superior to other methods key words: pavement crack; deep convolutional network; segmentation 引言 近年来,随着公路交通事业的飞速发展,我国公路总里程不断增加,由此带来的公路的 养护管理工作日趋繁重。裂缝作为路面常见和主要的病害之一,是《公路技术状况评定标准》 中的重要参考指标。及时发现并对裂缝进行处理是民出行安全和公路正常使用寿命的重要 保障23。传统的人工检测裂缝方法主观性高、效率低下,且对道路检测人员的人身安全有 极大地威胁。近年来,国内外学者在路面裂缝自动化检测方面做了大量工作。基于阈值分割、 图像滤波算法的路面裂缝自动化检测方法受到光照强度、路面类型等诸多因素的影响,检测 的准确性有待提高5。基于路面三维数据的裂缝分割算法受到较高检测成本的限制发展缓 慢明。随着人工智能的发展和普及,运用卷积神经网络进行路面裂缝分割成为新的突破口 卷积神经网络( Convolutional Neural Networks,CNN)是一种仿生学的计算机算法,其具有 局部感受野、权值共享等诸多特点。深度卷积神经网络由大量卷积结构构成。随着卷积层的 增加,神经网络可以学习更加复杂的目标特征,同时优化学习效果。目前,基于深度卷积神 经网络的相关算法已经在目标检测、语义分割等众多领域取得了很好的效果。 本文提出了一种基于深度卷积神经网络的路面裂缝分割方法。该方法由特征提取网络和 上采样分割网络两部分组成。特征提取网络通过对大量裂缝图像进行学习训练,准确提取 裂缝的形态特征。上采样分割网络通过联合多种尺度的裂缝特征图,以上采样方式实现裂缝 图像的分割。该方法可以克服路面亮度、路面噪声等干扰因素,对于路面裂缝的分割具有较 强鲁棒性。本文同时将该方法与阈值分割方法、FCN21进行了对比。结果表明,该裂缝分 割方法明显优于其他方法。 深度卷积分割网络概述 深度卷积分割网络主要包括输入层、卷积层、池化层、上采样层、激活函数和损失函数 等单元结构组成。输入层确定卷积网络输入图像的尺寸大小和通道数,是网络模型的入口 卷积层是对目标进行特征提取的结构,包含卷积核大小、卷积核数量、卷积步长、边界填充 等众多参数。一个典型的卷积结构如图1所示 V2 21w2w23 aar f an+ asl as as, as asala 输入图像 卷积核 图1卷积过程示例superior to other methods. key words: pavement crack; deep convolutional network; segmentation 一、引言 近年来，随着公路交通事业的飞速发展，我国公路总里程不断增加，由此带来的公路的 养护管理工作日趋繁重。裂缝作为路面常见和主要的病害之一，是《公路技术状况评定标准》 中的重要参考指标[1]。及时发现并对裂缝进行处理是民出行安全和公路正常使用寿命的重要 保障[2,3]。传统的人工检测裂缝方法主观性高、效率低下，且对道路检测人员的人身安全有 极大地威胁。近年来，国内外学者在路面裂缝自动化检测方面做了大量工作。基于阈值分割、 图像滤波算法的路面裂缝自动化检测方法受到光照强度、路面类型等诸多因素的影响，检测 的准确性有待提高[4,5,6] 。基于路面三维数据的裂缝分割算法受到较高检测成本的限制发展缓 慢[7,8,9]。随着人工智能的发展和普及，运用卷积神经网络进行路面裂缝分割成为新的突破口。 卷积神经网络（Convolutional Neural Networks, CNN）是一种仿生学的计算机算法，其具有 局部感受野、权值共享等诸多特点。深度卷积神经网络由大量卷积结构构成。随着卷积层的 增加，神经网络可以学习更加复杂的目标特征，同时优化学习效果。目前，基于深度卷积神 经网络的相关算法已经在目标检测、语义分割等众多领域取得了很好的效果[10] 。 本文提出了一种基于深度卷积神经网络的路面裂缝分割方法。该方法由特征提取网络和 上采样分割网络[11]两部分组成。特征提取网络通过对大量裂缝图像进行学习训练，准确提取 裂缝的形态特征。上采样分割网络通过联合多种尺度的裂缝特征图，以上采样方式实现裂缝 图像的分割。该方法可以克服路面亮度、路面噪声等干扰因素，对于路面裂缝的分割具有较 强鲁棒性。本文同时将该方法与阈值分割方法、FCN[12,13] 进行了对比。结果表明，该裂缝分 割方法明显优于其他方法。 二、深度卷积分割网络概述 深度卷积分割网络主要包括输入层、卷积层、池化层、上采样层、激活函数和损失函数 等单元结构组成。输入层确定卷积网络输入图像的尺寸大小和通道数，是网络模型的入口。 卷积层是对目标进行特征提取的结构，包含卷积核大小、卷积核数量、卷积步长、边界填充 等众多参数。一个典型的卷积结构如图1所示。 图1 卷积过程示例