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。

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%。