路面病害是影响路面使用性能和寿命的重要因素,其中路面结构病害对路面寿命的影响极其显著,如反射裂缝、层间脱空和不均匀沉降。然而,由于路面结构病害的隐蔽性,我国现阶段对路面结构病害的检测存在范围不全面、结果偏定性分析且精度不高、检测过程自动化程度低等问题,急需开展路面结构病害检测方面的研究。综上所述,本文提出了基于深度学习和探地雷达技术的沥青路面结构病害检测方法。本文主要研究工作如下:(1)路面结构病害的探地雷达响应波特征研究。路面结构病害的识别、定位和测量是依据其在探地雷达剖面图上不同的响应波特征进行计算的。本文通过理论分析结果、车辙板试验结果和现场采集数据的对比分析确定了垂直裂缝、不均匀沉降和层间脱空的探地雷达响应波特征。(2)基于卷积神经网络(Convolutional neural network,CNN)的路面结构病害识别。本文进行了用于路面结构病害识别的CNN结构设计。通过CNN的训练和测试实现了基于探地雷达剖面图的路面结构病害的自动识别。通过钻芯取样结果和自动识别结果的对比,分析了路面结构结构和探地雷达电磁波发射频率对CNN病害识别准确性的影响。最后,将基于CNN的路面结构病害识别方法和其他识别方法进行对比,验证了此方法的优越性。(3)基于Faster R-CNN(Faster Region convolutional neural network)的路面结构病害实时定位。本文设计了30个不同结构的Faster R-CNN。通过Faster R-CNN的训练和结构优化实现了基于探地雷达剖面图的路面结构病害的自动定位。之后,通过Faster R-CNN的测试验证其在不同路面结构和探地雷达发射频率下的定位稳定性。将基于Faster R-CNN的路面结构病害定位方法和其他方法进行对比,验证了此方法的优越性。最后,通过实时连续探地雷达检测验证了Faster R-CNN的准确性和实时性。(4)基于回归卷积神经网络(Regression convolutional neural network,Reg-CNN)的路面结构病害测量。本文设计了2种不同结构的Reg-CNN。通过Reg-CNN的训练和验证实现了基于探地雷达图像的路面结构病害自动测量。通过测试验证了2种不同结构的Reg-CNN在不同路面结构和探地雷达发射频率下的测量稳定性。最后,将基于Reg-CNN的路面病害尺寸自动测量方法和其他方法进行对比,验证了Reg-CNN测量病害尺寸的优越性。(5)基于级联卷积神经网络的裂缝三维重建。本文提出了基于级联神经网络的路面垂直裂缝三维重建方法。首先设计了级联神经网络的结构。通过级联神经网络的训练和验证实现了基于探地雷达图像的路面垂直裂缝三维重建。之后,通过测试验证级联神经网络在不同路面结构和探地雷达发射频率下的特征点提取稳定性。最后,本文讨论了菲涅尔区直径对三维模型准确性的影响。