更快,训练时间仅为VGGNet16的1/95,Alex Net8的1/26,准确率更高,达到98.27%。最后,通过多次训练得到了性能优良的路面质量检测模型,通过Py Qt5开发了人机交互界面,并通过YOLOv5实现缺陷的检测,搭建了基于深度学习的路面检测软件平台,实现了路面质量的自动化检测。并且这种软件集成方法通过简单的网络参数调节亦可以实现对其他类型的分类,具有很强的应用可移植性,诸如水果病虫害,烟叶质量分级等,这种方法具有一定的创新性和工业实用价值。