利用智能手機采集路面圖像數(shù)據(jù)，進而對農村公路路面破損完成監(jiān)測，整個過程可被分為路面破損檢測和路面損壞狀況指數(shù)PCI兩個部分，因此本文的研究現(xiàn)狀主要對路面破損檢測和路面損壞狀況指數(shù)做了歸納總結。路面破損檢測方法從上個世紀80年代開始就受到了世界的廣泛關注，許多專家和學者對如何快速準確地檢測路面破損進行了大量研究。在傳統(tǒng)的路面破損檢測方法中，主要是利用破損的形狀、顏色、紋理、邊緣等特征和機器學習的方法對路面破損完成檢測。近年來，隨著深度學習技術的不斷發(fā)展，尤其是卷積神經(jīng)網(wǎng)絡(以下簡稱CNN)在大規(guī)模公共數(shù)據(jù)集上表現(xiàn)出了較高的檢測精度，許多學者開始利用深度學習技術完成路面破損檢測。(1)傳統(tǒng)圖像處理方法在路面破損中，裂縫是一種最為常見的破損形式，同時也是其他多種路面破等提出了一種基于FoSA-F*種子生長的裂紋線自動檢測方法，對F*算法進行了兩個方面的擴展。它利用一種種子生長策略來消除應該預先設置起點和終點的要求。將全局搜索空間縮小到感興趣的局部空間，提高了搜索效率。實證研究證明了FoSA-F*的正確性、完整性和有效性。Mancini16等人測試了不同特征提取方法對路面裂縫定位的效果，為路面病害監(jiān)測建立空間數(shù)據(jù)庫。通過在移動地圖系統(tǒng)(MMS)中裝配的線掃描攝像機獲取了幾幅圖像，該系統(tǒng)允許GPS-INS系統(tǒng)直接跟蹤圖像的位置。接著，利用基于不同方法的幾種算法(邊緣檢測和模糊集理論)對數(shù)字圖像進行自動處理。Premachandra[17提出了一種基于圖像分析的非光滑路面路面裂縫自動檢測方法。在新方案中，首先通過分析路面的顏色方差，提取包含裂縫的路面區(qū)域作為裂縫圖像。然后通過引入判別分析方法對這些區(qū)域進行裂紋提取。根據(jù)不同路面圖像的實驗結果表明，該方法比傳統(tǒng)方法具有更好的性能。CrackTree181利用了一種基于顏色模型的陰影消除方法去除陰影部分并增強了裂縫對比度，再結合鄰近性、連續(xù)性等線索，通過張亮投票的方式生成一個裂縫概率圖和最小生成樹，最后得到裂縫曲線。Nayyeri[191等人提出了一種利用價路徑搜索的方法來識別路面裂縫。在坑槽檢測方法中，常見的有基于閾值分割、輪廓檢測以及頻域分析等手段，通過人為定義坑槽的特征來檢測坑槽。檀柏紅等人[221采用區(qū)域生長邊緣跟蹤的方法檢測坑槽，并通過標盤確定出了坑槽的實際面積大小。王朋輝等人[23通過邊緣檢測算法和SVM訓練的方法分割坑槽邊緣，達到了較高的識別準確率。MoghadasNejad等人27開發(fā)了一種路面病害自動檢測系統(tǒng)，對比小波、脊波和割方法，將多類破損檢測看作是超像素分割任務，使用支持向量機SVM對超像全卷積神經(jīng)網(wǎng)絡FCN來檢測混凝土路面的裂縫，結果表明該方法能夠很好地識Zhang等人34提出了一種裂縫識別模型CrackNet,能夠實現(xiàn)像素級別的分割。許多學者也提出了基于深度學習的坑槽檢測方法。滑動窗□方法35通過在個圖像塊是否存在坑槽。有學者將坑槽檢測看作是一種目標檢測任務[36,直接將整張圖像作為輸入，利用YOLO目標檢測網(wǎng)絡輸出檢測框的位置，可以實現(xiàn)的方法就是把原始輸入圖像分割成多個等尺度的圖像塊38,再輸入到卷積神經(jīng)要求。HiroyaMaeda39等人首先利用智能手機在日本7個市的低等級農村公路上采集了近17萬張的路面圖片，其中約9000張圖片包含路面破損，破損根據(jù)日本當?shù)貥藴时环譃?類，建立了相應的數(shù)據(jù)集，再利用深度學習模型SSD對路面破損進行識別與分類，取得了較高的檢測精度。A.A.Angulo團隊[401采用了RetinaNet?1深度學習模型對HiroyaMaed1.2路面損壞狀況指數(shù)研究現(xiàn)狀路面技術狀況評定宜應采用路面技術狀況指數(shù)PQI和相應的各個分項指標表示，包括路面損壞狀況指數(shù)PCI、路面行駛狀況指數(shù)RQI、路面車轍深度指數(shù)RDI、路面跳車指數(shù)PBI、路面磨耗指數(shù)PWI、路面抗滑性能指數(shù)SRI以及路面結構強度指數(shù)PSSI。其中，路面損壞用路面損壞狀況指數(shù)PCI評價，PCI值在0~100之間，值越大，說明破損程度越輕，國內外許多學者對此指標展開研究。種路面狀況評估方法PCR作為埃及道路和運輸管理局路面管理系統(tǒng)的主要組成等人[41利用美國聯(lián)邦航空管理局(FAA)的PAVEAIR數(shù)據(jù)庫，對路面狀況指數(shù)進行研究。MariuszWesotowski等人[5基于目前最主流的PCI指標評估方法，損進行了有效評估，評估結果有效指導了當?shù)仞B(yǎng)護工作的進行。Mohammed參考文獻[1]楊素霞.高速公路路面質量檢測技術應用與分析[J].福建交通科技，2019(6):[2]張曉卓.公路工程路面質量通病的成因及施工加固技術[J].福建交通科技，2020(7):56-57.[3]劉樓軍.高速公路路面病害成因及養(yǎng)護措施[J].四川建材，2020(11):159-160.[4]霍立軍.公路路基路面質量通病與控制對策[J].交通世界，2017(24):38-39.[6]JTGH10-2009,《公路養(yǎng)護技術規(guī)范》[S].[7]張德津，李清泉.公路路面快速檢測技術發(fā)展綜述[J].測繪地理信息，2015(1).[8]魏海斌，武少威，張啟帆，等.基于圖像處理的瀝青路面裂縫識別算法研究[9]王世芳，車艷麗，李楠，等.一種基于多尺度脊邊緣的瀝青路面裂縫檢測方法[12]GunjanChugh,DivyaBansSmartphoneSensors:ASurvey[C].InElectricalEngineering,2014(6):595-602.[14]倪彤元，周若虛，楊楊等.基于智能手機APP的圖像法檢測混凝土表面裂縫研究[J].公路工程，2021(2):163-170.[15]Li,Q.,Zou,Q.,Zhang,D.,&Mao,Q.FoSA:F*seedgrowingapproachforcrack-linedetectionfrompavementimages.ImageandVisionCo29:861-872.[16]Mancini,A.,Malinverni,E.S.,Frontoni,E.,&Zingaretti,P.RoadpavementcrackautomaticdetectionbyMMSimages.In201321stMediterraneanConfControlandAutomation,MED2013-Confe[17]Premachandra,C.,Premachandra,H