裂缝是路面最主要的病害之一，及时、有效地检测和评估裂缝对路面养护至关重要。为实现路面裂缝图像快速、准确的语义分割，提出一种基于DeepLabv3+模型的路面裂缝检测方法。为减小模型参数量、提高推理速度，采用MobileNetv3作为模型的主干特征提取网络，且在空洞空间金字塔池化模块中使用Ghost卷积代替普通卷积，使模型更加轻量化。为避免替换主干网络降低模型精度：首先，在空洞空间金字塔池化模块中使用条形池化模块代替全局平均池化，有效捕获裂缝结构的上下文信息，避免无关区域噪声的干扰；其次，引入轻量级通道注意力机制efficient channel attention（ECA）模块，增强特征的表达能力，并设计浅层特征融合结构丰富图像的细节信息，优化模型对裂缝的识别效果；最后，构造混合损失函数解决裂缝数据集类别不平衡而导致检测精度较低的问题，利用迁移学习的训练方式提高模型的泛化能力。实验结果表明：所提路面裂缝检测模型参数仅为14.53 MB，比原模型参数量减少93.04%，平均帧率达到47.18，满足实时检测的要求；在精度方面，该模型裂缝检测结果的交并比和F1值分别为57.21%和72.76%，优于经典的DeepLabv3+、PSPNet、U-Net模型和先进的FPBHN、ACNet等模型。所提方法可大幅减小模型参数量，在保证路面裂缝检测精度的同时满足实时性，为基于语义分割的路面裂缝在线检测奠定基础。

针对路面裂缝检测时裂缝的位置、形态的不确定性及裂缝特征与路面背景纹理的相似性等问题，提出了一种改进的多分支特征共享结构网络的裂缝图像分割算法。为了在减少计算参数冗余的同时提高检测精度，使用轻量化特征提取网络获取高层特征，采用多分支跳跃连接的方法提高通道间的信息利用。各分支融合全局卷积网络（GCN）模块和边界细化（BR）模块，提高了对裂缝边缘的分割性能和对裂缝区域内部分类的鲁棒性，利用循环残差卷积（RRC）模块，推动了对裂缝特征的累积。最后采用中轴法提取裂缝骨架，计算裂缝的形态参数，得到裂缝长度和宽度的相对误差分别为4.73%和5.21%。设计的多组对比实验结果表明，所提改进算法能够有效地提高对路面裂缝检测的精度和效率。

针对自然场景下混凝土裂缝背景复杂、纹理多变所造成的裂缝分割不准确问题，提出了一种基于特征增强整体嵌套网络裂缝检测算法。首先，在整体嵌套网络，一种深度学习边缘检测网络的基础上，采用多尺度监督机制融合不同尺度混凝土裂缝的预测结果，增强网络对混凝土裂缝线性拓扑结构的表达能力；然后，采用一种卷积-反卷积特征融合模块将混凝土裂缝的反卷积深层语义特征和卷积浅层细节特征有效融合，深层语义特征可以减少复杂背景干扰并提高模糊裂缝区域特征响应，浅层特征可以提高裂缝细节表达能力，进而提高裂缝特征质量；最后，提出了混合空洞卷积边界细化模块，该模块利用残差网络和空洞卷积组细化裂缝边界，从而提高裂缝分割准确性。在数据集Bridge_Crack_Image_Data和Crack Forest Dataset上进行了测试，所提算法的准确率分别达到了92.1%和91.6%，F1分数分别达到了80.2%和91.1%。实验结果表明，所提算法在复杂自然环境下可获得稳定而准确的分割结果，具有较强的泛化性。

针对传统桥梁裂缝检测算法检测精度低和现有的主流语义分割算法容易丢失裂缝图像细节信息、结果不连续等问题,提出了一种基于改进PSPNet的桥梁裂缝图像分割算法。首先使用无人机采集桥梁图像,通过图像增强处理得到桥梁裂缝数据集;其次通过带有扩张卷积的残差网络初步提取裂缝特征;接着将提取到的特征送入到空间位置自注意力模块(SPAM)和金字塔池化模块的串联结构中,使其能够在空间维度上获得丰富的上下文信息。实验结果表明,与现有的主流语义分割算法相比,所提算法得到的裂缝细节更加丰富,各项分割指标都有较为显著的提升,平均交并比达到84.31%,并能对细小桥梁裂缝进行准确、完整提取。

路面裂缝检测是道路运营和维护的一项重要工作，由于裂缝没有固定形状而且纹理特征受光照影响大，基于图像的精确裂缝检测是一项巨大的挑战。本文针对裂缝图像的特点，提出了一种U型结构的卷积神经网络UCrackNet。首先在跳跃连接中加入Dropout层来提高网络的泛化能力；其次，针对上采样中容易产生边缘轮廓失真的问题，采用池化索引对图像边界特征进行高保真恢复；最后，为了更好地提取局部细节和全局上下文信息，采用不同扩张系数的空洞卷积密集连接来实现感受野的均衡，同时嵌入多层输出融合来进一步提升模型的检测精度。在公开的道路裂缝数据集CrackTree206和AIMCrack上测试表明，该算法能有效地检测出路面裂缝，并且具有一定的鲁棒性。