本文档是由东南大学土木工程学院、教育部混凝土及预应力混凝土结构重点实验室的范聪聪、丁友亮、刘旭佳以及上海应用技术大学的杨康共同撰写的学术综述。文章题为“基于数据驱动与智能算法的混凝土结构裂缝研究综述”，发表于*Structures*期刊2025年第75卷。本文针对混凝土结构裂缝检测这一关键领域，系统回顾了近年来数据驱动与智能算法技术的进展，旨在为该领域的研究者与工程师提供全面的技术概览，并指明未来的研究方向。
本文的核心论述建立在系统梳理264篇相关研究文献的基础之上。作者开宗明义地指出，裂缝检测对于评估结构的承载能力、安全性与耐久性至关重要，是现场安全检查、模型试验和结构健康监测的关键环节。随着城市基础设施的快速扩张，对混凝土桥梁和建筑裂缝进行智能识别与监测的重要性日益凸显。然而，传统的人工检测方法效率低下、劳动密集且易出错，早期基于边缘检测、滤波和阈值分割的图像处理方法也依赖手动特征提取，难以满足现代工程对快速性、准确性和自动化日益增长的需求。在此背景下，计算机硬件的发展和智能算法的演进，特别是机器学习（Machine Learning）与深度学习（Deep Learning）的兴起，为裂缝检测技术带来了革命性的突破。本文的综述正是围绕这一技术演进脉络，构建了一个涵盖“裂缝特征提取—损伤识别与量化—结构性能映射”的完整研究链条。
本文的第一个核心论点是系统阐述了混凝土裂缝的成因与当前智能检测的研究范式。文章在第二部分详细分析了混凝土裂缝的形成机制，指出其受拉力、化学变化、腐蚀、骨料互锁、材料断裂韧性和环境等多因素共同控制。裂缝可出现在受拉面、应力集中区域、剪切区（如支座附近）和弯曲区（如梁板受拉侧）。为应对裂缝研究的迫切需求，当前的研究思路已从早期的理论试验和非破坏性检测（如声发射、超声波），发展到基于有限元模拟（如连续损伤力学CDM模型）和人工智能技术的智能化检测与监测。特别是在深度学习驱动下，裂缝检测任务被系统地分解为数据采集、预处理、裂缝识别、参数测量和结构评估等多个环节，具体任务则涵盖图像分类、目标检测、像素级分割、尺寸量化和生长预测五个方面。这部分内容为后续讨论各种技术方法提供了明确的问题背景和目标框架。
本文的第二个核心论点是对混凝土裂缝识别与提取技术的全面评述，这涵盖了数据采集和图像预处理两大关键步骤。在数据采集方面，文章详细介绍了无人机平台、智能机器人、三维重建技术和图像生成技术的应用现状。无人机凭借其高效率、高精度和高安全性，在桥梁等结构外表面检测中发挥了重要作用，但存在稳定性与复杂环境适应性的挑战。智能机器人则更适合在狭窄、复杂或危险（如桥箱梁内部、水下）环境中进行近距离高精度数据采集。三维重建技术（特别是基于多视角几何的方法）被用来解决二维图像难以准确定位裂缝空间位置以及曲面结构图像变形的问题，通过构建三维模型来实现裂缝尺寸到真实物理尺寸的映射。针对高质量标注数据稀缺这一制约模型性能的瓶颈，生成对抗网络被用于生成合成裂缝图像以扩充数据集，但作者也指出其生成质量受原始数据分布限制，且易发生模式崩溃，目前仅能作为数据增强的辅助手段。在图像预处理方面，文章总结了为提升后续识别精度而常用的技术，包括图像增强（如直方图均衡化、小波变换、Retinex算法）、图像去噪（如中值滤波、高斯滤波，以及基于GAN的去模糊方法）、图像拼接、几何校正和图像标注等，并制作表格对比了各类方法的特性与局限性。这部分内容凸显了高质量、多维度数据获取与处理是实现智能裂缝检测的基础。
本文的第三个核心论点，也是篇幅最重的部分，是对裂缝损伤识别方法的深入分析与比较。作者将现有方法归纳为三大类：数字图像处理、机器学习方法和深度学习方法。对于数字图像处理，文章回顾了阈值法、边缘检测法、区域法和匹配滤波法等经典算法。例如，Otsu阈值法被广泛用于背景简单的裂缝分割；Canny和Sobel等边缘检测算子则用于捕捉图像亮度突变点以定位裂缝边缘。然而，这些传统方法通常需要手动调整参数，对噪声和光照变化敏感，且难以适应复杂的真实场景。
对于机器学习方法，文章根据学习策略分为监督学习、无监督学习和半监督学习进行讨论。监督学习方法，如支持向量机、随机森林和AdaBoost，通过从带有标签的训练数据中学习，能够结合更高级的特征提升检测精度，但其性能高度依赖于手工设计的特征和有限的数据集。无监督学习方法，如K-means聚类和主成分分析，无需像素级标注，通过发现数据内在结构来区分裂缝与背景，减轻了人工标注负担。半监督学习方法则试图利用少量标注数据和大量未标注数据来构建模型，但其算法设计复杂，且易受错误伪标签影响，泛化能力有待提高。
文章的重点落在深度学习方法上，这是当前研究的主流。这部分详细阐述了基于深度学习的三大任务：图像分类、目标检测和语义分割。图像分类模型（如VGG, Inception, ResNet）主要用于判断图像中是否存在裂缝，但无法定位。目标检测模型（如Faster R-CNN, SSD, YOLO系列）则能通过边界框定位图像中的裂缝，实现多目标同时检测，其中单阶段检测器（如YOLO）在速度上更具优势，适合实时检测。语义分割模型（如FCN, U-Net, SegNet, DeepLab, Mask R-CNN）能够实现像素级的裂缝提取，是进行精确几何参数（如宽度、长度）计算的前提。文章对比了这些网络的架构特点与局限，并提供了常用的开源裂缝数据集信息。此外，还特别讨论了注意力机制、轻量化网络以及GAN在分割任务中的应用，这些是提升模型性能与效率的重要研究方向。
本文的第四个核心论点聚焦于裂缝尺寸参数计算与生长预测。这是将检测结果转化为定量工程评价指标的关键环节。在尺寸计算方面，文章首先介绍了复杂裂缝（如网状、树枝状裂缝）的分解方法，例如基于骨架线提取和图论的方法，以分离主裂缝和分支裂缝。随后，详细综述了裂缝宽度和长度的多种计算方法。宽度计算包括中心线垂距法、边缘线最小距离法、局部平均法和灰度值法等，并分析了各自的优缺点；长度计算则多基于骨架线或拟合直线。文章强调，深度学习方法（如特定设计的CNN或与图像处理结合的混合算法）正被越来越多地用于端到端的裂缝检测与参数测量，提高了自动化程度和精度。在裂缝生长预测方面，文章指出这对于基础设施性能退化预警至关重要。传统方法依赖于振动弦式传感器、光纤光栅等物理监测手段或基于断裂力学的数值模拟，但存在部署复杂、成本高或计算耗时的问题。近年来，结合数据驱动（如LSTM、GAN）与物理模型的方法开始兴起，它们利用长期监测数据或仿真数据训练模型，以预测裂缝的扩展路径和速率。然而，作者也指出，获取足量的长期现场监测数据仍是当前的主要挑战，室内试验数据可作为重要参考。
本文的第五个核心论点探讨了基于裂缝的结构性能评估以及裂缝尺寸与多因素耦合研究。在结构性能评估方面，裂缝的形态、分布和发展趋势是反映结构损伤类型和程度的重要指标。文章综述了如何利用裂缝信息来评估钢筋混凝土梁、柱、剪力墙等构件的性能退化、损伤状态乃至剩余承载力。例如，通过分析裂缝模式（斜裂缝与剪切承载力退化相关）、利用深度学习量化裂缝参数并更新数值模型、或结合分形几何指标（如裂缝表面的分形维数）来关联地震损伤程度。这体现了从“裂缝特征”到“结构性能”映射的研究思路。在耦合研究方面，文章指出实际工程中裂缝的发展受荷载、温度、湿度、材料特性等多因素共同影响。学者们通过数值分析、长期健康监测数据和机器学习模型（如BP神经网络、LSTM）来研究裂缝宽度与温度、车辆荷载等因素间的复杂关系，并构建预测模型，为结构的科学运维提供依据。
本文通过对混凝土结构裂缝智能检测领域最新进展的系统性综述，构建了一个清晰的技术框架。其重要意义与价值在于：首先，为研究者和工程技术人员提供了从理论到应用的全面技术导览，梳理了关键技术的发展脉络、优势与局限；其次，明确了当前研究存在的挑战与空白，如高质量标注数据的稀缺、复杂环境下算法的鲁棒性、长期裂缝生长监测数据的缺乏以及多物理场耦合模型的不足；最后，前瞻性地指出了未来的研究方向，包括智能采集设备的进一步集成与适应、算法在跨尺度建模与多场耦合验证方面的突破、以及融合数字孪生和物理信息神经网络等前沿技术构建更精准的结构状态评估体系。这篇综述不仅是一份详尽的技术总结，更是一份推动该领域技术进步与创新的路线图，对促进混凝土结构智能化检测与健康评估具有重要的理论参考和实践指导价值。