改革開放40年來，我國高速公路得到飛速發展，截至2016年底，我國公路通車總里程數達到469.63萬公里，其中高速公路通車總里程數為13.6萬公里。隨著使用年限的增加，這些道路的養護將變得越來越重要。公路路面病害種類繁多，包括龜裂、塊裂、縱裂、橫裂、坑槽、松散、沉陷、修補不良等十余種，對于公路養護來說，公路病害的準確分類以及嚴重程度的準確判斷，直接影響路面質量的綜合判斷及養護任務的下達和執行。

公路路面的自然形態千差萬別，拍攝成像時又受到天氣和氣候的影響，同一種病害在不同公路路面圖像中的顏色、紋理、對比度、走勢等的差別很大。采用傳統的機器學習方法，無法有效構造出所有病害特征的特征描述子，無法實現自動檢測。因此，雖然幾年前已經實現了公路路面圖像的自動化采集，但是路面病害的檢測，依然主要依靠人工對路面圖像進行逐幅查看。

采用人工智能深度學習技術，可以自動學習并構造公路路面病害的缺陷特征，并實現對公路路面病害種類的自動識別以及嚴重程度的自動判斷，改變了公路路面檢測勞動密集型的歷史，可大大降低路面病害圖片分析的人力成本，以廣東省部分路段為例，按每車道每公里路面病害檢測費用1800元計算，每年兩次對路面破損進檢測，3年節省的總費用超過了3千萬元，相當于創造了3千多萬的經濟效益，如果項目成果推廣到全省乃至全國，經濟效益將更可觀。同時，該成果克服了人工檢測標準不統一的問題，有效保障了路面養護的規范性和一致性。

創新點：

1. 設計一種基于語義分析的深度學習網絡，提取公路路面病害高層語義信息，有效克服了路面病害局部特征不明顯的問題；

2. 設計一種自編碼解碼網絡，將病害特征圖重構成可以描述公路病害實例區域的圖像掩模，實現了公路病害圖像的像素級檢測；

3. 設計一種條件生成對抗網絡（cGAN）來生成更多的訓練數據，為公路病害的分割和分類網絡提供數據保障。