近年来,道路基础设施领域积累了相当数量的数据,如何对它们进行有效分析、让其价值得以体现,是当前迫切需要思考和解决的问题。道路对人们的日常生活有很大的影响,如果能尽早检测出道路表面损伤,并制定出合理的养护方案,那么就能极大降低道路养护开销。深度学习是目标检测和图像分类问题的一种主流解决方案,道路表面损伤检测这一任务适合用深度学习算法来处理。近几年的相关研究表明,主流的目标检测算法在道路表面损伤检测任务上能取得好的成绩,其中Faster R-CNN取得了最优的检测精度。然而它们都忽略了道路表面损伤数据集特有的高类间相似度。此外,超分辨率技术能够较好地丰富低分辨率图像的细节特征,在很多领域中都显现出很高的使用价值,因此可以将超分辨率技术应用到道路表面损伤检测任务中。基于上述背景,本课题主要做了如下三点工作:(1)提出了一种基于卷积神经网络的道路表面损伤检测算法FasterR-CNN INF。FasterR-CNN_INF 以 Faster R-CNN 为基础网络,从网络结构、参数配置、数据集特性对基础网络进行优化。其中最重要的优化部分是提出了 IouNmsFilter。这是一种改进的NMS和基于候选边界框IoU过滤器模块,它通过合理利用相似道路表面损伤类别之间的丰富IoU信息以提高道路表面损伤检测精度。(2)提出了一种结合超分辨率技术的道路表面损伤检测算法,将Faster R-CNN_INF的任务限定为损伤定位,对裁剪出的疑似损伤区域图片通过超分辨率技术进行优化,再送入图像分类网络去预测其类别,最终获得更好的损伤检测精度。(3)设计了一个道路基础设施大数据分析平台并实现了对应的原型系统。该大数据分析平台允许工作一线的工程师使用常见的机器学习算法、ETL算法及本文所提出的道路表面损伤检测算法去辅助解决现实问题。