改革开放40年来，我国高速公路得到飞速发展，截至2016年底，我国公路通车总里程数达到469.63万公里，其中高速公路通车总里程数为13.6万公里。随着使用年限的增加，这些道路的养护将变得越来越重要。公路路面病害种类繁多，包括龟裂、块裂、纵裂、横裂、坑槽、松散、沉陷、修补不良等十余种，对于公路养护来说，公路病害的准确分类以及严重程度的准确判断，直接影响路面质量的综合判断及养护任务的下达和执行。
公路路面的自然形态千差万别，拍摄成像时又受到天气和气候的影响，同一种病害在不同公路路面图像中的颜色、纹理、对比度、走势等的差别很大。采用传统的机器学习方法，无法有效构造出所有病害特征的特征描述子，无法实现自动检测。因此，虽然几年前已经实现了公路路面图像的自动化采集，但是路面病害的检测，依然主要依靠人工对路面图像进行逐幅查看。
采用人工智能深度学习技术，可以自动学习并构造公路路面病害的缺陷特征，并实现对公路路面病害种类的自动识别以及严重程度的自动判断，改变了公路路面检测劳动密集型的历史，可大大降低路面病害图片分析的人力成本，以广东省部分路段为例，按每车道每公里路面病害检测费用1800元计算，每年两次对路面破损进检测，3年节省的总费用超过了3千万元，相当于创造了3千多万的经济效益，如果项目成果推广到全省乃至全国，经济效益将更可观。同时，该成果克服了人工检测标准不统一的问题，有效保障了路面养护的规范性和一致性。
创新点：
-
设计一种基于语义分析的深度学习网络，提取公路路面病害高层语义信息，有效克服了路面病害局部特征不明显的问题；
-
设计一种自编码解码网络，将病害特征图重构成可以描述公路病害实例区域的图像掩模，实现了公路病害图像的像素级检测；
-
设计一种条件生成对抗网络（cGAN）来生成更多的训练数据，为公路病害的分割和分类网络提供数据保障。
