智能检测与3D可视化技术在长距离输水渠道混凝土衬板裂缝中的应用：以中国南水北调工程中线深挖段裂缝检测为例

《International Journal of Applied Earth Observation and Geoinformation》：Intelligent detection and 3D visualization for cracks in concrete lining panels of long-distance water conveyance channels: A case study on crack detection in deep-cut sections of the middle route of China ’s South-to-North water diversion project

　　青峰胡|卫强卢|文凯刘|西敏崔|瑞民冯|守凯陈|微博尹|西东陈|子瑞张|子琳刘|佩佩何|开峰马|丹通朱|鹏王|唐静马|世明李|金平刘|启帆吴|辉张
华北水利水电大学测绘与地理信息学院，中国河南省郑州市金水东路136号，450046

**摘要**
本研究针对中国南水北调中线工程深挖渠道段中大量裂缝的智能检测与空间定位问题进行了探讨。提出了一种集裂缝检测、定位及混凝土渠道衬砌三维可视化于一体的综合框架。首先采用基于无人机的模拟地面摄影测量技术获取了114,220张高分辨率图像，据此构建了表面分辨率为0.47厘米/像素的摄影测量纹理网格模型。基于2886张代表性图像，建立了专门用于智能裂缝检测的训练数据集。通过将摄影测量共线方程与无人机（UAV）模拟地面飞行时的实时位置和定向系统（POS）数据相结合，开发出单张图像裂缝坐标计算模型，并将其嵌入YOLOv7目标检测框架中。这种集成方式使得无需依赖立体图像对即可直接计算裂缝空间坐标，从而在统一的深度学习框架内同步实现裂缝识别与空间定位。实验结果表明，在IoU阈值为0.5的情况下，YOLOv7的mAP@0.5达到了84.3%，平面定位精度优于0.1米。最终，将检测到的裂缝信息映射到毫米级摄影测量纹理网格模型上，实现了裂缝空间分布的直观可视化，为长距离输水渠道的结构状况评估及智能运维提供了技术支持。

**1. 引言**
通常情况下，带有混凝土衬砌板的输水渠道在受到水文、地质和气候因素共同影响下运行一段时间后，会形成大量裂缝。长期处于这些条件下的裂缝可能会进一步扩展和变宽（Long等人，2020年）。如果这些缺陷未能及时发现并得到有效处理，将对水利工程的安全可靠运行构成严重威胁。作为世界上最大的调水工程之一，中国南水北调中线工程自2014年12月12日起持续运行，目前为北京约75%的市政用水和天津约99%的用水需求提供保障，穿越40多个城市及280多个县区，直接受益人口超过1.76亿（刘等人，2022年）。常规检查发现混凝土渠道衬砌板上存在大量形状和大小各异的裂缝，尤其是在靠近水源头的深挖渠道段，这一问题引起了渠道管理机构的广泛关注。然而，由于渠道长度长且覆盖范围广（韩等人，2022年；刘等人，2022年），传统的手动检测方法难以快速全面地评估裂缝的发展和空间分布（张等人，2022年；高等人，2023年；潘塔等人，2023年；程等人，2021年；沙班等人，2024年）。随着基于深度学习的对象检测算法在小目标检测技术上的突破（程等人，2023年；闵等人，2022年；布鲁尼亚拉等人，2023年；孙等人，2023年；周等人，2021年），传统的两阶段算法（如任等人2017年提出的RPN+Fast R-CNN）通过共享卷积特征提高了小目标检测精度。但这些算法依赖于区域提案生成与分类、回归的串行结构，导致计算效率较低，难以满足工程应用中的实时检测需求（阿里等人，2022年；雷和刘，2024年；徐等人，2023年）。相比之下，YOLO系列算法将检测任务统一为单阶段回归问题（李等人，2022年；王等人，2023年），在保持高效推理的同时不断提升小目标检测能力。其中，张等人（2022年）提出的CR-Yolo实现了桥梁裂缝的检测与分割，但其性能严重依赖于裂缝的视觉显著性，因此在低对比度或微裂缝场景中效果受限。徐等人（2023年）提出的YOLOv5-IDS通过引入双边分割网络和扩张卷积等模块，展示了YOLO框架在工程应用中的潜力。在此基础上，王等人（2023年）提出的YOLOv7进一步解决了参数化模块替换和动态标签分配问题，并采用可训练的“免费物品袋”策略提高了检测精度，同时保持了单阶段架构的效率。这使得YOLOv7在小目标检测任务中表现出色。因此，本研究选择YOLOv7作为基线模型，以平衡裂缝检测精度和工程部署效率。

尽管现有的裂缝定位方法在特定场景下取得了一定效果，但在大规模工程应用中仍面临三大限制：首先，空间定位能力有限。童等人（2017年）提出的方法结合了卷积神经网络（CNN）和地面穿透雷达（GPR），仅输出GPR图像中的像素坐标，未建立裂缝与物体空间之间的映射；同样，刘等人（2019年）提出的DeepCrack通过多尺度特征融合和深度监督提高了像素级裂缝分割精度，但仍未实现真正的空间定位。其次，高度依赖专用设备和人工参与。金等人（2025年）提出的方法结合了计算机视觉和众包技术，需要大量人员携带设备进行现场检测；Barbosh等人（2024年）提出的基于声波的定位方法也仅适用于小规模场景下的混凝土结构像素级识别，自动化程度低，难以在大范围内持续部署。第三，传统摄影测量定位方法难以与深度学习检测框架无缝集成。虽然基于多视图立体重建的方法可以实现空间坐标计算（张和张，2012年；王和徐，2016年），但要求同一裂缝在不同图像中都能稳定检测到。然而，深度学习检测结果在不同视图间的不一致性使得对应点匹配变得困难，阻碍了在统一框架内同时完成检测和定位。相比之下，本研究将基于摄影测量共线方程和无人机模拟地面飞行实时POS数据的单张图像坐标计算模块集成到YOLOv7检测框架中，实现了裂缝检测与空间定位的同步协调。该方法不依赖多视图图像匹配、专用传感器或人工检测，同时保证了亚米级的定位精度，显著提升了系统自动化程度和工程可扩展性，为大规模线性输水渠道的智能裂缝检测提供了高效可行的技术解决方案。

**2. 研究区域工程条件及裂缝发展特征与危害**
2.1. 研究区域工程条件
本研究聚焦于中国南水北调中线工程水源头附近的深挖渠道段。研究区域位于中国河南省南阳市九冲镇（见图2），由陶岔管理办公室负责行政管理。该渠道段长约5.0公里，呈西南-东北走向，最大宽度约为425米，总面积约为1.68平方公里。最大开挖深度达48米，属于典型的长距离深挖输水渠道，具有严格的结构安全要求。

渠道基础主要由第四纪膨胀土和砂土层以及上新世膨胀岩、砂岩和砂砾岩构成。地下水条件复杂，包括第四纪孔隙-裂隙承压水和上新世砂岩及砂砾岩中的裂隙-孔隙承压水。在膨胀土、高地下水位、深挖坡度及区域气象条件的共同作用下，研究区域极易发生地质灾害，如边坡不稳定和渠道衬砌结构裂缝（见图3）。

**2.2. 裂缝发展特征与危害**
研究区域的主要裂缝类型为纵向裂缝，占比超过90%，主要沿渠道方向分布，长度较长，可穿透多块混凝土板。横向裂缝占比不到10%，多出现在施工缝和结构薄弱处，长度一般不超过0.5米。裂缝的空间分布极不均匀。在膨胀土层厚且地下水位波动较大的渠道段，裂缝密度是普通段的2-3倍。裂缝宽度通常在0.1至3.0毫米之间，少数穿透裂缝可超过5毫米。裂缝对工程造成多重危害：首先降低输水效率；其次破坏衬砌结构完整性，可能导致冻融循环和膨胀土反复膨胀收缩引起的局部坍塌；更严重的是，裂缝成为水分渗透的通道，加剧膨胀土的软化，形成渗漏-变形恶性循环。在极端情况下，穿透裂缝可能引发边坡不稳定，对主渠道构成系统性风险。此外，裂缝修复成本高昂，未能及时发现裂缝将显著增加运营和维护成本。因此，裂缝预防和控制不仅是工程问题，也是国家水资源安全战略的重要课题。

**3. 数据集与方法**
3.1. 数据获取
由于研究区域的地形条件独特，传统无人机倾斜摄影测量（见图4(a)）在固定飞行高度下容易导致地面采样距离不一致（赵等人，2023年；李等人，2022年；李等人，2023年），从而降低三维重建的精度（李等人，2022年）。这不仅限制了从高分辨率图像中有效提取裂缝特征，还在固定高度飞行条件下获取可靠实时POS数据时带来挑战，进一步阻碍了大规模裂缝坐标计算。为克服这些限制，本研究采用了基于无人机的模拟地面摄影测量技术（胡等人，2022a；Bihter等人，2024年）获取高分辨率裂缝图像（见图4(b)）。该技术使无人机能够保持相对于地面的恒定高度，确保复杂地形下的图像分辨率和可靠的POS记录。为辅助飞行路线规划，使用18个均匀分布的地面控制点进行了飞行前正射影像处理（胡等人，2022b；刘等人，2022年），并部署了DJI Phantom 4 RTK无人机生成实验区域的数字高程模型（DSM）（见图5(a)）。与公开可用的DEM（Okolie和Smit，2022年）产品相比，生成的DSM反映了最新的地表状况，并为安全和准确的飞行规划提供了更高的可靠性（Han等人，2022年）。下载：下载高分辨率图像（245KB）下载：下载全尺寸图像图4。（a）固定高度无人机的倾斜摄影测量；（b）基于无人机的模拟地面摄影测量。根据现场调查，并考虑到障碍物清除要求以及地面采样距离限制（Stucker和Schindler，2022年），选择了30米的飞行高度。飞行路线是根据DSM设计的，前向重叠率为80%，侧向重叠率为75%（Liu等人，2022年；Qiang等人，2023年），以确保足够的图像覆盖范围，用于摄影测量建模和裂缝检测任务（见图6）。下载：下载高分辨率图像（553KB）下载：下载全尺寸图像图5。（a）控制点的分布和示例；（b）DSM数据。下载：下载高分辨率图像（1MB）下载：下载全尺寸图像图6。无人机飞行路径和参数。下载：下载高分辨率图像（480KB）下载：下载全尺寸图像图7。基于YOLOv7的裂缝检测和坐标计算增强方法框架：1. 输入：无人机图像及其对应的POS数据；2. 主干网络：使用YOLOv7的E-ELAN结构提取多尺度特征；3. 头部网络：输出裂缝边界框的像素坐标、置信度和类别信息；4. 坐标计算：基于共线方程，结合POS数据和渠道坡度的先验信息，实现单图像对象空间坐标的计算。3.2. 摄影测量纹理网格建模和数据集准备为了满足复杂地形中三维重建的高计算和几何要求，采用了五镜头倾斜相机系统进行基于无人机的模拟地面摄影测量，这提高了深挖渠道部分的立面重建精度。室内数据处理在配备Intel Core i7-9700K处理器的Precision 3630工作站上进行。在检查图像质量并移除POS数据不可靠的图像后，使用地面控制点进行了空中三角测量。最终通过密集点云重建、三角化不规则网络构建和纹理映射生成了摄影测量纹理网格模型（Li等人，2023年）。通常，三维模型的精度是根据纹理分辨率和位置精度来评估的。位置精度通常通过水平距离和垂直距离的均方根误差（RMSE）来量化，使用公式（1）计算：（1）RMSE=±∑i=1n△i2/n。在公式（1）中：RMSE表示均方根误差；△i是检查点坐标与模型上相应坐标之间的差异；n是检查点的数量。为了支持基于深度学习的裂缝检测，从获取的数据集中选择了2886张代表性图像，并按照Torrallba等人（2010年）的YOLO格式进行了手动标注。所得数据集专门用于混凝土渠道坡面的裂缝检测，可以作为大规模输水渠道智能检测的专用数据集。3.3. YOLOv7实验配置和裂缝定位的增强为了实现从裂缝识别到空间定位的集成过程，本研究选择了YOLOv7作为基线模型，它在准确性和效率之间取得了良好的平衡。实现是在Windows平台上使用PyTorch进行的（Han等人，2023年；C.-Y. Wang等人，2023年）。实验使用了2886张标注图像，这些图像涵盖了各种裂缝形态和场景，分为训练集、验证集和测试集，比例为6:2:2。为了解决小裂缝目标和高图像分辨率的问题，采用了YOLOv7为小目标场景推荐的优化训练参数，包括随机梯度下降优化器、余弦退火学习率策略、锚框重聚和更密集的检测头部。为了实现裂缝的空间定位，本研究在YOLOv7检测过程后集成了一种基于摄影测量建立的共线方程的单图像坐标计算模块（见图7）。在完成单图像上的裂缝检测后，YOLOv7首先输出裂缝边界框的像素坐标[x_min, y_min, x_max, y_max]、置信度和类别标签以及相应的图像编号。该系统中的裂缝坐标计算模块在获得像素坐标信息后，根据共线方程与实时的无人机POS数据匹配（Wang和Xu，2016年；Zhang和Zhang，2012年），从而仅使用单张图像就能精确计算出裂缝的对象空间坐标。与传统的立体摄影测量中依赖于匹配对应点的方法相比（Qi，2022年），这种方法有效避免了深度学习检测结果不一致的问题（见图8(a)）。具体原理如下：根据摄影测量的原理，图像点的辅助图像空间坐标系S?uvw依次围绕v轴、Xφ轴和Zφω轴旋转角度φ、ω和κ，使其完全与图像空间坐标系S?xyz重合（Wang和Xu，2016年；Zhang和Zhang，2012年），从而得到公式（2）：（2）uvw=cosφ0?sinφ010sinφ0cosφ1000cosω?sinω0sinωcosωcosκ?sinκ0sinκcosκ0001xy?f=RφRωRκxy?f=Rxy?f=a1b1c1a2b2c2a3b3c3xy?f。在公式（2）中：（3）a1=cosφcosκ?sinφsinωsinκa2=?cosφsinκ?sinφsinωcosκa3=?sinφcosωb1=cosωsinκb2=cosωcosκb3=?sinωc1=sinφcosκ+cosφsinωsinκc2=?sinφsinκ+cosφsinωcosκc3=cosφcosω。下载：下载高分辨率图像（113KB）下载：下载全尺寸图像图8。（a）双图像立体映射的基础；（b）图像点a与地面点A之间的空间几何关系。因此，摄影中心S、地面点A和图像点a是共线的。摄影中心S和地面点A在D?XYZ坐标系中的坐标分别为（XS, YS, ZS）和（X, Y, Z），而地面点A在S?uvw坐标系中的坐标为（X?XS, Y?YS, Z?ZS），图像点a在S?uvw坐标系中的坐标为（u, v, w）。因此，我们可以得到公式（4）：（4）uvw=1λX?XSY?YSZ?ZST。通过进一步推导，得到共线方程（5）（Wang和Xu，2016年）：（5）X=XS+(Z?ZS)a1x+a2y?a3fc1x+c2y?c3fY=YS+(Z?ZS)b1x+b2y?b3fc1x+c2y?c3f。在公式（5）中，相机的主距f被视为已知参数。投影中心S的对象空间坐标XS、YS、ZS以及在以主点o为原点的图像平面坐标系中的图像点a的坐标x和y也是预先确定的已知量。通过无人机POS数据及后续计算，可以得到三个外部定向角φ、ω和κ得出的九个方向余弦值ai、bi、ci（i=1,2,3）。根据摄影测量的原理，要从单张图像计算对象空间坐标，需要知道地面点的对象空间坐标Z值。因此，本研究利用了研究区域内裂缝分布的渠道衬砌坡度的坡度是一个固定值这一条件。采用无人机跟随地形摄影测量来捕捉渠道坡面上的裂缝目标图像，无人机的投影中心始终位于衬砌板坡度之上（见图8(a)）。基于空间几何关系，得到公式（7），从而得出Z?ZS的值。（6）OaO1A=SOSO1?x2+y2O1A=fZ?ZSO1O2O1Acosβ=tanα?H?(Z?ZS)O1Acosβ=tanαtanβ=xy（7）?Z?ZS=Htanα?cosarctanxy?x2+y2f+1。这里，H是从无人机跟随地形飞行的实时POS数据获得的无人机与地面之间的实时相对高程数据。基于深度学习的对象检测模型的评估指标主要包括以下方面：F1分数和平均精度（mAP）。（8）F1=2?Precision?RecallPrecision+Recall（9）mAP=∑i=1num_classesAPinum_classes。3.4. 将裂缝检测结果与摄影测量网格模型集成为了更直观地展示检测结果，本文将检测到的裂缝边界框的对象空间坐标向量化，并将其叠加在摄影测量纹理网格模型上。具体来说，首先使用第3.3节中计算的每个边界框的四个角点在软件中绘制一个平面矩形，而不是直接渲染2D边界框。然后使用光线-表面交点算法将这个矩形拟合到3D表面模型上，实现裂缝分布的三维可视化，同时提供可靠的空间参考。4. 结果与讨论4.1. 智能裂缝检测结果和准确性在本研究中，采用了YOLOv7对象检测算法高效准确地识别了研究区域内的混凝土衬砌裂缝。共检测到311条裂缝，包括233条大裂缝和78条小裂缝。为了系统评估YOLOv7在裂缝检测任务中的性能优势，选择了三种代表性的对象检测算法——Faster R-CNN、YOLOv5和SSD进行对比实验。相应的检测结果如图9所示。可以看出，裂缝在图像中占比较小，并表现出小目标的典型特征，即细长的线性结构。红色边界框代表深度学习模型产生的裂缝检测结果，而黑色文本表示检测到的类别及其对应的置信度。从定性结果来看，YOLOv7能够更完整、更准确地识别裂缝目标。相比之下，Faster R-CNN、YOLOv5和SSD在检测方面存在不同程度的漏检和误检，其中SSD在检测小裂缝时的表现尤其差。下载：下载高分辨率图像（843KB）下载：下载全尺寸图像图9。不同算法获得的裂缝检测结果：（a）YOLOv7；（b）Faster R-CNN；（c）YOLOv5；（d）SSD。该图展示了同一测试图像上的裂缝检测性能。为了进一步定量评估模型性能，在相同的实验条件下使用2886张图像对四种算法的mAP@0.5指标进行了比较分析。结果如图10和表1所示。结果表明，YOLOv7的检测性能最佳，mAP@0.5为84.30%，F1分数为0.8。相比之下，YOLOv5的mAP@0.5为45.20%，Faster R-CNN为27.71%，SSD的性能最低，mAP@0.5为20.73%。总体而言，YOLOv7在裂缝检测任务中表现出显著的优势。下载：下载高分辨率图像（148KB）下载：下载全尺寸图像图10。YOLOv7的性能评估指标：（a）F1分数曲线；（b）精确度-召回率曲线。如图（a）所示，F1分数达到0.80，而（b）表明mAP@0.5为84.3%。表1. 不同检测算法的mAP@0.5比较。算法YOLOv7YOLOv5Faster R-CNNSSDmAP@0.5 (%)84.3045.2027.7120.734.2. 从单张图像中定位裂缝坐标为了验证所提出的单图像裂缝坐标计算模型的可靠性和稳定性，采用了分层系统随机采样方法来选择不同类型的裂缝进行定位精度评估。（X, Y）和（x, y）分别表示裂缝几何中心和检测边界框中心在CGCS2000坐标系中的投影坐标（见图11(a)）。结果（见表2）表明，最大误差为0.120米，平均误差小于0.1米。平均误差小于0.1米的定位精度足以引导维护人员找到正确的面板及其内部的具体位置进行修复。表2。（△x, △y）表示两个中心之间的轴向误差；△表示裂缝几何中心与检测边界框中心之间的欧几里得距离误差。裂缝类型XYxy△x△y△（m）纵向37 573 734.923 618 401.0537 573 734.923 618 401.01?0.0000.0430.043纵向37 577 604.643 621 082.4837 577 604.603 621 082.480.0380.0000.038纵向37 573 989.183 618 661.0637 573 989.093 618 661.060.096?0.0050.096纵向37 576 391.263 620 279.1137 576 391.303 620 279.10?0.0360.0100.038纵向37 576 693.863 620 390.9837 576 693.903 620 390.96?0.0390.0240.046纵向37 575 344.803 619 833.5737 575 344.813 619 833.48?0.0140.0850.086纵向37 573 892.923 618 563.5137 575 892.903 618 563.460.0200.0570.060纵向37 573 623.983 618 292.4237 573 623.963 618 292.510.022?0.0860.089纵向37 576 597.843 620 283.6437 576 597.963 620 283.62?0.1170.0230.120横向37 574 692.343 619 266.9737 574 692.373 619 266.93?0.0290.0450.054横向37 576 259.283 620 230.8337 576 259.223 620 230.800.0640.0340.072横向37 575 952.603 620 120.4237 575 952.563 620 120.470.037?0.0430.056横向37 573 707.863 618 272.2137 573 707.873 618 272.18?0.0090.0250.026横向37 575 883.143 620 021.1737 575 883.123 620 021.200.025?0.0230.034倾斜37 574 166.973 618 840.9137 574 166.983 618 840.92?0.008?0.0140.016倾斜37 574 533 619 110.7937 574 533.333 619 110.77?0.0450.0210.049倾斜37 575 549.533 619 979.5037 575 549.493 619 979.530.041?0.0270.049倾斜37 577 553 620 936.7737 577 553.513 620 936.780.035?0.0100.0364.3. 将裂缝结果与毫米级摄影测量纹理模型集成通常，三维模型的精度是根据纹理分辨率和位置精度来评估的（Han等人，2022年；Stucker和Schindler，2022年）。对于深挖渠道部分，构建了一个表面纹理分辨率为0.47厘米/像素的摄影测量纹理模型，能够清晰地表示毫米级的裂缝特征。该模型的纹理质量完全满足南水北调项目中裂缝检测和可视化的要求。为了验证模型的位置精度，在测试区域内均匀分布了十个检查点，并使用网络RTK进行了测量。将测量坐标视为真实值，并与从三维模型中提取的相应估计坐标进行比较（Q集成可视化有效地揭示了裂缝的数量、空间分布和局部细节，为工程管理和损伤评估提供了直观且真实的数据支持。下载：下载高分辨率图像（908KB）下载：下载全尺寸图像图11. (a) 裂缝空间定位误差；(b) 毫米级摄影测量纹理网格模型的RMSE；(c) 和 (d) 裂缝与摄影测量纹理网格模型的集成细节。4.4. 讨论从裂缝检测结果（第4.1节）来看，YOLOv7在构建的数据集上表现出优越的性能，在IoU阈值为0.5时，mAP@0.5达到了84.3%，显著高于YOLOv5、Faster R-CNN和SSD。对于小规模和细长的裂缝，YOLOv7有效减少了漏检和边界框偏差，预测的边界框与实际裂缝几何形状非常吻合。相比之下，其他算法仍存在不同程度的漏检和边界框偏移。在空间定位方面（第4.2节），本研究开发了一种基于摄影测量共线性方程和无人机位置数据（UAV POS数据）的单图像裂缝坐标计算模型。这种方法克服了现有方法（如CNN–GPR融合（Tong等人，2017年）和基于声学的技术（Barbosh等人，2024年；Jin等人，2025年）的局限性，这些方法只能在大规模工程场景中提供像素级坐标，并实现了裂缝检测和空间定位的协调实施。实验结果表明，检测到的边界框中心与真实几何中心之间的最大距离误差为0.120米，平均误差优于0.1米。与现有方法（Hu等人，2022b年）相比，后者仅达到约0.3米的精度，所提出的方法将定位精度提高到了亚分米级别。同时，它避免了多视图匹配和复杂的手动干预，从而降低了算法复杂性和工程成本。关于结果表示（第4.3节），裂缝的物体空间坐标被矢量化并与分辨率为0.47厘米/像素的毫米级纹理网格模型集成，确保了可靠的三维表示。与传统的2D检测结果或表格统计相比，这种方法能够直观地展示裂缝的空间分布。5. 裂缝发展机制分析及维护意义研究区域位于南水北调工程中线的陶岔段，该段渠道穿越了膨胀土层。裂缝的发展对项目的长期安全构成了重大挑战。根据裂缝检测结果（第4.1节）和空间定位结果（第4.2节），裂缝的空间分布呈现出明显的带状和方向性模式。裂缝主要集中在年地下水位波动较大且膨胀土层较厚的渠道段，并且沿着优先的地下水流路径其密度显著增加，这与水文地质条件高度一致。这些特征对维护管理有两个关键意义：(1) 检查优先级——裂缝高发区域与地下水位波动区域高度重叠，应在雨季前后增加检查频率；(2) 修复策略——在修复过程中应加强排水措施，以中断“渗透–软化”反馈循环，并且在设计膨胀缝和选择填充材料时应充分考虑膨胀土段的变形适应性。6. 结论本研究解决了南水北调工程深挖渠道段智能裂缝检测的需求。开发了一个包括图像采集、目标检测、空间定位和3D可视化的完整工作流程，形成了一个可扩展且智能的检测解决方案。主要结论如下：引入了一种基于无人机的模拟地面摄影测量技术，构建了分辨率为0.47厘米/像素的毫米级纹理网格模型，并建立了包含2886张图像的裂缝检测数据集，为精细尺度裂缝识别提供了可靠的数据基础。基于摄影测量共线性方程和无人机位置数据，开发了一种单图像裂缝坐标计算模型，并将其集成到YOLOv7检测框架中，实现了裂缝检测和空间定位的同时实施。实验结果表明，在IoU阈值为0.5时，YOLOv7的mAP@0.5达到了84.30%，平面定位精度优于0.1米，克服了现有方法只能提供像素级或局部位置信息的局限性。提出了一种将裂缝信息与毫米级摄影测量纹理网格模型融合的可视化方法，为裂缝损伤评估和裂缝发展模式分析提供了直观的数据支持。在实际应用中，需要考虑几个问题。在处理效率方面，端到端处理时间（包括坐标计算）大约为每张图像3-5秒，这满足了定期检查的要求。鉴于整个渠道的大量图像数据，未来的工作应结合边缘计算节点和云存储架构，以实现实时处理和关键数据传输。在环境鲁棒性方面，当前模型在复杂条件下（如光照变化、阴影、水渍和植被覆盖）仍面临挑战，这些条件可能导致边界框偏差和漏检增加。常见的误报包括施工缝、纹理变化和表面污渍。未来的改进可能涉及整合多源数据（Guan等人，2024a；Guan等人，2025年）以及在复杂场景下扩展训练样本，以提高泛化能力。此外，最近在无监督学习方面的进展，特别是在多视图表示和遥感聚类的对比学习方面（Guan等人，2024b），为在有限注释条件下的裂缝检测提供了有希望的方向。CRediT作者贡献声明胡庆峰：撰写 – 审稿与编辑，撰写 – 原稿，监督，软件，项目管理，方法论，调查，资金获取，概念化。卢伟强：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，软件，项目管理，方法论，调查，数据管理，概念化。刘文凯：撰写 – 审稿与编辑，验证，监督，资源，项目管理，形式分析，数据管理。崔希民：撰写 – 审稿与编辑，验证，监督，资源，项目管理，形式分析，数据管理。冯瑞敏：撰写 – 审稿与编辑，验证，监督，资源，项目管理，形式分析，数据管理，概念化。陈守凯：撰写 – 审稿与编辑。尹伟波：撰写 – 审稿与编辑。陈西东：撰写 – 审稿与编辑。张志瑞：资源，数据管理。刘子琳：资源，数据管理。何佩佩：资源，数据管理。马凯峰：撰写 – 审稿与编辑。朱丹彤：撰写 – 审稿与编辑。王鹏：撰写 – 审稿与编辑，可视化。马汤静：撰写 – 审稿与编辑。李世明：撰写 – 审稿与编辑。刘金平：撰写 – 审稿与编辑。吴启凡：撰写 – 审稿与编辑。张辉：撰写 – 审稿与编辑。