总第３１９期交通科技ＳｅｒｉａｌＮｏ．３１９２０２３第４期ＴｒａｎｓｐｏｒｔａｔｉｏｎＳｃｉｅｎｃｅ＆ＴｅｃｈｎｏｌｏｇｙＮｏ．４Ａｕｇ．２０２３ＤＯＩ１０．３９６３／ｊ．ｉｓｓｎ．１６７１７５７０．２０２３．０４．００２收稿日期：２０２３０３２４第一作者：常智凯（１９９６－），男，硕士生。宁波市交通运输局科技项目（２０２２１６）资助基于自编码模型的沥青路面表面横缝识别研究常智凯１叶文亚２杨群１（１．同济大学道路与交通工程教育部重点实验室上海２０１８０４；２．宁波工程学院建筑与交通工程学院宁波３１５２１１）摘要以上海某高速路段为研究依托，采集相关的沥青路面表面图像，利用卷积神经网络提取图像特征后再通过基于长、短期记忆神经网络的自编码模型对路面图像是否含有表面横缝进行识别，并对模型识别效果进行评价。结果表明，该方法可以快速有效地提取图像特征，在样本不均衡的条件下对表面横缝依然有较好的识别能力。关键词路面横缝自编码模型神经网络横缝识别中图分类号Ｕ４１８．６由于沥青路面本身的特性及车辆的反复摩擦和碾压，高速公路路面频繁出现各种病害，其中表面发生横缝病害的频率最高，如果不能得到及时处置将发展为道路的结构性破坏，严重危及行车安全和社会经济的稳定运行。因此，公路养护部门需要对道路进行规律性的巡检，及时发现路面表面的横缝并采取相应措施进行养护，避免造成更大的经济损失。虽然人工巡查是目前道路检测最为普遍的方法，但由于其低效率和受限准确性，对于道路维护来说仍存在许多挑战。特别是在高交通流量的路段，人工巡查不仅需要更多的人力和时间，而且也难以发现微小的路面问题。目前越来越多的研究正在将自动化技术应用于道路检测中，例如，基于机器学习的图像处理技术，这些技术可以通过高精度的图像识别和分析，更准确地检测路面问题并提高检测效率。这将极大地提高道路维护的工作效率和质量，也将使公路交通更加安全可靠［１］。在早期，借助计算机视觉的图像识别方法通常是基于对裂缝区域和完好路面区域灰度及像素值的差异进行分析［２］。这些方法通过使用阈值分割、边缘检测和纹理分析等技术，对图像中的裂缝区域进行检测。如徐欢等［３］使用ＯｐｅｎＣＶ开源算法库中的Ｃａｎｎｙ算子对路面裂缝进行自动检测。然而，这些方法通常需要手动调整参数和阈值，其结果可能会受到光照和图像质量等因素的影响，因此在实际应用中存在一定的局限性。...
