路面监测中的传感、图像处理和机器学习方法的应用

工程7（2021）845研究路面工程-评论介入式传感、图像处理和机器学习方法在路面监测分析中的应用侯悦a，李秋寒a，b，张晨a，b，陆国阳c，叶周静d，陈怡涵a，e，王林兵f，王伟，曹丹丹aa北京工业大学交通工程北京市重点实验室，北京100124b北京交通大学综合交通大数据应用技术交通行业重点实验室，北京100044c香港理工大学土木及环境工程系，中国香港d北京科技大学国家物资服务安全中心，北京100083东南大学交通运输学院，南京211189f美国弗吉尼亚理工大学土木与环境工程系，Blacksburg，VA 24061阿提奇莱因福奥文章历史记录：收到2020年2020年7月5日修订2020年7月24日接受2020年12月29日网上发售保留字：路面监测与分析最新技术综述侵入式传感图像处理技术机器学习方法A B S T R A C T在现代交通运输中，路面是车辆和行人通行的重要基础设施之一。路面的使用质量和使用寿命直接影响到使用者的正常使用，是土木工程师十分关注的问题因此，在路面发生不可逆转的损坏之前监测路面的健康状况对于及时维护至关重要，从而确保公共交通安全。通过对结构动力响应的监测和对路面状况的评价，可以对许多路面损伤进行检测和分析。可以采用先进的技术来收集和分析这些数据，包括各种侵入式传感技术、图像处理技术和机器学习方法。本文综述了近年来这三种技术在路面工程中的应用现状，并提出了基于这些技术的路面监测与分析的发展©2021 THE COUNTORS.Elsevier LTD代表中国工程院出版，高等教育出版社有限公司。这是一篇CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。1. 介绍在现代交通运输中，路面是车辆和行人通行的重要基础设施之一。路面的使用质量和使用寿命直接影响到使用者的正常使用，是土木工程师十分关注的问题。因此，监测路面的健康状况并进行必要的维护对公共交通安全至关重要。通过对结构动力响应的监测和路面状况的评价，可以对许多路面病害进行检测和分析。路面结构响应的监测可以通过不同的传感器技术来实现。在过去，路面状况的评价通常是通过监测和识别人工进行的*通讯作者。电子邮件地址：wangl@vt.edu（L. Wang）。基于现场检查的路面损坏随着交通基础设施的快速发展，由于道路的延伸，人工监测和分析所有道路的服务状态变得越来越困难近年来，先进技术被广泛应用于路面结构动态响应监测和路面状况评价，包括用于路面结构状态监测的各种侵入式传感技术、用于路面状况评价的图像处理技术以及用于分析或预测路面材料和结构性能的机器学习方法。这些先进技术的使用可以部分取代人工检测/检查，从而有助于加速决策过程，提高路面养护的效率。对于路面传感应用，这篇最新的综述主要总结了侵入式传感器的发展，即，https://doi.org/10.1016/j.eng.2020.07.0302095-8099/©2021 THE COMEORS.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可从ScienceDirect获取目录列表工程杂志首页：www.elsevier.com/locate/engY. 侯角，澳-地Li，C.Zhang等人工程7（2021）845846嵌入路面结构中的传感器，可用于监测路面的动态机械响应，以及用于路面监测的物联网（IoT）技术。在图像处理技术方面，本研究回顾了一些典型的处理算法，可以有效地识别路面损坏的类型。对于机器学习方法，本文介绍了一些基本理论及其在路面工程中的应用。一般来说，使用这些先进的方法具有以下优点：①监测路面动力响应为一相对周期长②自动/半自动检测/识别一些典型的路面病害;③省时省力。同时，这些方法可能存在的缺点包括：①与传统方法相比，这些先进方法的应用可能需要经过专门培训和熟练的路面工程师;②基于所提出的三种方法的分析可能需要大量的监测数据;③许多基础理论仍在发展中，因此可能不如传统方法成熟。在过去的几十年里，这三项技术的应用显著地推动了路面监测与分析的发展为了帮助土木工程师更好地理解这些技术，本文综述了近年来侵入式传感技术、图像此外，还提供了使用这些方法进行路面监测和分析的可能发展的建议。2. 路面监测中的侵入式传感和物联网技术目前，先进的路面监测传感技术非侵入性方法包括目视检查、气动管、摄像机、光屏障和雷达系统等，由于其非破坏性和易于实施，这些方法然而，它们很容易受到天气条件的影响侵入式方法，即。在路面结构中嵌入传感器通过对路面结构的动力响应分析，可以获得交通状况和结构状态的信息，对交通管理和道路养护具有 本文主要总结了典型的侵入式方法的发展，如图所示。1.一、2.1. 结构监测路面结构性能对路面的使用质量和使用寿命至关重要。为了优化路面结构和材料的设计，延长道路的使用寿命，研究人员在路面结构中建立了多条试验车道并埋设传感器，实时监测路面在交通荷载和环境条件下的性能。Rollings和Pittman[1]开发了一种基于应力的路面性能分析模型，该模型使用路面结构内部的嵌入式应变计。结果表明，温度和水分对路面性能有显著影响. Sebaaly等人[2]利用埋设的应力应变传感器获得了各种工况下路面的横向和纵向应变信息。在他们的研究中，建立了路面结构模量与应力/应变关系之间的关系。在美国，Xue和Weaver[3]对俄亥俄州试验道路在移动荷载下的力学响应进行了研究。试验中测试了不同路面结构的力学指标，并考虑了温度作用下结构受力的变化。 Al-Qadi等人[4]评估了试验道路中车辆移动荷载下路面的应变响应，其中垂直压缩应 变研 究了 不 同温 度、 车 速和 轮 胎压 力 对沥 青路 面 的影 响 。Gonçalves等人[5]在两种不同路面结构的路基顶部安装了应变仪，以监测加速加载试验下的应力响应。在国家沥青技术中心，Timm和Priest[6]在18个测试路段安装了温度、湿度、应力和应变传感器，以测量沥青路面在不同车辆荷载和不同环境条件下的动态响应。在俄勒冈州，Scholz[7]使用应力传感器、温度传感器和位移传感器等来监测表层底部的弯曲应变，在不同的轴重和不同的气候条件下，Hornyak等人[8]在测试道路上安装了大量传感器，比较了三种不同应变传感器的效果，优化了传感器的深度和位置，并收集了传感器长时间测量的数据。Xue等人[9，10]使用沥青应变传感器和压力传感器监测车辆移动荷载下路面的应力和应变响应。他们根据监测数据进一步分析了道路服务状况和交通信息。2.2. 交通监控车辆移动荷载作用下的路面动力响应还可以用来获取交通信息，包括车辆行驶信息Fig. 1. 路面监测的典型侵入式传感技术。Y. 侯角，澳-地Li，C.Zhang等人工程7（2021）845847速度、车辆类型和车辆重量等特征。动态称重（WIM）系统是最流行的交通监控技术之一，可分为两种类型[11]。第一种类型是高速WIM（HS-WIM）系统[12]，用于交通数据收集和交通流量控制。最常用的传感器主要包括环形探测器、压电传感器和光纤传感器。第二种是低速WIM（LS-WIM），用于帮助执法部门确定超重处罚。LS-WIM主要安装在收费站。通常，用于动态称重系统的传感器主要包括应力应变传感器、压电传感器和光纤传感器。Zhang等人[13]利用应力应变传感器，通过测量车辆荷载作用下路面的动态应变，获得了车辆轴间距和轴数。Xue等人[14]使用应变片和压力传感器测量了车辆移动荷载下路面的应力-应变信号。车辆重量、轴间距、交通量和其他信息使用ABAQUS模拟中的高斯模型进行反算。压电传感器由于具有灵敏度高、体积小、刚度高等优点，在动态称重系统中得到了广泛的应用压电传感器的主要工作原理是将机械能转换为电能。在一定的力的范围内，产生的电荷几乎与压电材料上的压力成线性关系[15]。压电传感器使用包括压电陶瓷换能器（PZT）和压电聚偏二氟乙烯（PVDF）的材料。Mazurek等人[16]使用PVDF材料制造压电传感器，并进行动态称重实验。他们的结果证明，压电传感器具有良好的性能，用于动态称重。Zhang等人[17]采用水泥基压电传感器监测交通流信息，建立了传感器输出电压与交通流之间的数学模型。光纤传感器也可用于WIM系统[18]。当车辆负载施加在光纤传感器上时，它使其变形，因此光强度发生变化。通过采集光强可以得到轴载信息。Malla等人[19]根据弯曲半径与输出光信号强度之间的关系评估了光纤的光学特性Yuan等人[20]通过使用不同尺寸和加载速率的动态压缩载荷测试来测试开发的迈克尔逊干涉仪Batenko等人[21]讨论了将光纤传感器应用于动态称重的可能性，并通过测量误差分析来提高称重精度。Zhang等人[22] 研制了一套基于光纤光栅（FBG）技术的动态称重原型系统，并进行了相关的现场试验。Zhao等人[23] 将分布式光纤传感器嵌入到圆形硅橡胶封装单元中，形成压力传感单元。Dong等人[24]在机场沥青路面中安装了FBG传感器，以监测飞机载荷下的路面动态响应。在测试过程中，获得了负载偏移位置、速度、动态响应持续时间等信息。总之，光纤传感器的优点是结构简单，电磁干扰小，监测范围广，安装简单，易于维护。然而，与传统的弯曲板和压电传感器相比，光纤传感器需要更复杂的技术和昂贵的仪器来测量光信号的强度和相位通常，侵入式传感系统可用于路面结构健康和交通信息监测。该技术使用的传感器包括FBG传感器、应力应变传感器、压力传感器、压电传感器、位移传感器、温度传感器和湿度传感器。这些嵌入式传感器通常通过电缆将监测数据传输到采集设备。因此，这些方法仍然存在一些缺点。传感系统存在传感器安装过程中道路结构损坏、现场数据量过大、实时数据处理困难、能耗高、数据采集设备成本高、系统安装程序复杂等问题。2.3. 物联网在路面监测中的物联网是一种新型的信息网络，它使用传感器、电子标签和计算机网络来互连事物[25]。它也是一个平台，提供实时信息的东西，实现自动跟踪和控制，可用于路面传感系统。目前，已经有一些研究将物联网应用于以下领域的路面监测2.3.1. Micro-electro-Mechanical system微机电系统（MEMS）是集成微传感器、微致动器、微机械结构、微电源和高性能电子集成器件的微系统[26]。系统尺寸只有几毫米甚至更小。一些研究人员将MEMS传感器用于路面结构/材料监测。Alavi等人[27]开发了一种自供电智能压电传感器。他们测试了一种新的小型球形包装系统，用于沥青混凝土的损坏监测。Ong等人[28]开发了一种嵌入式无线MEMS传感器，用于实时监测土木工程材料中的含水量。Lian[29]开发了Pi传感器平台，用于测量X，Y和Z方向的局部压力，应变，湿度，温度和加速度。通常，许多MEMS传感器已经被设计用于应力、应变和位移监测，并且仍处于实验阶段。需要考虑施工过程中高温、潮湿和腐蚀性环境的短期影响2.3.2. 无线传感器网络无线传感器网络（WSNs）已广泛应用于各种领域，包括数据聚合、信号分析、事件定位、时间同步、离散监控和成本控制等[30]，如图2所示。无线传感器网络可以方便地用于路面监测。Bennett等人[31]使用应变和温度传感器评估了沥青路面的性能。使用射频（RF）通信将测量数据发送到距离监测点约4 m的笔记本电脑。Xue等人[9，10]在路段中安装了水平和垂直应变仪、称重传感器、热电偶和湿度传感器。所有嵌入式传感器都通过电缆连接到路边的V-Link无线节点。Haoui等人[32]使用Sensys Networks VDS240车辆检测系统来监控单个车辆长度、车辆速度和交通流量。Pei等人。[33]使用Mica2 Motes WSN来监测图二、基于无线传感器的交通监控系统LoRa：远程; VPN：虚拟专用网络。Y. 侯角，澳-地Li，C.Zhang等人工程7（2021）845848D路面的温度和湿度，以反映交通安全状况。如上所示，使用无线传感器网络进行路面监测有许多优点。然而，恶劣的道路服务环境给无线传感器网络的应用带来了诸多挑战，包括噪声环境下的无线通信、数据传输和处理困难、软硬件开发以及能源供应等。2.4. 总结通过对路面在车辆荷载作用下的动态响应进行监测和分析，可以获得路面结构状况和交通信息。路面结构状态包括应力、应变、位移、弯沉、振动等，对路面的早期预警和及时维修至关重要。交通信息包括车辆的数量、重量、速度和类型，这些信息对于提高驾驶效率和优化道路网络管理具有重要意义。传统的介入式传感系统包括应力应变传感器、光纤传感器和压电传感器。这些传感器需要配备适配器和数据采集设备，这导致高能耗，低集成度和高成本。为了克服传统的侵入式路面监测的缺点，物联网系统已被应用到路面监测使用MEMS和无线传感器网络技术。综上所述，考虑到目前研究的进展和局限性，未来需要进行(1) 路面结构在其使用寿命期间会受到反复的车辆荷载和恶劣的环境因素的影响为了实现长期稳定的监测，需要提高侵入式传感器的性能，优化传感器的封装，以满足低功耗，低成本，高精度，高集成度，抗压和防水的要求。(2) 在实际路面监测中，车辆类型、速度和轮载分布变化很大。温度和湿度也经常变化。随着道路使用年限的增加，路面结构的健康状况和路面平整度不断恶化。应开发有效的数据处理算法和精确的模型，以消除上述因素造成的所有负面影响。(3) 路面中插入式传感器的能耗使用常规电源的监测是高的。实现常见的路面损坏。典型的路面裂缝类型包括[34]：纵向裂缝，横向裂缝，对角裂缝，鳄鱼裂缝和块或地图裂缝。与传统的人工检测相比，图像处理技术可以提供更快、更准确的检测结果。随着摄像机功能的日益强大，可以获得高分辨率的路面图像，因此图像处理技术可以广泛应用于路面病害的分析和识别。图3为Zakeri等人[35]总结的路面裂缝检测的图像处理方法的典型步骤：①使用摄像头采集裂缝图像;②通过去除噪声对图像进行预处理;③增强去噪图像的对比度;③对增强后的图像进行分割以充分提取裂缝信息;③进行图像后处理;对图像进行裂缝识别。3.1. 图像预处理通常，路面图像由在整个道路网络上循环的路面检测车辆拍摄。在实际的路面图像中，除了路面破损外，还可以发现脏点、水、路面纹理和阴影，这些都会导致噪声。不同的照明和外部条件可能会影响照片中发现的路面裂缝的质量。因此，在图像预处理阶段，广泛采用图像滤波方法来去除图像中的噪声，同时保留目标区域的有用特征。图像滤波方法[36，37]可分为空间域滤波方法和频域滤波方法。空域滤波方法具有批量处理图像的优点。在空间域滤波之前，许多研究人员将原始图像转换为灰度[38]。主要的空域滤波方法有均值滤波法、中值滤波法和形态学滤波法。3.1.1. 均值滤波法在Wang[39]和Li[40]的基础上，发现均值滤波法对高斯噪声有较好的平滑效果由于其简单的加工步骤，它是快速的然而，它在平滑噪声的同时模糊了目标区域，导致一些边缘信息的丢失[39]。均值滤波的表达式如等式所示。（1）[41]：大规模监测、长期稳定通信和低成本能源供应，应建立新的系统架构，g/cmx;y/cm2mX;n=2Sxy fm;n用于未来的路面侵入式传感系统。(4) 与传统的2.5G/通用分组无线业务（GPRS）/3G通信技术相比，基于最新的5G通信技术可以显著发展实时路面监测然而，5G通信仪器可能需要高功率电源。(5)目前安装侵入式传感器需要破坏和重建路面结构。未来，预制技术和3D打印技术可以用于路面结构施工或维护过程中的侵入式传感器的设计、制造和安装，3. 路面监测路面损坏发生在路面使用寿命期间。快速、准确地监测和检测路面破损对公共交通安全至关重要。快克是世界上其中g<$x;y<$是输出图像，f<$m;n<$是输入图像，D是滤波器覆盖的像素数，Sxy是要处理的像素的邻域，m×n是图像大小。3.1.2. 中值滤波方法与线性平均滤波器相比，中值滤波是一种统计非线性滤波器[41]。由于裂纹的灰度值图三. 路面裂缝检测的典型图像处理步骤。Y. 侯角，澳-地Li，C.Zhang等人工程7（2021）845849>：B-a×ð Þ ðÞð Þ ¼ððÞÞMNð Þð Þð Þ ðÞ与邻域相比一般较低，该方法可以很容易地识别出裂缝。同时，模板窗口越大，其降噪性能越强.Ma等人[42]用一个多方向的窗口，获取灰度图像的中值，不仅gx;y x;cfm;na0Kxx≤ 0其中k是一个很小的数。ð16Þ最小J=w;ek=1wTw=C1Xe2ð11Þ除了上面的前向传播过程，ANN最重要的部分是后向传播过程。P2 2Kk¼1输出的预测值和真实值之间的差由损失函数表示。反向传播s：t：yk.wTUxkb≥1-ek 12其中JP是w和ek的函数，yk2 f-1; 1g是数据标签，k1;：：;N，ek0是松弛变量;wRn和bR是超平面的法向量和相交，R是实数;U×k是非线性可分问题的映射函数[68]。许多研究将支持向量机用于路面使用性能预测和破损检测。Hoang等人[69]使用基于人工蜂群（ABC）优化算法的多类支持向量机学习模型对路面裂缝进行分类。在他们的研究中，非局部均值，微分滤波器，和其他技术也被用来分析裂纹特征，这显着提高了预测性能。Schlotjes等人[70]收集了大量的道路数据信息和专家失效图表，并使用SVM预测路面的结构失效概率。Pan等人。[71]使用四种不同的核函数来分类和预测坑洞，裂缝和路面Fujita等人[72]使用机器学习来检测沥青路面表面图像中的裂缝。是通过使用诸如梯度下降的优化算法来找到成本函数的最小值的过程[72]。一个广泛使用的交叉熵损失函数示于等式中。（17）[77]：见图6。ANN算法示意图。Y. 侯角，澳-地Li，C.Zhang等人工程7（2021）845852.Σ@wP.克c-2n样本2@w½l]n个采样L.y^i;yi-hyilog.y^i1-yig.1-y^ii17其中y^（i）是实际输出值，y（i）是期望输出值。标准的梯度下降算法和参数更新规则如等式所示（18）和（19）：全连接层相当于传统神经网络的隐层特征图传入全连接层后图7示出了设计用于对具有和不具有裂缝的路面进行分类的CNN结构。w0¼w-a@Jw;h@Jw;hð18Þ4.4. 机器学习相关理论4.4.1. 数据集w0¼w-a@b19数据集的选择会影响机器学习算法的性能。在监督学习中，数据集被划分为其中w0是更新后的权重;a是学习率，即每次迭代的梯度下降的步长路面工程师也广泛使用人工神经网络的损坏检测和性能评估。与Hoang等人[68，69]类似，Banharnsakun[78]使用ABC算法训练ANN对受损图像中的横向裂纹、纵向裂纹和凹坑进行分类，并将结果与SVM的结果表明，ABC-ANN的预测效果优于SVM-ABC。Elbagalati等人[79]提出了一种用于路面管理系统（PMS）辅助决策的ANN模式识别模型Pan等人[71]使用人工神经网络快速准确地判断路面裂缝和坑槽。但人工神经网络在图像识别领域存在计算量大的缺点。由于图像信息量大，神经元之间具有完全连通性，产生的参数数量呈指数增长，大大增加了神经网络的迭代时间网络.分为三个部分：训练集、开发集和测试集[80]。首先在训练集上应用训练算法，然后在开发集上确定最优模型，最后在测试集上对网络模型的性能进行评估。一般来说，更深、更宽的神经网络需要更大的数据集进行训练。因此，对于深度学习方法在路面监测中的应用，[84]在训练过程之前，需要收集大量数据4.4.2. 正则化如果神经网络方差过大，即出现数据过拟合，解决这个问题的方法主要有两种：一是增加数据量，二是使用正则化方法。一般来说，更简单的神经网络结构需要更少的复杂特征来学习。常用的正则化方法是L2正则化（权重衰减）[85]和dropout函数[86]。在L2正则化中，成本函数定义为[85]4.3.卷积神经网络Jw;bn个采样Lbyi;yikwk2ð20Þ已广泛用于路面监测和分析中的各种目的近年来，随着计算机技术的快速发展，深度学习方法被应用于路面病害监测与检测中。CNN是一种典型的深度神经网络，它使用卷积进行计算。与只能使用全连接的ANN相比，层，CNN在计算效率上具有天然优势。卷积核的参数共享和层间的局部连接使其能够以更少的计算成本完成复杂的特征学习任务[80]。对于同一层，权值的数量指数地低于ANN与ANN不同，CNN的隐藏层通常由各种不同的功能层组成，包括卷积层，池化层和全连接层等。卷积层的功能是卷积输入数据[77]。池化层的功能是选择和过滤从卷积层[77]中提取的信息，减少模型的大小，加快计算速度并提高提取特征的鲁棒性。超参数是filter size、stride和padding。通常使用最大池化和平均池化方法。最大池化包括将池化区域中的最大值作为新的特征输出，而平均池化使用输出池化区域中的平均值[77]。通常，对于深度CNN结构，设置池化层其中k是在验证集上调整以实现优化的正则化超参数。nsample是样本数。在反向传播过程中，权重w的更新规则改变为[85]w½l]<$w½l]-a@JK[w1/w2/w2]在Dropout函数方法[86]中，为每个隐藏层设置阈值p（0，1），保留每个神经元的概率。通过这种方式，每层中的一些神经元被删除，从而产生节点较少、规模较小的神经网络。在路面破损检测中，这两种正则化方法都可以使用。Fei等人。[87]在沥青路面裂缝的像素级分类中使用CrackNet-V，该分类采用L2正则化来防止过度拟合。Cha等人。[88]在混凝土路面检测中使用dropout函数来正则化他们的模型。4.4.3. 正常化为了避免输入数据的特征存在过大的差异批量归一化（BN）是深度网络中间层输出的归一化[89]，通常用于归一化隐藏层的线性输出，而不是激活函数的输出值[89]：在多个连续卷积层之后在整个网络的端部设置全连接层。例如，Gopalakrishnan使用的VGGnet[81]Z~兹吉 尔pr2b22等人[82]，作为一个迁移学习的例子来识别路面裂缝。然而，张等人提出的CrackNet[83]没有使用池化层来实现像素级裂缝识别。其中e是一个非常小的正数，防止r等于0. c确定Z~的分布方差，b确定特征分布的均值BN不仅应用于输入层，还应用于深隐藏层[90]。有两传统的机器学习方法，包括SVM和ANN，n个采样1/11Y. 侯角，澳-地Li，C.Zhang等人工程7（2021）845853×见图7。一种用于路面裂缝图像识别的CNN结构。64× 64× 3表示特征图的高度、宽度和通道; size、stride和valid是内核的超参数; conv：卷积; FC：全连接层。采用批量归一化的主要原因，一是为了加速网络的训练过程，二是为了在训练过程中加入噪声。目前，许多使用CNN模型的路面破损检测方法都是使用BN建立的。4.4.4. 优化器在网络的反向传播过程中，选择最合适的优化器是一个挑战。最常用的方法之一是小批量梯度下降[91]。在每次迭代中，网络在训练集的随机子集上学习。小批量大小是网络的一个超参数，值越大，网络运行所需的计算量就越大。当大小等于当训练集的大小等于1时，称为批量梯度下降（BGD）;当大小等于1时，称为随机梯度下降（SGD）。此外，还有一些其他优化器也可以加速网络的训练过程，例如Zhang等人[83]和Fei等人[87]使用的Momentum算法[92]，以及Kingma等人[93]提出并由Dorafshan等人[94]和Krizhevsky等人[95].4.5. 深度学习方法在路面破损检测与状态评估中本节总结了以前使用机器学习方法，特别是深度学习方法进行路面破损检测和状况评估的研究。4.5.1. 分类任务路面破损检测中最重要的分类任务之一是区分有裂缝区域的路面图像和无裂缝区域的路面图像，以及区分同一幅路面图像中有裂缝区域和无裂缝区域。传统的二维路面破损图像识别和检测方法大多基于图像处理技术，如Sobel算法[96]和Canny算法[97]。然而，其中许多只能达到半自动检测的水平CNN的引入可以帮助自动解决这个问题。有研究者将CNN用于目标分类，即输入图像后，CNN可以自动判断其是否属于预定类别。例如，CNN可以判断输入的路面图像是否包含裂缝。 Cha等人。[88]提出了一种CNN模型，可以自动识别受曝光和阴影变化影响的水泥路面损坏图像中的裂缝。Hoang等人[68，69]提出了CNN裂缝检测模型（CDM），该模型使用分类器结合滑动窗口方法来识别大尺寸沥青路面裂缝图像结合主成分分析（PCA），Wang和Hu[98]训练了一个CNN模型，该模型采用不同输入尺寸的图像来识别路面破损图像中的横向裂缝、横向裂缝和鳄鱼裂缝Zhang等人[83]提出了一种用于像素级裂缝识别的CNN模型CrackNet与SegNet下采样和上采样的方法不同，CrackNet的特点是它没有池化层，以保证图像的三维尺寸在层间传输中保持不变。Zhang等人。[99]然后将模型改进为第二代CrackNet II，该模型删除了特征生成器，并使用11卷积层优化了结构。Fei等人[87]提出了一种名为CrackNet-V的新CNN模型，继承了CrackNet没