本文是一篇发表于《multimedia tools and applications》期刊的学术综述文章，由来自印度国家理工学院帕特纳分校土木工程系的vindhyesh pandey和shambhu sharan mishra撰写。文章题为《a review of image-based deep learning methods for crack detection》（基于图像的深度学习裂缝检测方法综述），发表于2025年3月12日。该文章旨在全面审视并梳理近年来利用机器学习与深度学习技术进行结构裂缝检测，特别是基于图像检测方法的研究进展、核心算法、应用现状、挑战及未来方向。
文章首先确立了裂缝检测对于确保建筑、桥梁、机械等结构完整性与安全性的至关重要性。传统的人工检测方法耗时、费力且易出错，因此，开发自动化、高精度的检测系统成为迫切需求。随着机器学习与深度学习技术的飞速发展，特别是卷积神经网络等模型在计算机视觉领域的卓越表现，基于图像的自动化裂缝检测已成为一个快速成长的研究热点。本综述旨在为研究人员提供一个关于该领域的全景式概览，涵盖从传统方法到前沿深度学习模型的演进，重点关注图像分类、目标检测和语义分割三大任务，并对各类方法、数据集、评估指标和挑战进行系统性归纳与比较。
文章的论述核心围绕着机器学习与深度学习在裂缝检测中的应用框架展开。首先，作者明确了裂缝检测技术通常包含三个关键部分：数据采集、裂缝检测（自动化识别）和裂缝诊断（评估损伤程度）。其中，基于图像的检测流程主要包括图像采集、预处理、特征提取、模型训练与预测等步骤。文章强调，检测系统的有效性高度依赖于图像质量、光照条件、裂缝模式的复杂性以及用于训练模型的标注数据量。
在理论基础部分，文章清晰区分了机器学习与深度学习。机器学习作为人工智能的子领域，允许计算机从经验中学习，其算法（如支持向量机、随机森林）通过统计技术识别数据模式。文章指出，传统ML方法在处理图像这类高度非结构化数据时，通常需要预先定义的特征提取步骤，这在处理复杂背景和噪声时可能限制模型性能。而深度学习作为ML的一个分支，特别是多层神经网络，能够自动从原始数据中学习层次化特征，无需显式的特征工程，因此在图像识别等任务上展现出巨大优势。DL的模型，如卷积神经网络、U-Net、YOLO系列等，已成为裂缝检测领域的主流工具。
文章的核心贡献之一是对裂缝检测任务进行了明确的三分法归类，这也是贯穿全文的逻辑主线：图像分类、目标识别和语义分割。图像分类任务旨在为整张图像分配一个标签（如“有裂缝”或“无裂缝”），其输出是类别判断。目标识别（或称目标检测）则需在图像中定位并分类一个或多个裂缝目标，通常以边界框的形式标示其位置。语义分割是更为精细的任务，它需要对图像进行像素级的分类，为图像中的每个像素分配一个类别标签（如“裂缝像素”或“背景像素”），从而精确勾勒出裂缝的形状与走向。作者通过图表对比指出，近年来，语义分割相关的研究论文数量显著增长，已成为该领域发展最快、关注度最高的方向，因为其能提供最丰富的裂缝形态信息，为后续的定量评估（如宽度、长度测量）奠定基础。
为了支撑上述框架，文章对大量文献（约50篇技术与综述论文）进行了细致的回顾与比较。在机器学习方法部分，文章回顾了支持向量机和人工神经网络等传统方法在早期裂缝检测中的应用，并指出了其在处理复杂图像模式时的局限性，这自然引向了深度学习方法为何成为必然趋势。在深度学习方法部分，综述按三大任务（分类、检测、分割）组织了文献回顾，并提供了丰富的比较表格，汇总了不同研究采用的方法、模型架构、数据集和达到的性能指标。
在图像分类方面，文章列举了从整图分类到基于图像块分类的多种研究。例如，有研究使用VGG-16模型结合迁移学习，在多个数据集上取得了超过99%的准确率。也有研究开发了手机应用程序，集成了训练好的CNN模型，便于现场快速裂缝筛查。然而，文章也指出分类方法的局限性在于无法提供裂缝的精确位置和几何信息。
在目标检测方面，文章重点介绍了以YOLO系列和Faster R-CNN为代表的单阶段与两阶段检测器。YOLO模型因其“只看一次”的高效推理速度而备受青睐，文章详细梳理了从YOLOv1到YOLOv8各版本的演进与关键改进。研究案例显示，基于改进YOLO或Faster R-CNN的模型能够在复杂背景下有效定位裂缝，并达到较高的平均精度。这些方法通过边界框提供了裂缝的粗略位置。
在语义分割方面，文章投入了最多篇幅，反映出该任务在当前研究中的核心地位。作者系统回顾了基于全卷积网络、U-Net架构和编码器-解码器结构的各种分割模型。例如，FCN模型通过将传统CNN的全连接层替换为卷积层，实现了任意尺寸图像的像素级预测。U-Net以其对称的编码器-解码器结构和跳跃连接著称，能有效融合低级细节特征与高级语义特征，在医学图像分割成功后，被广泛迁移至裂缝检测领域，并在小数据集上表现出色。文章列举了众多改进模型，如DeepCrack、CrackU-Net、DenseP等，这些模型通过引入注意力机制、扩张卷积、多尺度特征融合等技术，不断提升对细长裂缝、复杂背景及噪声的鲁棒性。性能对比数据显示，一些先进的模型在公开数据集上可以达到99%以上的像素级准确率或较高的交并比分数。
除了算法回顾，文章还系统梳理了支撑该领域研究的关键要素。一是公开数据集，文章列举了多个常用的裂缝图像数据集，如Yang等人、Zhang等人、Crack500等收集的数据，并指出高质量、大规模、精细标注的像素级数据集仍是稀缺资源，制约着模型的训练与公平比较。二是评估指标，文章详细解释了在裂缝检测中常用的性能度量，包括准确率、精确率、召回率、F1分数，以及针对分割任务的交并比和平均交并比。作者强调，针对类别高度不平衡（裂缝像素远少于背景像素）的数据，需要选择合适的损失函数（如Dice Loss、Focal Loss）和评估指标。三是挑战与局限性，文章坦诚地列出了当前技术面临的主要问题，包括：数据集的稀缺性与标注成本高；图像采集受光照、阴影、反射等条件影响大；模型可能对训练数据过拟合或欠拟合；类别不平衡问题；以及缺乏统一的评估基准导致不同研究间难以直接比较。
在结论部分，文章总结了若干重要发现。首先，在三种计算机视觉任务中，基于监督学习的语义分割方法被认为是当前最有效、研究最活跃的裂缝检测技术。其次，模型的主干网络深度至关重要，较深的网络（如ResNet作为FCN的主干）通常能提取更复杂的特征，获得更好的性能。具体而言，FCN模型配合ResNet主干网络，以及U-Net架构，在多种对比中表现优异。此外，迁移学习、注意力机制、数据增强等策略被广泛证明能有效提升模型性能。文章最后展望了未来研究方向，包括：探索利用无标签或弱标签数据的半监督/自监督学习方法；进一步提升模型在移动设备上的实时推理速度与精度；开发能同时精确量化裂缝宽度、深度等几何参数的集成系统；以及将新兴的Vision Transformer等架构应用于裂缝检测任务。
本综述的价值在于其系统性、全面性和时效性。它不仅为刚进入该领域的研究者提供了一份清晰的技术路线图和学习指南，清晰地阐明了从传统图像处理到现代深度学习的演进脉络，以及分类、检测、分割三大任务的技术差异与应用场景。同时，通过对大量最新研究成果的归纳、对比与批判性分析，也为资深研究者揭示了当前的技术前沿、性能瓶颈和未来可能突破的方向。文中提供的详细算法对比表格、公开数据集列表、评估指标解释和面临的挑战分析，具有很高的实用参考价值。因此，这篇综述是计算机视觉与土木工程健康监测交叉领域研究人员不可或缺的重要参考文献。