阈值分割算法、边缘检测算法、区域生长算法和匹配算法识别路面裂缝mAP，R，FPS等指标一般来说各为多少

阈值分割算法通常用于图像处理中，通过设置一个合适的阈值将图像二值化，区分目标（比如路面裂缝）和背景。这个过程的结果可能会影响后续分析的质量，例如召回率（Recall，表示找到的目标中有多少实际上是真实的裂缝，即真阳性 TP / (TP + FN)）可能会较高，但精度（Precision，找到的裂缝中有多少是真的，即TP / (TP + FP)）取决于阈值的选择。

边缘检测算法，如Sobel或Canny，主要用于找出物体轮廓，对于裂缝识别，它有助于定位裂缝的位置。识别准确度（accuracy，TP + TN / (TP + TN + FP + FN)）可能会受到影响，同时计算F1分数（综合了precision和recall的一个指标）时，可能会得到一个中间值，因为边缘检测并不直接提供裂缝面积信息。

区域生长算法会根据像素邻域相似性将连续的区域组合起来，这可以用来填充裂缝并确定其大小。如果区域生长准确，mAP（mean Average Precision，平均精确率，常用于评估对象检测任务）可能会相对较高，因为裂缝会被完整地捕获；然而，如果误连接或遗漏部分，则可能会降低。

匹配算法，比如模板匹配或特征点匹配，用于寻找裂缝图像中的特定模式。匹配准确性和查准率（True Positive Rate，TPR = Recall）依赖于算法的性能以及裂缝模板的选择。mAP可以根据匹配结果的好坏有所变化。

关于 FPS（Frames Per Second，每秒帧数），这是一个衡量实时性的指标，在裂缝识别系统中，高FPS意味着系统响应迅速。实际数值会因硬件配置、算法复杂度及优化程度而异，理想情况下，一个高效的路面裂缝识别系统应该能保证足够高的FPS，以便实现实时监控。

由于这些指标的具体数值会受到多种因素的影响，并且在不同的应用场景和实验条件下会有较大差异，所以无法给出一个通用的数值范围，需要针对具体实现做详细测试和调整。