在公路的使用过程中，其表面会产生危害结构健康的裂缝，研究高效精确裂缝分割算法已成为交通运输领域的一个重要课题。在现有的基于图像的裂缝分割方法中，由数据驱动的深度学习技术展现出了强大的适用性。但基于神经网络的裂缝分割模型普遍缺乏对模型实时性的关注，为平衡模型精度和速度，选择合适的架构超参数，设计了一套架构超参数挑选框架，提出了实时路面裂缝分割模型（FastCrack-SPOS）。首先，设置不同的待选宽度（16，32，48，64，80）、深度（D1，D2，D3）、下采样倍率（1/4，1/8，1/32），构建出45组不同结构模型，分析每种参数对模型性能的影响；然后，使用神经架构搜索技术为模型每层自动搜索合适类型的卷积块，进而构建出最终模型。实验结果表明：所提架构超参数挑选框架在轻量级裂缝分割模型的设计上十分有效；构建出的FastCrack-SPOS在路面裂缝数据集上的交并比达62.88%；参数量仅0.29×10⁶，相比现有模型，减少95%；处理1024×1024的图像的速度达147 frame/s，在速度和精度间取得了平衡，具有较高的实际应用价值。

提出了一种基于生成式对抗网络的细小桥梁裂缝分割方法。该方法在判别器结构中引入分割分支,将生成式对抗网络与语义分割网络合二为一,兼具超分辨率图像重建功能与分割功能。在处理细小桥梁裂缝分割问题时,该方法先将低分辨率的细小桥梁裂缝图像转换为超分辨率的粗大型桥梁裂缝图像,再对转换后的超分辨率图像进行分割。实验结果表明,该方法更容易识别出细小桥梁裂缝并实现准确分割,与传统的分割方法相比,该方法的分割召回率提高了6%,平均交并比提高了10%。

针对航拍沥青路面图像识别的噪声和干扰问题,提出一种应用于航拍图像的路面裂缝识别算法。根据路面区域与路旁景观区域灰度级数分布不同,采用多方向拟合的区域生长方法联合HSV颜色空间阈值进行路面区域分割,提取包含完整裂缝信息的单通道路面;再通过改进的形态学滤波剔除面积较大的干扰区域,利用结合显著性分析的边缘检测算法识别路面的裂缝片段,实现复杂裂缝与路面纹理噪声的区分;自动筛选存在裂缝的图像,针对裂缝可疑区域,结合人眼辅助观察标记并计算其长度。结果表明,该算法可有效剔除图像中的噪声和干扰,较好地识别沥青路面的裂缝,裂缝宽度的识别精度能达到9.7 mm,分类识别准确率大于80.0%,长度测量准确率大于75.0%。