技术难题的应用领域：

随着社会经济的飞速发展，道路作为人们生活重要设施之一开展了大规模的建设，同时其保养问题也随之而来。全国多发的道路安全事故，据调查结果显示大多都是由道路裂缝所引发，道路裂缝的检测和维修越来越受到人们的重视。为了保障道路质量问题，必须采用快速、高效、无损的道路裂缝检测方法。国内外路面检测系统的图像处理子系统几乎都采用传统的图像识别算法，即使用人工提取特征的方式来进行图像识别。目前较少有采用深度学习来自动提取特征，快速处理图像信息的裂缝检测系统；不同于传统的裂缝检测方法，基于深度学习的检测方法不需要人工干预，能自主学习有代表性的特征，直接对输入图像的裂缝进行检测。不容易受外界因素影响，同时能够充分利用计算机的运算能力，拥有更快的检测速度。

目前所处水平等级：

算法及模型设计阶段。

技术需突破难点：

影像是数据训练及测试验证的基础，为保证深度学习的识别精度，应保证裂缝影像与非裂缝影像数据集充足。深度学习模型设计与改进需要对Python语言有良好的掌握，并且对各模型的原理及效果也要有充分的认识及应用思考。

需请专家支持或解决的问题：

1、无人机倾斜摄影测量系统全程指导。2、Python及人工智能领域的专家支持。3、深度学习模型的优化改进问题。4、改进模型的识别准确性问题。

需要解决关键技术难题：

1、模型改进应用性创新性问题；2、道路裂缝识别需满足国家行业标准；3、设站改进模型的准确率需要提升；4、改进模型的产能转化与市场应用率。

技术参数与相关指标描述：

1、飞行器选用大疆M30T；2、使用python里labelImg工具来标记图像中的裂缝信息；3、图像数据随机分为训练集以及测试集；4、将图像进行水平或竖直翻转、随机裁剪、添加噪声、亮度等方式对数据进行加强处理，扩充裂缝数据集，将裂缝数据集进行扩充，提升模型的泛化能力；5、通过对YOLOv5模型主干网络加入注意力机制，增强模型的特征提取能力，以实现对道路裂缝的自动识别，且在识别精度上也取得良好的效果。