面向混凝土结构裂缝诊断、状态评估与维护规划的知识融合框架

《AUTOMATION IN CONSTRUCTION》：Knowledge-infused framework for crack diagnosis, condition assessment, and maintenance planning of concrete structures

　　

• 提出了一种知识注入的裂缝诊断框架。• 深度学习与基于本体的推理相结合用于评估。• 530个节点的知识图谱支持机制感知的决策制定。• 检索增强生成（RAG）增强了符合规范标准的推理能力。• 完整检查流程在2.7分钟内完成，成本和时间减少超过68%。

1. 引言

裂缝是混凝土基础设施退化的最关键的指标之一，直接影响结构的使用性能、耐久性和安全性[1]。准确的裂缝诊断和及时的修复对结构健康监测（SHM）和维护规划至关重要[2]。传统方法严重依赖人工干预，耗时、主观性强，且难以在基础设施系统中大规模推广[3]。近年来，计算机视觉和深度学习的进展已实现了裂缝检测和量化的自动化，例如使用深度神经网络对检查图像中的裂缝进行分割[4]，利用生成式计算机视觉表征高性能纤维增强水泥基复合材料中的复杂裂缝模式[5]，以及使用深度学习模型从超声波图像中检测内部缺陷[6]。

然而，现有方法往往仅作为狭义的感知模块，缺乏对潜在机理的理解，例如环境暴露和材料性能对裂缝模式的影响。虽然已有大量工作致力于提高裂缝检查任务的时间效率，如检测、分割和量化[7,8]，但这些方法往往缺乏力学知识或材料退化机理，从而限制了将裂缝特征与成因因素关联的推理能力。此外，现有方法对推理和决策的支持有限，例如严重程度评估、风险评估和修复建议。数据驱动的裂缝检查与知识驱动的评估之间仍存在显著差距[9]。现有研究通常将裂缝检测和量化视为孤立的任务，未整合领域知识来解释不同荷载和环境条件下裂缝的形成机理、其对结构性能和耐久性的影响，以及其与明智的修复决策的相关性[10]。

知识图谱提供了一种有效的手段，通过结构化表示材料、机理、环境条件和工程实践中的实体和关系来显式表达领域知识，从而实现超越数据驱动模型的知识整合、检索和推理[11,12]。目前，知识图谱主要应用于材料领域，如知识图谱引导的超高性能混凝土数据驱动设计[13]和超高性能地质聚合物[14]，重点组织配合比设计、物理化学机理和材料性能以支持设计优化和可解释性[15]。其在支持裂缝检查、机理推断、诊断推理和修复决策方面的潜力尚未得到充分探索。

与此同时，大语言模型（LLM）的最新进展已展示了在语义理解、知识综合和跨异构信息源推理方面的强大能力[16,17]。然而，LLM缺乏领域特定的知识基础和结构化上下文，这可能导致在安全关键应用中产生不可靠或不可解释的结果[18]。将知识图谱与LLM相结合提供了一种互补方法，其中结构化和领域知识为模型推理提供约束和丰富内容，而LLM则提供灵活的推理和综合能力[19]。虽然知识图谱增强的LLM和基于RAG的框架已在建筑安全管理[20,21]、BIM信息检索[22]、数字孪生[23]和大坝结构健康监测[24]中得到探索，但其应用于桥梁裂缝评估和符合标准的状况诊断仍有限。因此，结合知识图谱和LLM以支持裂缝诊断、机理推理和维护决策的系统框架仍然缺乏。

为弥补这一差距，本文提出了一种知识注入框架，协调裂缝诊断、机理推理和维护决策的协作模块。本研究解决了三个主要问题：(1) 如何有效构建领域特定知识图谱以支持裂缝诊断？(2) 如何将裂缝特征与领域知识整合以实现可靠且可解释的诊断？(3) 如何协同结合知识图谱和LLM以促进机理推理？

本研究的贡献总结如下：(1) 开发了知识注入框架，用于裂缝诊断、状况评估和修复决策，整合了基于计算机视觉的裂缝量化、领域知识检索和LLM辅助推理。该框架建立了一条透明且可追溯的AI路径，将感知输出与工程知识对齐。(2) 开发了领域特定知识图谱和知识图谱增强的推理策略，用于编码和检索裂缝特征、材料性能、暴露条件、退化机理和修复策略之间的关系，从而实现机理基础和符合标准的决策制定。(3) 开展了综合案例研究，从诊断一致性、可解释性和修复相关性方面评估所提出的框架，证明其性能优于仅文本和仅感知的方法。

2. 方法

所提出的裂缝诊断框架如图1(a)所示，由三个互联模块组成：裂缝感知模块、知识引导推理模块和人机协同验证模块。裂缝感知模块执行视觉数据的裂缝检测和量化，其中经过训练的分割模型将RGB图像转换为二进制裂缝图以供后续几何分析。提取的裂缝信息随后传输至知识引导推理模块并可供专家审阅。知识引导推理模块整合了领域特定知识图谱、RAG组件和LLM。它结合图像衍生的裂缝信息与工程师提供的上下文数据，包括材料性能、环境暴露和荷载条件，同时检索的知识被纳入结构化提示中用于状况评估和修复建议。人机协同验证模块使专家能够审阅裂缝量化结果、诊断结果和维护建议。工程师在必要时提供上下文信息和反馈，以提高最终评估的可靠性和实际适用性。

图1(b)展示了所提出框架的数据工作流。裂缝图像通过分割和量化处理生成结构化裂缝信息，可由工程师进行审阅和完善（反馈1）。工程师还可提供额外的检查信息，如环境条件、腐蚀迹象和检查历史（反馈2）。更新后的信息用于从知识图谱中检索相关知识，并与检查数据集成以供基于LLM的报告生成。最后，工程师审阅生成的报告（反馈3），形成最终检查报告。

2.1 推理与修复建议

所提出的知识引导推理工作流遵循Graph-RAG范式（图2）。该过程从文献和工程文档检索开始，随后进行自动化信息提取和过滤。提取的知识用于构建基于Neo4j的知识图谱，关联裂缝类型、严重程度、成因、材料和修复策略。LLM辅助Cypher代码生成，实现从非结构化工程描述中自动填充图谱和查询构建。

并行地，图像衍生的裂缝诊断信息（如裂缝宽度）和相关联信息（如环境和荷载条件）在知识图谱中进行语义编码。这些观测结果作为图谱内的动态搜索查询，允许检索上下文知识，如失效机理、历史修复策略或设计约束。最后，基于图谱的知识被编码为结构化提示并输入LLM，以支持机理解释、损伤推理和修复建议生成。此过程实现了上下文化、符合人类需求的输出，超越简单的模式识别，为基础设施维护提供透明、可追溯且可操作的决策。

2.1.1 知识来源

裂缝知识图谱的构建从准备全面的来源语料库开始。裂缝相关知识源自两个主要渠道：(1) 同行评审出版物，提供裂缝形成、发展和修复的机理性解释；(2) 区域和国际技术标准及规范，为裂缝评估提供明确的限值、分类标准和维护要求。现有设计规范主要针对普通混凝土，而先进混凝土的知识主要来自学术文献。

对于同行评审出版物，使用Google Scholar进行了系统的文献检索，采用与材料类型、裂缝相关术语和相关环境条件相关的关键词组合。收集的裂缝相关知识按多个维度进行组织，包括混凝土类型（如普通、钢筋和纤维增强混凝土）、AND/OR结构构件类型（如梁、柱、板、墙）、AND/OR荷载条件（如疲劳、剪切和收缩）以及环境暴露（如海岸、寒冷、高温高湿）。代表性的关键词组合包括"concrete" AND "cracking behavior" AND "chloride induced"。对于每个关键词组合，根据出版物的标题和摘要筛选Google Scholar搜索结果的第一页。潜在相关的研究随后进行全文审阅，以评估其是否包含与裂缝机理、裂缝特征、耐久性影响、裂缝限值标准或修复策略相关的可操作工程知识。例如，提取的知识涵盖裂缝宽度控制及其与腐蚀的关系[25]、腐蚀引起的混凝土开裂[26]、裂缝对氯离子渗透的影响[27]、高温暴露后的开裂后行为[28]，以及材料组成和拉伸应变对裂缝宽度分布和演化的影响[29]。迭代探索额外的关键词组合，直到识别出50篇相关同行评审出版物作为构建领域知识图谱的知识来源。从每篇出版物中提取的裂缝相关知识总结于表A1（附录A）。

裂缝相关知识的另一个来源来自相关设计规范和标准。混凝土裂缝控制相关的标准选自欧洲、美国和中国具有代表性的规范，如表1所示。欧洲标准包括EN 1992-1-1和EN 206，美国标准包括ACI 224、ACI 318–19和Transportation Research Circular E-C107，中国标准包括GB 55008、GB 50010和GB 50666。对于中国标准，提取的文本片段首先使用GPT-5.1翻译为英文。翻译内容随后由领域专家手动审阅和修正，以确保与原始标准的一致性，然后再存入知识语料库。这些标准是构建本研究中混凝土裂缝知识图谱的主要知识来源，并支持后续的知识检索和推理。

表1. 用作混凝土裂缝信息知识来源的标准。

| 序号 | 年份 | 地区 | 标准编号 | 文献 |
|------|------|------|----------|------|
| 1 | 2014 | 欧洲 | EN 1992-1-1 | [30] |
| 2 | 2021 | 欧洲 | EN 206 | [31] |
| 3 | 2001 | 美国 | ACI 224 | [32] |
| 4 | 2019 | 美国 | ACI 318–19 | [33] |
| 5 | 2006 | 美国 | E-C107 | [34] |
| 6 | 2021 | 中国 | GB 55008 | [35] |
| 7 | 2015 | 中国 | GB 50010 | [36] |
| 8 | 2011 | 中国 | GB 50666 | [37] |

由于知识图谱整合了多个标准、指南和研究出版物的信息，偶尔可能会出现冲突的裂缝宽度限值或维护建议。此类冲突在专家审编期间进行了手动审阅。例如，ACI 224建议暴露于富含氯离子的海洋环境中的钢筋混凝土的允许裂缝宽度为0.15 mm，而EN 1992-1-1在类似氯离子暴露条件下允许最大0.30 mm。在这种情况下，知识图谱中保留最保守的值（即最小允许裂缝宽度），以确保一致性并维持面向安全的工程评估理念。

2.1.2 知识提取

每篇参考文献的文本内容使用Python包pdfplumber（版本0.11.8）直接从PDF文件中提取。由于LLM直接处理PDF文件的能力有限，提取的内容按页面级别进行分割，每页的文本保存为单独的文本文件。每个页面级文本文件随后作为独立的块用于后续知识提取。这种基于页面的分块策略确保了可管理的输入长度，同时保留每个块内的充分上下文信息。知识提取使用GPT-5.1通过OpenAI API执行。提取的页面级文本块与预定义提示一起提供给模型，以识别适合知识图谱构建的裂缝相关知识。提示词见附录B1，使LLM能够通过API从上传的文献中提取相关句子。

在此步骤之后，进行人工审阅以删除句子。具体来说，如果句子满足以下任一条件则予以删除：(1) 不包含与裂缝机理、裂缝特征、退化影响、裂缝宽度限值或修复策略相关的明确工程知识；(2) 无法映射到预定义的知识图谱模式；(3) 包含模糊或不支持的说法；或(4) 与其他来源已捕获的信息重复。初始从50篇同行评审出版物中提取了4153个句子，从8项技术标准中提取了3304个句子。经人工审阅后，保留来自同行评审出版物的619个句子和来自标准的600个句子用于知识图谱。

2.1.3 离线知识图谱构建

知识图谱构建作为系统部署前的离线过程执行。使用Neo4j图数据库构建知识图谱（图3）。Neo4j支持结构化数据集的高效存储、查询和管理，并实现材料、机理、环境条件和修复方法之间复杂关系的基于图谱的可视化。

知识图谱生成过程。第2.1.2节中提取的句子通过GPT-5.1（OpenAI API）被转换为Cypher代码，用于定义实体及其关系。利用大语言模型构建知识图谱包含两个主要步骤：（1）从每篇出版物中提取的句子通过API输入大语言模型，并进行提示以生成Cypher代码（参见附录B2中的提示词）。（2）对Cypher代码进行合并，并使用GPT-5.1（OpenAI API）识别和去除重复的节点、概念以及语义相似的关系（参见附录B3中的提示词）。Cypher代码被导入Neo4j数据库进行存储和可视化。该知识图谱围绕具体类型进行组织，将裂缝状况与环境因素、控制机制和修复方法相联系。补充材料中提供了每个阶段的代表性输入示例、API实现示例及相应输出。

2.1.4 在线Graph-RAG检索与大语言模型推理
在线推理阶段，通过Cypher语句查询预先构建的知识图谱，以检索相关的工程知识。检索到的结构化知识与任务特定的提示相结合，提供给大语言模型以支持有据推理和针对性修复建议（图4）。与在领域特定语料库上微调大语言模型相比，Graph-RAG具有以下优势：微调需要大量标注数据集、高昂的算力成本，并且每次知识库更新时都需要重新训练；而Graph-RAG将知识与模型参数分离，允许在无需重新训练的情况下进行更新[38]。

下载：下载高分辨率图像（291KB）
下载：下载全尺寸图像
图4 基于大语言模型的裂缝诊断Graph-RAG模块。

此外，微调模型以隐式方式存储知识，这降低了透明度并增加了产生幻觉输出的风险[39]。Graph-RAG通过将生成过程建立在显式的、可追溯的知识结构之上，缓解了这一问题的发生，从而提高了可解释性并减少了幻觉[40]。对于需要可靠性、透明度和可追溯性的工程应用，Graph-RAG通过将大语言模型的输出锚定在结构化的领域知识之上，提供了比微调更为灵活且可信的替代方案[41]。视觉数据通过裂缝量化算法进行处理，以提取裂缝信息。这些提取的特征与材料性能、载荷条件和环境因素相结合，用于从领域知识图谱中检索相关知识。

2.2 裂缝量化
本节介绍裂缝量化的方法论。第2.2.1节介绍数据集，第2.2.2节描述裂缝分割过程，第2.2.3节解释裂缝几何参数的量化方法，包括裂缝数量、裂缝长度和裂缝宽度。裂缝监测的整体流程如图5所示。

下载：下载高分辨率图像（416KB）
下载：下载全尺寸图像
图5 裂缝监测与信息提取流程。

2.2.1 图像数据集
训练数据集包含1821张裂缝图像块，分辨率为512×512像素。这些图像块由多个来源的图像生成，包括来自文献[42]的510张密集裂缝图像、来自文献[43]的700张单裂缝图像以及来自专有数据集的611张桥梁裂缝图像。来源分布和代表性样本如图6所示。相应的裂缝掩膜使用Labelme工具箱进行人工标注。由1821张图像组成的数据集按80%、10%和10%的比例随机划分为训练集、验证集和测试集，分别为1457张训练图像、182张验证图像和182张测试图像。

下载：下载高分辨率图像（442KB）
下载：下载全尺寸图像
图6 训练数据集的组成：(a) 裂缝图像来源分布；(b) 代表性裂缝样本。

2.2.2 裂缝分割
先前的研究表明，LinkNet在多样的混凝土表面条件下能够提供可靠的裂缝提取性能，同时与其他常用分割架构（如Deeplabv3+[44]、DeepCrack[45]和CrackSegNet）相比保持具有竞争力的准确率[46]。在本研究中，使用经过充分训练的LinkNet模型[46]进行裂缝分割。编码器产生五张特征图，分别为输入分辨率的1/2、1/4、1/8、1/16和1/32，其中后四张用于与解码器形成跳跃连接。采用轻量级的五阶段解码器逐步恢复空间分辨率。解码器模块按编码器阶段的逆序排列，每个模块包含一个用于通道缩减的1×1卷积、一个用于上采样的步幅为2的转置卷积以及一个用于特征精化的1×1卷积。跳跃连接通过在对应分辨率下进行逐元素加法来融合编码器和解码器特征。最后，通过一个1×1卷积后接sigmoid激活函数生成逐像素的裂缝概率图。由于裂缝分割并非本研究的主要挑战，且我们之前的工作已证明其高精度[47]，因此不再对分割模型进行进一步修改。具体而言，LinkNet[46]中使用标准的ResNet-101编码器。分割性能使用标准指标进行量化，包括交并比（IoU）、精确率、召回率和F1分数[48]。

模型在GPU设备上以批量大小为4进行训练。使用RMSprop优化器进行优化，初始学习率为1×10??，训练50个周期。在25个周期后将学习率降低至1×10??，以稳定后期收敛。损失函数定义为二元交叉熵（BCE）损失[49]和Dice损失[50]的加权组合，如式(1)所示。BCE损失通过对误分类像素施加惩罚提供像素级监督，从而提高局部精度。Dice损失衡量预测与真实值之间的重叠，解决类别不平衡问题并增强边界勾勒。两者结合支持精确的像素学习和稳健的结构分割。

(1) L_total = α·L_BCE + (1?α)·L_Dice
其中α是平衡像素级分类精度和区域重叠贡献的超参数。遵循先前研究[51]，α设为0.5，对BCE损失和Dice损失项赋予等权重。

2.2.3 裂缝几何量化
二值化转换后，利用相机焦距、物距和裂缝像素数量对裂缝几何进行量化[52]。给定二值裂缝分割图，通过检测连通区域来识别单条裂缝，其中每个连通区域对应一条裂缝。从区域边界提取每条裂缝的轮廓。对每个轮廓拟合最小面积外接矩形以近似裂缝的几何范围。裂缝长度定义为外接矩形的长边长度。利用外接矩形的主轴方向确定裂缝取向。当主轴角度在45°至135°之间时，将裂缝分类为竖向裂缝，否则为横向裂缝。

裂缝宽度基于中轴变换（Medial Axis Transform）进行量化[52]。在对裂缝区域进行二值分割后，提取中轴以获得裂缝中心线（图7）。对于给定的中心线像素p，欧几里得距离变换提供p到最近裂缝边界的最小距离r(p)。根据中轴的几何定义，每个中心线像素对应一个最大内切圆的圆心，该圆与裂缝边界在两个或更多点处相切。该圆的半径等于到边界的最小距离。通过识别中心线像素，p处的局部裂缝宽度w定义为：

(2) w(p) = 2r(p) = 2·min_{q∈?C} ‖p?q‖?

下载：下载高分辨率图像（361KB）
下载：下载全尺寸图像
图7 使用中轴变换和测地路径提取进行裂缝宽度测量。
其中C表示从二值裂缝掩膜中获得的分割裂缝区域，?C表示C的边界。在离散图像域中，?C表示属于分割裂缝区域的所有边界像素集合。q∈?C为边界像素，‖·‖?表示欧几里得范数。因此，r(p)表示中心线像素p到裂缝区域任何边界像素的最小欧几里得距离。根据中轴的几何定义，该距离对应当以p为中心的圆的半径。因此，局部裂缝宽度w(p)为该半径的两倍，即该位置最大内切圆的直径。

为确保沿主裂缝轨迹的宽度测量稳定并减少分叉结构（如次生裂缝、短枝和分割伪影）的影响，将提取的骨架通过8邻域连通性转换为图。在该图中，每个骨架像素被视为一个节点，相邻像素之间建立连接。计算每个节点的度数（定义为直接相连的相邻骨架像素数量，理论最大值为8），以表征局部拓扑结构。度数为1的节点被识别为端点，因为它们只有一个连接，位于裂缝段的终止处，代表裂缝轨迹的潜在起点或终点。为隔离主裂缝轨迹，沿图计算所有端点之间的测地距离。应用Dijkstra最短路径算法确定每对端点之间的最短路径，并选择测地长度最大的路径作为最长裂缝轨迹[53]。该轨迹被定义为主要裂缝路径。将测量限制在该路径上，减少了短分支和不规则性的影响，从而获得更稳健的裂缝宽度估计。基于像素测量值，可使用式(3)计算裂缝宽度[54]。

(3) s = p·Z/f
其中s为裂缝宽度；p为像素测量的尺寸；Z为镜头到物体的距离（mm）；f为焦距（像素）。

2.3 人在回路中
在整体框架中，工程师作为人在回路环境中的最终决策者，负责监督、验证和调整系统输出。人在回路过程包含三个主要模块：首先，图像分析模块从拍摄图像中提取裂缝特征。工程师可以输入相机焦距和相机与混凝土表面之间的距离来计算实际几何参数，从而准确估算实际裂缝尺寸（如裂缝长度和最大裂缝宽度）。此外，他们可以通过界面审阅裂缝检测结果并提供反馈，以验证图像分析的可靠性。一旦工程师确认结果可靠，经验证的裂缝信息将自动传输至第二个模块。其次，知识提取模块从知识图谱数据库中检索关键信息。工程师可通过提供额外的上下文输入来补充该过程，如载荷条件、环境因素和材料类型，与提取的裂缝信息相结合以优化和引导知识检索过程。第三，提取的知识被纳入RAG框架并与大语言模型集成，生成详细的裂缝机理解释和相应的修复建议。随后，工程师审阅和监督最终报告，提供反馈以确保技术准确性和实用性。人在回路过程的说明如图8所示。

下载：下载高分辨率图像（401KB）
下载：下载全尺寸图像
图8 用于迭代验证、决策和反馈的人在回路工作流程。

3 结果与讨论
本节展示所提出系统的结果与讨论。第3.1节描述知识图谱的构建。第3.2节分析知识图谱赋予的推理能力。第3.3节展示通过Graph-RAG增强的大语言模型响应。第3.4节详述使用计算机视觉技术进行裂缝信息提取。第3.5节集成各组件并通过案例研究验证框架。

3.1 知识图谱分析
知识图谱代表了混凝土结构裂缝状况的广泛范围，如表2所述。它将裂缝类型分为早期裂缝（塑性收缩裂缝、沉降裂缝、早期温度裂缝、自收缩裂缝和干燥收缩裂缝）、载荷引起的裂缝（弯曲裂缝、剪切裂缝和疲劳裂缝）以及与耐久性相关的裂缝，包括腐蚀膨胀、冻融作用、硫酸盐侵蚀和碱-硅反应（ASR）引起的裂缝。该图谱还包含裂缝特征，如最大裂缝宽度、裂缝长度和裂缝深度。这些裂缝现象涵盖了多种混凝土类型，包括普通混凝土（NC）、纤维增强混凝土（FRC）、钢筋混凝土（RC）、超高性能混凝土（UHPC）、橡胶化混凝土和大体积混凝土。此外，该图谱还包含裂缝后耐久性后果的相关信息，包括碳化加速、氯离子渗透、钢筋腐蚀、冻融劣化、硫酸盐侵蚀、干湿循环劣化、水渗入、承载能力降低、保护层剥落和使用寿命缩短。与养护相关的知识也被纳入其中，包括针对不同裂缝状况的预防措施和修复策略。

表2

知识图谱中裂缝相关信息总结。

| 序号 | 组成部分 | 裂缝相关信息 |
|------|----------|--------------|
| 1 | 裂缝类型 | 早期裂缝：塑性收缩裂缝、沉降裂缝、早期热裂缝、自收缩裂缝、干燥收缩裂缝
荷载引起的裂缝：弯曲裂缝、剪切裂缝、疲劳裂缝
耐久性相关裂缝：锈蚀膨胀裂缝、冻融裂缝、硫酸盐侵蚀裂缝、碱骨料反应（ASR）引起的裂缝 |
| 2 | 裂缝特征 | 最大裂缝宽度、最大裂缝长度、裂缝深度 |
| 3 | 混凝土类型 | 普通混凝土（NC）、纤维增强混凝土（FRC）、钢筋混凝土（RC）、超高性能混凝土（UHPC）、橡胶混凝土、大体积混凝土 |
| 4 | 裂缝后的耐久性问题 | 加速碳化；氯离子渗透增加；钢筋锈蚀；冻融破坏；硫酸盐侵蚀；干湿循环破坏；渗水及渗漏；抗冻性降低；抗氯离子渗透性降低；抗压和抗剪承载力下降；保护层剥落；使用寿命缩短 |
| 5 | 维护 | 预防措施：例如，配合比优化；纤维增强（钢纤维、混合纤维）
修复策略（基于裂缝宽度）：例如，表面密封（≤ 0.2 mm）；表面涂层或浸渍处理 |

当前知识图谱涵盖了裂缝类型、劣化机理、材料体系、耐久性后果和维护知识。具体而言，该图谱包含了从相关标准、规范和文献中提炼出的早期裂缝、荷载引起的裂缝及耐久性相关裂缝机理。所代表的材料体系包括普通混凝土（NC）、纤维增强混凝土（FRC）、钢筋混凝土（RC）、超高性能混凝土（UHPC）、橡胶混凝土和大体积混凝土。这些知识来源中未涵盖的裂缝机理和材料条件，如火灾引起的裂缝、冲击损伤、地震损伤及其他特种混凝土体系，不在当前知识图谱的范围内。

经过精炼并去除冗余实体和重复关系后，知识图谱从1534个节点简化为530个节点，从2335条边简化为716条边。最终图谱对裂缝机理和修复策略进行了结构化表示，如图9所示。采用Neo4j平台进行图谱存储、可视化和交互式探索。为提高知识图谱可视化的可读性，在附录D的图D1和图D2中添加了代表性冻融损伤和碳化子图的放大视图。

下载：下载高分辨率图像（580KB）下载：下载全尺寸图像

图9. 为裂缝诊断构建的领域专用知识图谱。

节点标签的统计分布总结于表3。最终知识图谱包含530个节点，分布在八个类别中，包括材料、产品、条件、参数、裂缝、效应、属性和策略。效应节点有200个（37.73%），其次是条件节点（73个，13.77%）、属性节点（69个，13.02%）、裂缝节点（60个，11.32%）、参数节点（39个，7.36%）、策略节点（39个，7.36%）、材料节点（38个，7.17%）和产品节点（12个，2.26%）。

表3. 知识图谱中节点类型的统计分布。

| 序号 | 节点标签 | 数量 | 百分比 | 示例 |
|------|----------|------|--------|------|
| 1 | 材料 | 38 | 7.17% | 混凝土；钢筋混凝土；钢纤维 |
| 2 | 产品 | 12 | 2.26% | 桥梁主梁；桥墩；约束墙体 |
| 3 | 条件 | 73 | 13.77% | 海洋环境；冻融循环 |
| 4 | 参数 | 39 | 7.36% | 裂缝宽度；裂缝深度；水灰比；冻融循环次数 |
| 5 | 裂缝 | 60 | 11.32% | 弯曲裂缝；收缩裂缝；锈蚀引起的裂缝 |
| 6 | 效应 | 200 | 37.73% | 裂缝扩展；耐久性降低；钢筋锈蚀引发 |
| 7 | 属性 | 69 | 13.02% | 耐久性；弹性模量；抗拉强度；渗透性；韧性 |
| 8 | 策略 | 39 | 7.36% | 环氧注浆；表面密封；阴极保护；收缩控制；水化热控制 |
| 总计 | | 530 | 100% | – |

所构建的知识图谱通过关联裂缝特征、环境条件、材料属性、劣化效应和维护策略，提供了裂缝相关知识的结构化表示。效应节点占比较大，突出了对劣化后果和性能影响的重视，而条件、裂缝、属性和策略节点的集成则明确地将观察到的裂缝状况与潜在机理及相应的维护措施联系起来。这一结构支持知识检索、基于图的知识检索增强生成（Graph-RAG）推理以及基于标准的决策制定。

3.2 基于知识图谱的裂缝诊断

图10展示了海洋环境暴露下的知识图谱查询，揭示了从氯离子侵入到锈蚀引起的裂缝以及基于裂缝宽度的修复决策的劣化路径。在海浪花飞溅和干湿循环条件下，氯离子渗入混凝土保护层和裂缝，导致钢筋去钝化、钢筋锈蚀、锈蚀膨胀形成以及最终的耐久性劣化[55]。该图谱还检索了基于裂缝宽度的决策规则。当裂缝宽度≤0.15 mm时，由于氯离子传输的加速有限，在中等暴露条件下不需要修复[30]。当裂缝宽度超过0.15 mm时，建议采用环氧注浆以限制氯离子侵入并降低锈蚀风险[32]。

下载：下载高分分辨率图像（480KB）下载：下载全尺寸图像

图10. 海洋环境下钢筋混凝土裂缝诊断知识图谱。

检索到的路径表明，知识图谱能够在统一框架下整合环境暴露、劣化机理、结构损伤和维护决策。通过明确表示因果关系和工程规则，该图谱支持透明的裂缝诊断并促进工程决策制定。

除机理推理外，知识图谱还能根据环境条件和裂缝参数进行裂缝限值评估。如图11(a)所示，根据暴露条件确定允许裂缝宽度，并与实测值进行比较以评估合规性。当实测裂缝宽度（0.35 mm）超过允许限值（0.15 mm）时，图谱检索出适当的修复措施，如环氧注浆和表面防护涂层（图11(b)）。此外，图11(c)展示了一种集成查询，将环境条件、劣化机理和修复策略联系起来，能够根据暴露条件和裂缝评估结果检索裂缝层面和结构层面的干预措施。

下载：下载高分辨率图像（810KB）下载：下载全尺寸图像

图11. 知识图谱查询：(a) 裂缝限值评估；(b) 裂缝修复建议；(c) 连接环境暴露、劣化和修复策略的机理。

这些结果表明，知识图谱能够支持基于规则的裂缝评估和维护规划。通过在一个框架内整合环境暴露、裂缝特征、劣化机理和修复知识，该系统能够实现工程建议的一致检索，并为后续的基于图的知识检索增强生成（Graph-RAG）辅助推理和决策支持提供结构化基础。

3.3 基于图的知识检索增强生成（Graph-RAG）的大语言模型响应增强

从知识图谱中检索到的知识被整合到基于图的知识检索增强生成（Graph-RAG）框架中，以支持无需微调的零样本大语言模型推理。知识通过Cypher查询从Neo4j中检索，并与用户查询合并后进行大语言模型推理。表4展示了一个涉及海洋混凝土在干湿循环条件下的代表性示例（图11(c)）。基线大语言模型基于一般工程知识采用了0.20 mm的裂缝宽度限值，而基于图的知识检索增强生成框架根据ACI 224标准[32]从知识图谱中正确检索到了0.15 mm的允许限值。此外，该框架识别出了更全面的劣化机理链，并生成了直接与检索知识相关联的修复建议。

表4. 使用大语言模型生成相关解释的代表性示例。

这些结果表明，基于图的知识检索增强生成在使大语言模型推理基于领域特定工程知识方面是有效的。通过将结构化知识检索纳入推理过程，该框架提高了生成响应的准确性、可追溯性和标准合规性。此外，检索到的知识实现了暴露条件、劣化机理、裂缝限值和修复建议之间的一致关联，从而提高了工程决策的可靠性。

为了提供更全面的评价，构建并评估了30个覆盖不同暴露条件、裂缝特征和维护情况的裂缝评估场景。表5展示了十个代表性示例，用以说明基线大语言模型与所提出的基于图的知识检索增强生成框架之间的推理差异。一致性评价基于生成的裂缝宽度限值是否符合适用的规范条文和工程要求。在所有30个场景中，基线大语言模型在22个案例（73.3%）中生成了符合规范的裂缝宽度限值，而基于图的知识检索增强生成框架在所有30个案例中均达到一致性（100%）。

表5. 基线大语言模型与基于图的知识检索增强生成大语言模型的比较。

| 条件 | 允许裂缝宽度(mm) | 基线大语言模型准确性 | 基线大语言模型报告(mm) | 基于图的知识检索增强生成大语言模型准确性 | 基于图的知识检索增强生成大语言模型报告(mm) |
|------|------------------|---------------------|----------------------|----------------------------------------|------------------------------------------|
| 沿海飞溅区 | 0.15 | ? | 0.20 | ? | 0.15 |
| 海洋潮间区 | 0.15 | ? | 0.20 | ? | 0.15 |
| 海洋浸没区 | 0.20 | ? | 0.20 | ? | 0.20 |
| 除冰盐桥梁甲板 | 0.20 | ? | 0.20 | ? | 0.20 |
| 工业硫酸盐暴露 | 0.20 | ? | 0.20 | ? | 0.20 |
| 易碳化（干湿循环） | 0.20 | ? | 0.30 | ? | 0.20 |
| 室内干燥环境 | 0.40 | ? | 0.40 | ? | 0.40 |
| 氯离子污染桥墩 | 0.15 | ? | 0.15 | ? | 0.15 |
| 挡土墙 | 0.30 | ? | 0.30 | ? | 0.30 |
| 冻融区（钢筋混凝土结构） | 0.20 | ? | 0.20 | ? | 0.20 |

注：√表示裂缝宽度限值与知识来源中所述适用工程要求一致；×表示不一致。完整的30个评估场景及其参考答案见附表S3.1（补充材料）。

3.4 裂缝信息提取结果

如表6所示，模型在所有数据划分上均取得了持续的高分割性能。训练集、验证集和测试集分别达到了0.985、0.984和0.979的交并比（IoU）值，对应的F1分数分别为0.993、0.992和0.990。精确度和召回率在所有数据集上均保持在0.988和0.992以上，展现了优异的分割精度和强大的泛化能力。95%置信区间（CI）通过对测试图像进行1000次非参数自助重采样估计得到。

表6. 在训练集、验证集和测试集上的分割性能。

| 数据集 | 精确度 | 召回率 | F1分数 | 交并比（IoU） |
|--------|--------|--------|--------|--------------|
| 训练集 | 0.991 | 0.994 | 0.993 | 0.985 |
| 验证集 | 0.990 | 0.994 | 0.992 | 0.984 |
| 测试集 | 0.988 | 0.992 | 0.990 | 0.979 |
| 95%置信区间（测试集） | 0.982–0.992 | 0.987–0.995 | 0.984–0.993 | 0.971–0.986 |

所有数据集上一致较高的分割指标表明所提出的模型具有良好的泛化性能。较高的精度可能归因于使用了具有清晰可区分裂缝特征的高质量训练图像，从而促进了有效的特征学习。此外，较窄的置信区间表明模型在独立测试图像上的性能是稳定的，证明了所提出分割框架的鲁棒性。

代表性裂缝量化结果展示于图12。裂缝被分离为单独的图像，识别出的裂缝总数为三条。根据识别出的角度，可以确定裂缝的方向。当裂缝长轴与图像水平轴之间的角度落在45°至135°的范围内时，裂缝被归类为垂直裂缝。测量的裂缝长度范围为156.4至558.9像素（px），裂缝宽度范围为3.0至64.8像素，最大宽度出现在裂缝3中。与真实测量值（附录C）的比较表明，量化裂缝像素与参考裂缝像素之间存在高度一致性。

下载：下载高分辨率图像（418KB）下载：下载全尺寸图像

图12. 裂缝量化的代表性示例。

表7展示了在各种裂缝构型下（包括单条裂缝、多条平行裂缝和复杂的垂直裂缝模式）的代表性裂缝量化结果。在代表性样本中，最大裂缝长度范围为约511至587像素，最大裂缝宽度从8.9至64.8像素不等。根据裂缝模式，检测到的裂缝数量从一条到七条不等。在包含多条裂缝的图像中，该方法能够区分单独的裂缝实例并报告其方向和数量。在存在单条主导裂缝的情况下，提取的裂缝轨迹和宽度测量值与相应的可视化结果一致。

表7. 裂缝量化的代表性结果（单位：像素）。

| 序号 | 图像 | 分割可视化 | 最大长度 | 最大宽度 | 裂缝数量 |
|------|------|-----------|----------|----------|----------|
| 1 | | | 558.9 | 64.8 | 3 |
| 2 | | | 511.0 | 49.5 | 3 |
| 3 | | | 586.6 | 37.6 | 1 |
| 4 | | | 531.8 | 21.5 | 5 |
| 5 | | | 584.1 | 45.7 | 1 |
| 6 | | | 512 | 8.9 | 7 |

注：裂缝量化模块与参考像素测量值的精度验证见附录C。

结果表明，所提出的框架能够有效地检测并量化具有不同几何特征和结构复杂性的裂缝。可视化图与定量测量之间的一致性支持了裂缝长度和宽度估计程序的可靠性。还观察到，裂缝数量与裂缝严重程度之间并非必然相关。例如，一些图像中包含相对较多的裂缝，但最大裂缝宽度较小；而其他图像包含的裂缝数量较少，但宽度明显更大，表明劣化程度更为严重。测量的裂缝长度和宽度范围较广，进一步证明了该框架适用于不同尺度和损伤程度的裂缝。

然而，分割错误偶尔可能影响裂缝量化。如示例2所示，由不完整或不确定的边界分割引起的不连续性可能会将连续的裂缝分割成多个片段，导致裂缝计数不准确。在这种情况下，正确的解释应为一条水平裂缝和一条垂直裂缝。此类情况可以通过所提出的人机协同工作流程由工程师进行审核和修正。

3.5 案例研究

进行了一项案例研究，以展示从裂缝感知到知识驱动解释的完整工作流程，如图13所示。最大裂缝宽度被采用为主要评估参数。使用知识图谱对量化结果进行解释，以识别裂缝机理、评估潜在劣化并支持修复决策。在整个过程中，工程师在人机协同框架内对输出结果进行验证和修正，以提高裂缝评估和报告生成的可靠性。

下载：下载高分辨率图像（964KB）下载：下载高分辨率图像（733KB）下载：下载全尺寸图像

图13. 裂缝诊断的人机协同工作流程。

在当前阶段，焦距??和物距??由工程师手动指定。裂缝图像使用DJI Mini 2 SE无人机拍摄，分辨率为4000×3000像素。相机到表面的距离约为2000毫米，校准焦距为3507像素。从原始图像中裁剪出512×512像素的裂缝区域，并将其作为分割网络的输入。检测到的裂缝宽度范围为4.3至26.8像素，最大宽度为15.3毫米，最大长度为250.6毫米（模块1）。虽然最初识别出四条水平裂缝，但工程师将数量修正为三条。平均裂缝宽度和长度分别为2.9毫米和166.9毫米。

量化结果令人满意，流程进入下一阶段。在模块2中，工程师提供了关于结构材料、环境和荷载条件的详细信息。该结构由位于干燥环境中的钢筋混凝土墙体组成，且不受任何外部荷载。通过Cypher代码查询，从知识图谱中检索与裂缝限值、开裂机理及推荐修复措施相关的结构化数据，并将其存储在JSON文件中。本案例研究中使用的完整Cypher查询语句详见补充材料。在模块3中，工程师制定提示词以生成全面的分析响应和裂缝诊断技术报告，重点关注裂缝形成解释、潜在机理以及推荐修复策略。最终输出经过审阅和优化后，正式纳入工程报告。

按照图8所示的人机协作框架，本案例研究中工程师在工作流的六个阶段进行了干预：（1）在计算机视觉审查阶段审阅裂缝分割性能，并将裂缝数量从四个更正为三个；（2）提供裂缝量化所需的图像采集参数，包括焦距和拍摄距离；（3）提供额外的检测信息，包括材料类型、环境条件和荷载条件；（4）审阅从知识图谱中检索到的知识；（5）在提交给大语言模型之前审阅和优化提示词；（6）在大语言模型生成的检测报告纳入最终工程报告之前对其进行审阅和批准。

**4. 优势与局限性**

本节讨论所提方法的优劣，包括其可部署性（4.1节）、成本与效率性能（4.2节）、知识图谱的可维护性与时效性（4.3节）、人机协作干预的影响（4.4节），以及剩余挑战与未来发展机会（4.5节）。

**4.1. 可部署性**

所开发的系统可部署用于现场裂缝检测，其中由现场检测人员或无人机拍摄的裂缝图像上传至远程审查人员进行进一步分析，如图14所示。自动化图像分析流程效率极高，核心计算机视觉任务可在数秒内完成。除现场裂缝检测所需时间外，整体流程包括使用计算机视觉算法进行裂缝量化、从知识图谱数据库检索知识、使用大语言模型服务进行RAG增强的报告生成、工程师人工审阅以及反馈整合以实现系统的持续改进。该系统支持云端辅助的人机协作工作流，用于高效的裂缝评估、记录和优化改进。总体而言，该流程可在现场检测期间完成，实现及时的裂缝评估和决策。

除了用于图像采集的无人机和用于本地处理的联网笔记本电脑外，当前实现还依赖于Neo4j知识图谱数据库和大语言模型API服务来支持知识检索和报告生成。因此，运行期间需要稳定的网络连接。尽管存在这些基础设施要求，但该框架在具备可靠互联网访问的环境中仍然具有现场部署的可行性。


图14. 使用所开发框架进行现场裂缝检测

表8汇总了工作流中每个模块的处理时间。裂缝分割过程所需时间小于0.1秒，而量化测量大约需要1.0秒。裂缝特征可视化需要约3.5秒。知识检索和基于大语言模型的报告生成大约需要30秒。人工专家审阅需要额外60秒，随后反馈整合大约需要10秒。端到端总处理时间约为164.6秒。上述处理时间包含了在稳定网络连接下与云端知识检索和大语言模型推理相关的通信延迟。

**表8. 所提系统的现场处理时间**

| 序号 | 类别 | 时间（秒） |
|------|------|------------|
| 1 | 分割 | < 0.1 |
| 2 | 量化 | ~ 1.0 |
| 3 | 可视化 | ~ 3.5 |
| 4 | 知识检索 | ~ 60.0 |
| 5 | 报告（大语言模型） | ~ 30.0 |
| 6 | 审阅（人工） | ~ 60.0 |
| 7 | 反馈 | ~ 10.0 |
| 8 | 总计 | ~ 164.6 |

**4.2. 成本与效率比较**

表9对比了针对具有代表性的桥梁检测（包含200张裂缝图像）中不同检测方法的成本和工时。分析仅考虑运营成本和检测时间。一次性开发成本（如模型训练、知识图谱构建、软件部署和基础设施搭建）未纳入考虑，因为这些成本可跨多个项目摊销，而非归属于单一检测任务。

对于人工检测，假设每张图像的平均处理时间约为4分钟（包括重新定位检测平台（如梯子或高空作业平台）、裂缝识别、裂缝宽度测量、状况评估和检测记录），总计13.3小时。人工报告编写假设为每张图像5分钟（16.7小时），总时长30.0小时。劳动力成本根据桥梁检测人员的报告时薪范围（28.4–85.2元人民币/小时）估算，该数据来源于公开招聘信息服务。现场检测需要两名工程师（一名负责测量，一名负责操作升降设备），而报告编写仅需一名工程师。因此，人工检测的劳动力成本估计为1230–3689元人民币。

在计算机视觉辅助框架中，自动化裂缝量化将检测时间缩短至0.3小时，而报告编写仍需16.7小时，总时长为17.0小时。使用一名操作员，相应劳动力成本估计为483–1448元人民币，相比人工检测，劳动力成本降低了60.8%，检测时间减少了43.3%。相比之下，所提系统同时实现了测量和报告生成的自动化，现场需要0.3小时，报告生成需要9.1小时。总检测时长为9.4小时，劳动力成本估计为267–801元人民币，相比人工方法，劳动力成本降低78.3%，检测时间减少68.7%。

这些结果表明，报告编写是传统工作流的主要瓶颈，在本研究考虑的具有代表性的检测场景中，所提系统大幅提升了检测效率并降低了人力需求。

**表9. 200张裂缝图像的检测方法成本与时间比较**

| 类别 | 人工检测 | 计算机视觉+人工报告 | 所提系统 |
|------|----------|---------------------|----------|
| 现场 | 测量与记录 | 自动化量化 | 自动化量化 |
| | 13.3小时 | 0.3小时 | 0.3小时 |
| 报告编写 | 人工编写 | 人工编写 | RAG-大语言模型 |
| | 16.7小时 | 16.7小时 | 9.1小时 |
| 人力 | 2名工程师 | 1名操作员 | 1名操作员 |
| 总成本（人民币） | 1230–3689 | 483–1448 | 267–801 |
| 检测时长（小时） | 30.0小时 | 17.0 | 9.4 |
| 成本降低（%） | — | 60.8 | 78.3 |
| 时间减少（%） | — | 43.3 | 68.7 |

**4.3. 知识图谱维护**

所提图RAG框架的一个重要优势是外部知识图谱的可维护性。与传统的微调方法不同（后者在引入新的领域知识时通常需要重新训练模型），所提框架将领域知识与大语言模型分离，并将工程知识以结构化实体、关系和规则的形式存储在知识图谱中。当新标准发布或现有标准修订时，无需修改底层大语言模型即可更新知识图谱。图15展示了一个代表性的更新过程。

更新过程包括三个步骤：（1）从修订后的标准中识别修改的条款；（2）通过图查询定位知识图谱中受影响的实体和关系；（3）更新相应的节点属性和源信息，同时保留来源和版本记录。由于工程知识以独立的图实体表示，因此仅需修改受影响的节点和关系，而无需重建整个知识库。

在图15所示的例子中，准永久荷载组合下碳化相关条款的允许裂缝宽度限值从0.30毫米更新为0.25毫米（EN-1992）。修订值、标准参考和更新日期随后记录在相关参数节点中。


图15. 知识图谱中碳化相关裂缝宽度限值更新的示例

由于所提图RAG框架依赖于知识图谱的检索，涉及超出当前图谱范围的劣化机理、裂缝类型、环境条件或材料体系的查询可能返回有限或无相关知识。例如，火灾引起的开裂、冲击损伤、地震损伤以及当前数据集中未表示的其他专业材料体系。在这种情况下，该框架应指示知识支持不足，而非生成缺乏依据的工程建议。这些案例可标记为需专家审阅，并随后通过未来的知识图谱更新纳入其中。随着更多标准、检测记录和工程知识的可用性增加，可在不重新训练底层大语言模型的情况下增量扩展图谱。

**4.4. 人机协作干预的影响**

为评估人机协作干预的贡献，将所提工作流的每个阶段与完全自动化的替代方案进行了比较。如表10所述，人工干预主要作为质量控制机制，防止错误在工作流各阶段间传播。工程师的参与提高了裂缝量化的可靠性，丰富了上下文检测信息，验证了检索到的知识，优化了提示词构建，并验证了最终检测报告。

**表10. 人机协作干预在不同工作流阶段的影响**

| 工作流阶段 | 无人工干预 | 有人工干预 |
|------------|------------|------------|
| 计算机视觉审查 | 直接使用裂缝检测结果；假阳性和假阴性可能传播至后续阶段 | 工程师在进一步分析前验证裂缝检测结果 |
| 裂缝量化 | 宽度估算仅依赖于自动提取的图像信息，可能受缺失或不正确的相机参数影响 | 工程师提供焦距、拍摄距离和其他采集参数以提高测量可靠性 |
| 检测信息输入 | 材料类型、环境条件和荷载条件不可用或假设，可能导致上下文不完整 | 工程师提供项目特定检测信息以支持知识检索 |
| 知识检索 | 自动接受检索到的知识，可能包含不相关或不完整的信息 | 工程师在构建提示词前验证检索知识的相关性和正确性 |
| 提示词工程 | 提示词自动组装，可能引入歧义或遗漏关键上下文 | 工程师审阅和优化提示词以提高大语言模型的理解能力 |
| 报告生成 | 直接接受生成的报告，未经验证 | 工程师在将报告纳入最终工程文件前进行审阅和批准 |

注：本表提供了人工干预在潜在作用方面的工作流级别的定性比较。并非对归因于人机协作干预的性能提升的定量评估。

**4.5. 挑战与机遇**

从所提框架过渡到更广泛的实际结构检测和维护面临若干实际挑战。这些主要涉及基于大语言模型的推理的部署与可重复性（4.5.1节）、现场条件下的鲁棒性（4.5.2节），以及将单个模块整合为自动化端到端工作流（4.5.3节）。以下各节讨论这些挑战及相应的发展机遇。

**4.5.1. 大语言模型部署与可重复性挑战**

尽管所提知识增强框架效果显著，但仍存在若干实际挑战。一个关键限制在于大语言模型在实际基础设施监测场景中的部署。最先进的大语言模型计算密集且需要大量硬件资源，使得现场或边缘部署在桥梁或隧道检测等现场应用中困难重重。因此，当前框架依赖于在线或云端推理，在实际工程环境中可能受到网络连通性、数据传输延迟和安全性的限制。未来在轻量化大语言模型、边缘推理以及混合云-边架构方面的进展可能促进知识增强推理系统的实际部署。面向特定任务的微调以及紧凑领域适配大语言模型与知识图谱的整合，可能进一步推动现场高效可靠的推理。未来研究应探讨在结构健康监测应用中模型复杂度、推理性能与部署可行性之间的权衡。

尽管GPT-5.1在知识推理和报告生成方面表现优异，但使用商业大语言模型可能引入与可重复性、模型版本更新、API可用性、运营成本和数据隐私相关的挑战。此外，未来专有模型的变更可能影响输出的一致性。未来研究将探讨将本地部署的开源大语言模型（如Llama和Qwen）作为商业API的替代方案进行整合，这可能提高可重复性、透明度、数据安全和基础设施监测与维护应用的长期适用性。

**4.5.2. 现场条件下的鲁棒性**

尽管所提框架在高质量图像上表现良好，但其实际适用性仍然有限。目前，该框架主要适用于背景相对简单且均匀的裂缝。然而，实际中裂缝图像往往受到环境和材料相关的噪声影响，如水分、外露骨料、水下表面和碱骨料反应引起的模式，这些都会使表面纹理复杂化并模糊裂缝与背景的边界。现有公共数据集未能充分代表这些具有挑战性的条件，当前图像数据库也缺乏此类复杂案例的足够样本，导致裂缝量化性能明显下降，如图16所示。因此，通过大规模、在不利条件下采集的真实世界图像来扩展和多样化数据集，对于提高框架的鲁棒性和实际可靠性至关重要。


图16.

具有代表性的挑战性裂纹条件示例：（a）ASR（碱骨料反应）引起的裂纹图像；（b）ASR裂纹对应的分割掩码；（c）表面水干扰下的裂纹图像；（d）受水影响的裂纹对应的分割掩码。另一个重要的局限性是所提框架的验证范围。尽管各个模块的有效性已通过多次实验进行评估，但完整框架仅通过单一无人机桥梁检测案例进行了演示。因此，所提框架的通用性尚未在不同桥梁结构、裂纹类型和严重程度、成像条件（如光照、视角和图像质量）以及环境条件下得到充分验证。此外，该框架在不同无人机平台、相机配置和检测场景下的鲁棒性仍有待进一步研究。因此，需要更多实际案例来全面评估所提框架的可靠性和实用适用性。此外，虽然裂纹量化模块在附录C中与参考像素测量表现出强一致性，但当前研究未进行与现场测量裂纹宽度的直接验证。公式（3）中的物理裂纹宽度估计依赖于用于像素到度量转换的相机到表面距离和焦距；因此，这些参数的不确定性可能会影响估计的物理宽度。作为现场参考的指示性数据，Li等人[56]报道，在长距离基于图像的桥梁裂纹测量实验中，对于0.16 mm的参考裂纹宽度，误差从4.823 m距离处的0.0112 mm增加到20.080 m距离处的0.0336 mm，分别对应参考宽度的约7%和21%。本案例研究采用的相机到表面距离较短，约为1–2 m，对于这种距离，相关误差预计约为1–3%。由于本研究的主要目标是评估所提框架的可行性，而非建立新的裂纹测量方法，案例研究侧重于在真实无人机检测场景中演示端到端工作流程。未来工作将纳入裂纹规测量和从真实桥梁检测中获得的人工测量裂纹宽度数据，以评估不同成像和环境条件下物理裂纹宽度估计的准确性和不确定性。

4.5.3 系统集成与自动化

另一个重要挑战在于系统集成与自动化。尽管所提框架将图像分析、知识提取和基于大语言模型的推理连接在一起，但当前工作流程仍需要各模块之间的手动过渡。未来工作应聚焦于开发统一的图形用户界面（GUI），以无缝集成这些组件并增强操作自动化。这样的GUI可以允许工程师在单一平台上上传图片、输入相机参数（如焦距和拍摄距离）并提供上下文信息（如荷载条件、环境暴露和材料类型）。系统随后可以自动执行几何转换、裂纹量化、知识检索和报告生成的精简流水线。工程师仅在关键验证点进行干预，在保持人在环监督的同时最小化重复性手动操作。向更加集成和自动化的界面迈进将显著提升可用性、一致性和在真实结构评估场景中的实际部署潜力。

5. 结论

本文提出了一个知识灌注框架，集成了基于计算机视觉的裂纹感知、领域特定知识图谱、Graph-RAG辅助推理和人在环验证，用于混凝土结构的裂纹诊断、状态评估和维护规划。除展示所提框架的可行性和性能外，研究结果还提供了以下关键发现和工程见解：

• 建立了一个包含530个节点和716条关系的领域特定知识图谱，将裂纹特征与材料、环境和荷载条件、劣化效应及维护策略联系起来。所生成的知识路径揭示了暴露–劣化–开裂–后果的关系，表明可观测裂纹可作为潜在劣化过程的表现，而非孤立的几何缺陷。

• 裂纹感知模块将检测图像转换为用于工程评估的定量裂纹特征。与100个人工测量值的对比验证达到了R2=0.976、MAE=0.505 mm和平均偏差：0.01 mm。总计算时间低于4.6秒，展示了准确性和高效性。仅凭裂纹几何特征并不能确定工程严重程度；在不同的暴露、材料和荷载条件下，相似的裂纹特征可能导致不同的评估结果。这证实了裂纹评估本质上是上下文相关的，而非纯粹基于几何特征。

• 框架通过使用图像导出的裂纹特征作为动态知识图谱查询，连接了底层感知数据和高层领域知识。Graph-RAG将30个场景中的代码一致性裂纹宽度评估从73.3%提升至100%。代码一致性的改善表明，结构化领域知识不仅作为附加信息，还作为对大语言模型推理空间的约束。通过将大语言模型推理锚定在领域知识上，框架减少了幻觉和无根据的判断，实现了可追溯的工程评估。

• 人在环验证过程允许工程师验证中间结果（如分割精度）、提供关键上下文输入（如荷载条件、材料性能）并审核最终报告。这一交互过程不仅增强了输出的实用相关性，还建立了人们对AI驱动建议的信任，这对于基础设施管理至关重要。

• 所提流水线在<0.1秒内实现裂纹分割，并完成从无人机图像到检测报告的完整端到端工作流程，每个案例耗时164.6秒（约2.7分钟），实现快速现场部署。在代表性桥梁检测场景中，该框架与人工检测相比可减少78.3%的劳动成本和68.7%的检测时间。效率提升主要源于自动报告生成，这是传统检测工作流程中的主要瓶颈。

尽管所提框架展示了知识增强裂纹评估的可行性，但它仍处于早期技术准备阶段。以下局限性需要解决以支持未来的成熟和大规模部署：

• 尽管所提框架展现了令人前景的性能，但其验证范围仍然有限，需要更多实际案例来进一步评估其通用性和实用适用性。

• 计算密集型的大语言模型限制了边缘部署并增加了对云端推理的依赖，带来延迟和安全方面的担忧。应探索轻量级模型和混合云-边架构以实现实际部署。

• 在复杂现场条件下（如湿气、骨料外露、浸水表面和ASR引起的纹理），性能会下降。需要更大的真实世界数据集和更具鲁棒性的感知模型来改善泛化能力。

• 感知、知识检索和推理之间仍存在部分手动过渡。统一整合图像处理、知识查询和报告生成的GUI将提升实际部署效果，同时保留人工监督。

**CRediT作者贡献声明**

彭威国：写作–初稿撰写，方法论，调查，形式分析，数据整理。

詹蒋：写作–审阅与编辑，软件，方法论，数据整理。

舒永华：写作–审阅与编辑，数据整理。

谭晓：写作–审阅与编辑，指导，项目管理，资金获取。

滕乐：写作–审阅与编辑，资金获取，数据整理。

华旭刚：写作–审阅与编辑，软件，资源。

鲍怡：写作–审阅与编辑，指导，项目管理，概念化。

**彭威国 | 詹蒋 | 舒永华 | 谭晓 | 滕乐 | 华旭刚 | 鲍怡**