1引言截至2021年年末，我国路网总里程已达到528.07万km，高速公路达到16.91万km[1]，居于世界前列。密集的公路网极大地便利了区域间的信息交流和资源分配，从而促进了经济社会的快速发展[2-3]。然而，在车辆和周围环境等因素的综合作用下，高速公路在使用过程中会不可避免地出现裂缝、车辙、坑槽等病害，这些病害会对路面寿命、公路运营产生严重影响，甚至会造成交通事故，因此，对公路路面病害的检测和养护成为管理部门的任务和日常工作。采用传统的人工视觉检测路面病害流程复杂、效率低，并且伴随着大量的人工成本。在计算机视觉和图像处理技术发展初期，研究者多通过直方图估计、局部二值模式、Gabor滤波、形态学特征、支持向量机（SupportVectorMachine，SVM）等方法检测路面病害，取得了不错的精度。但这些方法存在一些共性的弊端，就是对图像的质量要求较高，对外界的抗干扰能力较差，模型的结果受光照、背景和裂缝的对比度、非裂缝等其他类别像素等的影响较大，极大地限制了路面病害的检测准确度和效率。近年来，深度学习方法因其在非线性、模糊系统中的突出表现成为解决复杂预测、分类问题的一项重要工具。在目标检测、语义分割、图像分类、逐帧视频分类、文本处理、时间序列分析等领域都得到了广泛的应用。卷积神经网络被定义为前馈神经网络的一个子类，具有池运算和卷积层的特殊性，在捕获局部和全局特征以进行项目抽象和表示方面具备良好的性能，可以较好地抑制噪声的影响，从而被广泛应用于公路裂缝的识别中。封筠等[4]提出了一种多级卷积神经网络的路面裂缝检测模型，通过网络级联的方法在保证裂缝图像全部召回的前提下，取得了更优的检测结果，为路面裂缝图像漏筛的问题【基金项目】中国铁建投资集团科技研发项目（ZTJ2021WBXKYKT）【作者简介】隆星（1976~），男，甘肃古浪人，高级工程师，从事公路病害防治研究。基于深度学习的公路裂缝病害自动识别技术研究ResearchonaRoadCrackIdentificationMethodBasedonDeepLearningModel隆星1,2（1.中国铁建投资集团有限公司，广东珠海519031；2.西安交通大学人居环境与建筑工程学院，西安710049）LONGXing1,2(1.ChinaRailwayConstructionInvestmentGroupCorp.Ltd.,Zhuhai519031,China;2.SchoolofHumanSettlementsandCivilEngineering,Xi’anJiaotongUniversity,Xi’an710049,China)【摘要】针对目前裂缝识别存在样本较少，识别精度受样本采集时的环境因素影响较大等问题，提出一种结合VGG...
