本文旨在系统性地综述深度学习技术在土木工程结构表面裂缝检测领域的最新研究进展、应用及挑战，是一篇典型的学术综述论文。本文由武汉大学土木建筑工程学院的Haiyan Zhuang、Yikai Cheng、Man Zhou（通讯作者）和Zhenjun Yang（通讯作者），以及京都大学（日本）生存圈研究所的Haiyan Zhuang共同完成，发表于2025年2月的期刊《Measurement》第248卷。文章的核心议题是探讨如何利用深度学习技术革新传统的、依赖于人工的土木工程结构裂缝检测方法，以实现更高效、准确和自动化的结构健康监测。
首先，文章开篇明确了研究背景与意义。土木工程结构（如道路、桥梁、隧道）的安全性至关重要，而表面裂缝是结构完整性恶化的早期关键指标。传统的裂缝检测方法主要依赖于人工目视检查，存在劳动强度大、主观性强、耗时且在高空或危险环境下风险高等诸多局限。随着计算机视觉技术的发展，基于图像的处理方法提供了替代方案，其中深度学习凭借其强大的特征自动学习和层次化表征能力，已成为克服传统方法不足的“高效解决方案”。本文的综述旨在全面评估当代深度学习技术在土木结构表面裂缝检测中的应用，分析其优势与面临的挑战，并为该领域的未来研究指明方向。
其次，文章系统地梳理了深度学习用于裂缝检测的基础支撑要素，即公开数据集与评估指标。作者详细列举了包括CrackForest Dataset (CFD)、Crack500、CrackLS315、SDNET2018、Road Damage Dataset (RDD)等在内的十余个广泛使用的裂缝图像数据集，并总结了其发布年份、图像数量、尺寸、主要任务、采集设备及特点。高质量的标注数据集是训练和验证深度学习模型的基础，其多样性、准确性和平衡性直接影响模型的泛化能力。在评估指标方面，文章从分类准确度（Classification Accuracy， CA）、定位准确度（Localization Accuracy， LA）和运行速度（Runtime Speed， RS）三个维度，系统地介绍了精度（Precision）、召回率（Recall）、F1分数（F1-Score）、平均精度（Average Precision， AP）、像素精度（Pixel Accuracy， PA）、交并比（Intersection over Union， IoU）、平均交并比（Mean IoU， mIoU）以及每秒帧率（Frames Per Second， FPS）等核心指标及其计算公式。这部分内容为客观比较不同算法的性能奠定了标准化基础，作者特别指出，缺乏统一的评估基准是当前研究中的一个挑战，它阻碍了算法间的公平比较和系统性发展。
接着，文章的核心部分深入剖析了基于深度学习的裂缝检测算法，并将其归纳为三大核心任务：裂缝分类（Crack Classification）、裂缝识别/检测（Crack Recognition/Detection）和裂缝分割（Crack Segmentation）。在裂缝分类任务中，文章阐述了从简单的二分类（判断图像中是否存在裂缝）到多分类（识别横向、纵向、龟裂等具体裂缝类型）的演进。重点介绍了深度神经网络（Deep Neural Networks， DNNs），特别是卷积神经网络（Convolutional Neural Networks， CNNs）中的经典架构（如AlexNet、VGGNet、GoogLeNet、ResNet、DenseNet）在此类任务中的应用，强调了网络深度与感受野对于捕获复杂特征的重要性。
在裂缝识别任务中，文章围绕实现裂缝的精准定位展开。详细梳理了目标检测（Object Detection）算法的两大技术路线：基于锚框（Anchor-based）的方法（如R-CNN系列、YOLO系列、SSD、RetinaNet）和免锚框（Anchor-free）的方法（如CornerNet、CenterNet）。文章分析了单阶段（One-stage）与双阶段（Two-stage）检测器在速度与精度上的权衡。此外，作者重点介绍了提升检测精度的关键技术：特征金字塔网络（Feature Pyramid Network， FPN）通过融合多尺度特征来提升对小裂缝的检测能力；残差网络（Residual Network， ResNet）通过跳跃连接（Skip Connection）解决了深层网络中的梯度消失问题；可变形卷积网络（Deformable Convolutional Networks， DCNs）通过自适应的采样点增强了模型对物体几何形变的适应能力。这些技术有效提升了模型在复杂背景下对形态各异裂缝的识别鲁棒性。
在裂缝分割任务中，文章探讨了需要像素级精确定位裂缝轮廓的任务。系统介绍了语义分割（Semantic Segmentation）的关键算法，包括：全卷积网络（Fully Convolutional Networks， FCNs），它首次实现了端到端的像素级预测；编解码器结构（Encoder-Decoder based），以U-Net为代表，通过跳跃连接融合浅层位置信息与深层语义信息，在生物医学和裂缝分割中广泛应用；基于空洞卷积（Dilated Convolution based）的DeepLab系列，通过扩大感受野捕获多尺度上下文信息；基于全局上下文（Global Context based）的PSPNet等，通过池化操作聚合全局场景信息。同时，也提及了实例分割（Instance Segmentation）模型如Mask R-CNN。
除了上述三大核心任务，文章还综述了其他提升裂缝检测性能的重要深度学习方法。这包括：注意力机制（Attention Mechanism），如卷积块注意力模块（Convolutional Block Attention Module， CBAM），通过通道注意力和空间注意力让模型聚焦于关键特征区域；Transformer架构，特别是视觉Transformer（Vision Transformer， ViT），利用自注意力（Self-Attention）机制建立图像块之间的长程依赖关系，以捕获更复杂的模式；迁移学习（Transfer Learning），利用在大规模数据集（如ImageNet）上预训练的模型，通过微调（Fine-tuning）快速适应数据量有限的土木工程裂缝检测任务，显著加速模型收敛并提升性能；生成对抗网络（Generative Adversarial Networks， GANs），用于图像增强、数据扩充以及通过对抗性训练提升分割精度；以及多模态/多源数据融合（Multimodal/Multisource Data Fusion），整合可见光、红外、激光雷达、超声波等不同传感器的数据，提供更全面的结构状态信息。文章还简要提及了深度强化学习（Deep Reinforcement Learning， DRL）作为一种动态决策框架在控制裂纹扩展预测中的潜在应用。
然后，文章详细阐述了这些深度学习技术在各类土木工程结构中的具体应用实践，展现了其广泛的适用性。在道路工程中，挑战在于大规模检测成本高、图像噪声（阴影、油渍）干扰严重以及细小裂缝难以识别。解决方案包括利用车载摄像头平台结合AI进行实时监测，以及开发更鲁棒的DNNs算法。文章还详细列出了沥青路面的七种裂缝类型（疲劳裂缝、块状裂缝、边缘裂缝、反射裂缝、轮迹带纵向裂缝、非轮迹带纵向裂缝、横向裂缝）。在桥梁工程中，裂缝对结构安全威胁极大，且桥梁结构复杂、检测可达性差。文章介绍了从传统的桥梁检测车，到先进的机器人（如FHWA的RABIT™机器人）和无人机（Unmanned Aerial Vehicles， UAVs）的技术演进。UAV结合深度学习，通过航拍图像采集、算法识别、结果可视化于检测地图的流程，实现了对桥梁底部、桥墩等危险或难以触及区域的高效、低成本检测。在隧道工程中，检测环境恶劣（灰尘大、湿度高、无自然光），且存在水渍、接缝等干扰。检测对象包括施工期的围岩裂缝和运营期的衬砌混凝土裂缝，早期发现对稳定性分析和预防衬砌剥落至关重要。在建筑工程中，墙体、梁柱的裂缝检测面临表面纹理复杂、环境因素干扰以及内部裂缝难以察觉的挑战。解决方案包括CNN与图像处理技术结合、集成3D成像技术（如LiDAR）以及利用UAV检测建筑外立面。在铁路工程中，钢轨在高负载和振动下易产生裂纹，检测挑战在于网络规模大、交通条件复杂以及公开数据集稀缺。现有方案包括列车车载相机连续监控、集成红外传感器与GPS的实时报警系统以及利用迁移学习应对数据不足问题。在水利工程中，大坝、水工隧洞等结构长期承受水压和温度应力，其表面及水下裂缝检测是难点。目前研究多集中于坝面裂缝，水下裂缝检测则通过遥控潜水器（Remotely Operated Vehicles， ROVs）搭载相机并结合语义分割网络进行探索，该领域仍有较大研究空间。
文章进一步通过“性能评估”章节，以表格形式汇总了近年来在不同结构类型和数据集上各类深度学习模型的性能指标（如mIoU、精度、召回率、F1分数）。这为研究者提供了直观的性能对比参考。作者特别指出，在应用最广泛的基准数据集Crack500上，DCUformer模型取得了最高的平均交并比（mIoU）0.821和F1分数0.894，这使其成为目前道路裂缝检测中最有效的分割模型之一。这一对比凸显了建立统一基准的重要性。
最后，文章深刻剖析了该领域当前面临的挑战并展望了未来研究方向。主要挑战包括：数据集稀缺与不均衡：除道路裂缝外，其他土木工程缺陷的公开、大规模、高质量标注数据集仍然匮乏，且现有数据存在严重的类别不平衡问题，限制了模型的泛化能力。裂缝损伤评估与扩展预测标准化不足：缺乏对裂缝长度、宽度、深度以及形态学特征（如密度、连通性）统一、标准的量化方法。将深度学习与数值分析（如有限元法）和深度强化学习结合，进行动态的裂缝扩展预测和结构性能评估是重要方向。硬件集成与实时应用挑战：为实现工程现场的实时监测，需要集成多源传感器（可见光、红外、雷达、超声波）与嵌入式边缘AI设备，构建“多源感知与边缘实时监测系统”。这面临着数据融合、UAV平台稳定性、GPS信号遮挡、边缘设备算力有限以及模型轻量化（如剪枝、量化）等技术挑战。结论部分总结道，深度学习为土木工程裂缝检测带来了变革性机遇，通过标准化数据集与评估体系、发展更先进的算法、并推动与硬件系统的深度融合，将极大提升基础设施监测的智能化水平，对保障工程结构安全、降低维护成本具有重大科学价值与应用前景。