作为辅助驾驶系统的重要组成部分,道路坑洼检测技术能够为辅助驾驶提供高效、实用的辅助方法。道路中坑洼多样,呈现光照不均、形状不一、遮挡等特点。传统的算法在检测道路坑洼上有一定的局限性,需要人为设计坑洼的特征,其算法繁琐、复杂,同时算法的鲁棒性不高,不能准确地对坑洼进行相应的检测。近年来,随着计算机视觉的不断发展,深度学习在其上的应用已经超越了传统的图像方法。面对复杂多变的道路坑洼,深度学习能够自动地提取图像的特征,克服了传统方法的缺陷。因此,针对上述描述坑洼检测的相关问题,其主要研究如下:(1)本文提出了基于卷积神经网络的目标检测方法对道路坑洼进行检测。对于本文的研究,通过人工采集与互联网收集坑洼的多种情形数据,以及采用图像旋转、加椒盐噪声、裁剪的数据增广方式来丰富坑洼图像数据。分别构建了用于坑洼分类的A数据集、B数据集,以及坑洼检测用的C数据集,并对其作相应的标签。(2)本文提出基于卷积神经网络的分类方法对道路的坑洼场景进行分类,在两种基础的分类网络之上,用A数据集的道路坑洼训练,得到最佳分类网络Inception_v1;并结合道路坑洼的多场景分类应用对分类网络进行相应的改进得到Inception_v1.1网络,将数据集B用于改进网络Inception_v1.1的训练,最后将坑洼的场景分为了无坑洼,强光下的坑洼,与弱光下的坑洼中的某一类。其训练出来的分类模型的准确率能够达到91%。(3)为了进一步检测出坑洼,在道路坑洼场景分类基础之上,将改进的多场景的道路坑洼分类算法Inception_v1.1与Faster RCNN融合,即IFNet,经过在C数据集上训练,IFNet在强光下检测坑洼的平均准确率能够达到75.6%,在弱光下检测坑洼的平均准确率为88.1%。因此该模型不仅能够准确、快速地识别出道路的坑洼,同时还能够检测出坑洼得到具体的位置信息。