基于深度学习的混凝土裂缝宽度评估与自愈合进程监测数据集开发

本研究针对混凝土结构健康监测中的裂缝评估难题，开发了包含19,098条亮度剖面与人工测量值的数据集，通过深度卷积神经网络(DLM)和解析边缘检测器(AED)实现裂缝宽度的精准量化。该研究为自愈合混凝土的多阶段监测提供了标准化方法，显著提升了裂缝测量的可重复性，相关成果发表于《Scientific Data》。

　　

混凝土结构的裂缝监测是土木工程领域的核心挑战，尤其在桥梁、隧道等关键基础设施的健康评估中，毫米级裂缝的精准量化直接关系到结构安全性。传统人工检测方法效率低下且主观性强，而现有图像处理技术受限于光照条件、表面湿度等因素，难以实现多阶段自愈合进程的连续监测。更棘手的是，自愈合材料在裂缝中的不均匀沉积会导致边缘模糊化，使得自动检测算法的准确率大幅降低。

针对这些技术瓶颈，波兰克拉科夫AGH大学土木与岩土工程系（AGH University of Krakow, Department of Civil & Geotechnical Engineering and Geomechanics）的Jacek Jakubowski和Kamil Tomczak团队开发了创新性的深度学习元传感器(DLM)。研究人员通过高分辨率扫描获取混凝土样本表面图像，结合尺度不变特征变换(SIFT)进行图像配准，建立了包含19,098条亮度剖面与人工参考测量值的大规模数据集。该研究通过系统验证扫描位置、表面湿度和操作者差异三大干扰因素，证实了方法的鲁棒性，相关成果发表在《Scientific Data》期刊。

关键技术方法包括：(1)使用Epson Perfection V600 Photo扫描仪获取6400dpi分辨率的混凝土表面图像；(2)通过ImageJ2平台实施SIFT算法实现多阶段图像的精确对齐；(3)建立500像素长度的亮度剖面数据库；(4)采用深度卷积神经网络(RegNetY-3.2GF)构建DLM模型；(5)设计解析边缘检测器(AED)作为基准对照。

研究结果

背景与目标：

实验验证了高强混凝土(CMd_0.28和CMd_0.23)在2-20个月龄期下的自愈合行为。通过控制分裂试验产生0-800μm的裂缝，系统记录了t₀-t₂₈天六个阶段的愈合进程。

数据采集：

采用网格线法在裂缝区域建立1,134个测量点，提取501像素的亮度剖面。人工测量显示裂缝宽度主要分布在50-300μm区间（RMS=16.6μm），而DLM和AED的测量偏差分别为7.8μm和29.4μm。

技术验证：

三组控制实验表明：样本位置偏移对测量的影响最小(η_G²=0.0003)，表面湿度变化产生中等影响(η_G²=0.0163)，而不同操作者间的变异系数为2.92%。

数据特征：

数据集包含510个变量，其中501个为亮度梯度值，另包含MANwidth（人工测量）、DLMwidth（深度学习模型）和AEDwidth（解析算法）三类宽度数据，所有测量值均以μm为单位。

研究结论与意义

该工作建立了首个将高分辨率亮度剖面与人工测量耦合的混凝土裂缝数据库，其核心价值体现在三个方面：首先，通过标准化图像采集流程（固定3.96875μm像素尺寸、控制干燥条件）显著降低了测量变异；其次，开发的DLM模型在保持7.8μm精度的同时，实现了对边缘模糊化裂缝的稳定检测；最后，提出的网格线定位方法支持对同一裂缝区域的多阶段追踪，为自愈合动力学研究提供了新工具。

值得注意的是，该方法对含碳酸盐粗骨料的混凝土表现最佳，但对纤维增强复合材料的效果仍需验证。未来研究可扩展至户外环境图像采集设备的适配，以及多模态数据（如声发射信号）的融合分析。这项技术将推动基础设施健康监测从定性判断向定量分析的范式转变，为智能建造领域提供重要的数据支撑。