本研究通过使用卷积神经网络进行物体检测的最新方法，创建了一个可供公开使用的大型路面损伤数据集，该数据集包含了来自7个日本市的9053张路面损伤图片，针对这个数据集训练出有较高准确性的路面损伤检测模型，并成功将损伤分为八个类型。

Jan, 2018

为了确保道路安全，需要进行路面裂缝检测。本研究提出一种基于深度学习的新型网络体系结构，称为特征金字塔和分层增强网络（FPHBN），以解决路面裂缝检测中的难题。实验表明，该方法在准确性和通用性方面优于现有的检测、边缘检测和语义分割方法。

Jan, 2019

本文提出了基于深度学习和自适应图像分割的道路龟裂检测算法，该算法采用深度卷积神经网络、双边滤波和自适应阈值方法，可以高效准确地检测道路表面龟裂并扩大安全。

Apr, 2019

该研究使用了六种卷积神经网络模型来进行道路裂缝的检测，并使用一个由14000个样本组成的新型真实二元裂缝数据集进行微调，观察数据集扩增的效果，并得出ResNet和VGG16模型具有最高精度为98%的结论。

Apr, 2023

本文通过比较 9 个深度学习模型在道路表面裂缝检测任务中的表现，发现基于 transformer 的模型相对于卷积神经网络更易于训练、准确率更高，但通常表现出更高的内存消耗和低效率，其中 SwinUNet 为最佳模型，结果可为表面裂缝检测提供指导。

Apr, 2023

综述最近图像处理和深度学习技术在道路病害检测和分类中的广泛应用，介绍了机器学习和深度学习算法在提高效率和准确性方面的优势，讨论了无人机数据采集的整合以及处理高分辨率图像的深度学习算法在有效检测和分类不同道路病害方面的价值。

Aug, 2023

通过一种统一的多任务模型，可以直接从顶部向下的路面图像中预测出路面状况指数（PCI），同时对于裂缝检测和分割等相关任务具有极高的准确性。

Oct, 2023

本研究提出了使用You Only Look Once (YOLO)版本五（YOLOv5）和版本八（YOLOv8）算法来检测和分类道路路面裂缝的方法。实验结果表明，在不同照明条件和图像尺寸下，路面裂缝的检测精度可达67.3%。该研究的发现可以帮助公路管理机构准确地检测和分类不同照明条件下的资产状况，减少人工检查的成本和时间，极大地降低公路资产维护的成本。

Jun, 2024

本研究提出了YOLO9tr，一种基于深度学习的新型轻量级目标检测模型，用于道路损坏检测，其在特征提取和注意力机制方面引入了部分注意力块，以提高在复杂情况下的检测性能，并通过多国的道路损坏图像数据集进行训练，扩展了损坏分类范围，并与YOLO8、YOLO9和YOLO10等先进模型相比具有更高的精度和推断速度，达到高达136FPS的帧率，适用于实时应用，该研究进一步验证了部分注意力块的有效性，突出了YOLO9tr在实时道路状况监测中的潜力，为维护安全和功能良好的道路基础设施提供了稳健和高效的解决方案。

Jun, 2024

本研究解决了从路面图像中检测裂缝的困难，尤其是在复杂背景和低对比度情况下。提出的高效裂缝网（EfficientCrackNet）结合了卷积神经网络和变换器，利用深度可分离卷积和超轻量子空间注意力模块，实现了精准的裂缝分割。实验表明，该模型在多个基准数据集上表现优于现有轻量化模型，显示出优越的准确性与计算效率平衡。

Sep, 2024