随着我国公路桥梁等基础设施建设投入的逐年递增,道路养护工作变得越来越重要。路面裂缝是一种常见的公路病害,及时获取公路路面裂缝信息对道路养护有着重要作用。基于传统图像处理算法的裂缝检测因其检测速度快、检测便捷等优点逐渐取代人工检测裂缝的手段。但是传统的图像处理方法一般是先定义一种特征,然后针对这类特征进一步的预测或者分类,这类方法的识别率较低,已不能满足当下人们的工程要求。近年来,深度学习已经得到众多研究者的高度重视,通过大量的数据训练,深度学习对复杂环境下目标的检测具有很好的鲁棒性,其准确率也远远超越了传统算法。特别是深度学习在图像分割领域的成功应用,本文从深度学习在裂缝检测的应用出发,深入研究深度学习网络的理论特性,并基于此进一步的设计更加适合复杂环境下路面裂缝检测的网络模型。论文的主要工作如下:(1)制作了真实复杂环境下的路面裂缝数据集Pavement Crack-Data,在专业人员的引导下拍摄收集路面裂缝图像,然后利用图像处理方法对数据集进行扩增,并对图像进行人工标注,获取训练标签,以满足本文算法的模型要求。(2)对本文核心算法的对比算法进行了分析,分别为基于改进的Dense Net全卷积网络的裂缝分割算法和基于生成对抗网络的裂缝分割算法,并将二者应用在本文建立的路面裂缝图像上,进行实验结果的比较,以此为基础引出本文的核心算法。(3)以基于扩张残差网络在路面裂缝的图像分割为研究内容,首先设计扩张残差的模型和网络结构,接着给出具体的模型优化策略,并在Tensorflow平台下进行模型训练,然后对网络模型检测到的分割图像进行形态学特征提取,并使用迭代细化算法提取裂缝图像骨架,最后使用传统图像算法测量裂缝形态学信息。(4)利用Flask框架搭建基于B/S架构的在线路面裂缝检测分析系统,该系统由检测人员上传数据,后台对数据进行图像算法处理,从图像格式和视频格式出发,将结果进行可视化显示,从而给检测人员提供重要的参考,帮助更好评估实际路面的损伤情况。最终,本文将从以上四个方面出发,深度融合裂缝检测和深度学习理论,设计构建高效精准的路面裂缝语义分割模型,并利用Python编写的轻量级Web框架Flask搭建基于B/S架构的在线路面裂缝检测系统。