综述：基于深度学习的桥梁结构表面裂缝检测：一项综述

《Infrastructures》：Deep Learning-Based Surface Crack Detection in Bridge Structures: A Review

　　

表面裂缝对混凝土桥梁的耐久性和运营安全构成重大威胁，因此精确的裂缝检测对于有效的结构健康监测（Structural Health Monitoring, SHM）至关重要。常规人工巡检受限于效率低、主观判断及现场作业安全风险。尽管深度学习计算机视觉技术已成为自动化裂缝检测的主导方法，但现有综述研究对其在不同桥梁结构中的适应性讨论有限，且对实际工程应用的指导不足。本综述系统总结了混凝土桥梁表面裂缝检测的深度学习近期进展。现有方法被划分为裂缝分类、目标检测和语义分割三类。综述进一步考察了桥梁几何形态、裂缝形貌、检测条件与模型性能之间的关系，比较了梁桥、拱桥、斜拉桥和悬索桥相关的技术挑战，并讨论了针对不同结构特征适宜的模型适配策略。分析表明，针对桥梁特定设计的模型架构能显著提升复杂检测条件下的检测精度与鲁棒性。然而，若干挑战依然存在，包括高质量数据集稀缺、数据不平衡、多视角下曲面微小裂缝检测不足及现场部署成本高昂。本综述为混凝土桥梁检测选用适宜深度学习技术提供了实践指导，并展望了集成先进传感、多模态数据融合与智能检测技术以实现更精确、高效、可靠的桥梁状况评估的未来研究方向。

1. 1.
   引言
   混凝土桥梁在现代交通网络中承担着跨越河流、山谷及道路铁路的关键连接作用。截至2024年底，中国公路桥梁数量已达110.81万座，总长10197.58万延米，其中特大桥11329座。桥梁在环境侵蚀、交通荷载与气候效应下不可避免退化，表现为开裂、剥落、泛碱及钢筋锈蚀等缺陷。表面裂缝作为结构状况的核心指标，可能诱发应力集中与疲劳损伤。传统人工目视检测依赖经验、耗时且危险；无人机（Unmanned Aerial Vehicle, UAV）与爬壁机器人虽降低了风险，但图像解译仍靠人工，效率受限。早期传统图像处理采用灰度化、阈值分割、边缘检测（如Canny、Roberts、Sobel算子），对光照不均与噪声敏感。常规机器学习（如支持向量机、随机森林）需手工特征，泛化弱。深度学习通过端到端学习自动提取多层特征，在复杂纹理与环境变异中表现优越。已有综述多偏重算法架构而忽视桥梁结构约束，或把桥梁作为通用基础设施处理，未建立结构特性与算法行为的明确关联。为此，研究人员设计了系统的文献检索策略，筛选2016年以来Web of Science、Scopus、IEEE Xplore、Google Scholar中168篇核心原创论文及199篇参考文献，按桥梁类型比较裂缝检测特性，提出定制模型适配规则。
2. 2.
   深度学习在桥梁裂缝检测中的应用
   2.1 深度学习方法
   深度学习作为机器学习子集，利用深度神经网络直接从数据学习层次化表示。其起源可追溯至1943年McCulloch-Pitts神经元模型与1986年反向传播（Backpropagation, BP）算法；2006年深度信念网络（Deep Belief Network, DBN）通过逐层预训练缓解梯度消失。2012年AlexNet在ImageNet竞赛突破，推动卷积神经网络（Convolutional Neural Network, CNN）大规模应用；2013年R-CNN将检测转向区域建议学习；2016年YOLO（You Only Look Once）单阶段框架实现实时回归检测。自监督学习减少标注依赖。图像分类、目标检测与语义分割构成三级渐进任务：快速筛查、定位统计与像素级定量表征。裂缝检测难点在于低对比度、不规则几何、类别不平衡。CNN凭借参数共享与层次提取成为主流，VGG-16等架构通过全局平均池化（Global Average Pooling, GAP）降低过拟合。TensorFlow与PyTorch框架加速部署。研究沿分类、检测、分割三范式展开。

2.2 裂缝分类

裂缝分类以图像块为单位，分二分类（裂缝/非裂缝）与多分类（裂缝类型）。CNN主导该领域：基础架构从浅层任务网发展到VGGNet、GoogLeNet、ResNet、DenseNet迁移学习；为抗 stains、阴影与光照不均，引入多尺度注意力机制与特征融合（如MobileNet轻量化）；分类仅提供图像级标签，常作预处理筛检，不能替代定位与分割。

2.3 裂缝目标检测

目标检测分基于锚框（anchor-based）与无锚框（anchor-free）。两阶段检测器（R-CNN系列）精度高但计算贵；单阶段如YOLO、SSD（Single Shot multibox Detector）平衡精度速度，YOLO系列经GhostBottleneck、ECA-Net、ASFF等轻量模块及损失函数优化广泛用于边端。工程流水线涵盖LabelImg标注、PyTorch训练、TensorRT/ONNX Runtime/NCNN部署。边界框对细长弯曲裂缝表征差，促发语义分割需求。

2.4 裂缝分割

语义分割实现像素级提取。全卷积网络（Fully Convolutional Network, FCN）奠基；U-Net编码器-解码器与跳跃连接成代表。改进方向含注意力机制（BC-DUnet、GTAU-UNet、BridgeNet）、数据高效学习（GAN增强、StyleSPADE合成）、轻量混合（MobileNetV2-GCN、YOLOv5+UNet 3+）、Transformer远程依赖（CrackFormer、DefNet）。U-Net及U-Net3+在小样本下精度竞争且计算可控，但公开桥梁分割数据少、标注贵仍是瓶颈。

2.5 数据集

数据集质量制约泛化。常用表列Crack500、SDNET2018等，评估指标含mIoU、F1等。桥梁专用集如BridgeDamage覆盖不足钢混组合、拱桥与斜拉桥；分割标注成本高导致数据稀缺，限制实用。

1. 3.
   不同桥梁结构形式的裂缝检测技术
   3.1 梁桥
   梁板桥受弯剪主导，腹板竖向弯裂与近支承斜裂常见，板桥裂纹密细。表面几何简单但箱梁内遮挡、细缝低对比混淆纹理。U-Net系分割便定量长宽。表较显示MobileUNet参减67%、速倍增，适于边端；SegFormer-B0跳连弱致假阴性18.2%；DeepLabv3+精度最高但34.8M参不利嵌入。轻量UNet变体最适梁板桥。

3.2 拱桥

拱桥受压为主，拱肋纵横向裂因温度梯度与不对称轴载。UAV采像面临曲面畸变、非均匀光照。改进匹配滤波取向高斯核像素精度97.9%、F1 72.5%、IoU 58.1%优于Sobel/Canny。深度学习走向FPN、空洞卷积、CNN-Transformer混合。U-Net变体多尺度融合保曲表连续裂纹；三维摄影测量联合几何感知预处理优但计算繁。对象检测碎裂，注意增强分割宜曲构。

3.3 斜拉桥与悬索桥

缆索护套裂、划、锈呈亚毫米～毫米连续分布。UAV高分辨采像中缆占图比小、天空水面高反周期纹干扰强。轻量YOLO作初筛；注意/Transformer分割抑背景保细长裂连续，宜精检。

3.4 典型工程应用案例与技术路线比较

三类平台：便携终端+YOLO边端速检（梁板近距）；UAV+适应检测分割（大跨难达）；多平台三维几何感知（精监高价）。表析显梁板最成熟，拱与缆索限特定构件，曲构全面方案待验。

1. 4.
   挑战与未来方向
   4.1 数据集结构稀缺与分布失衡
   梁板集同质（SDNET2018缺腹板等）；拱曲标劳；缆索塔锚数据依特种机器人少且生命周期微裂集无。应建分层标准集、物理渲染增广、半监督域适应。

4.2 多场景细粒度统一建模挑战

梁板需抑背景小裂模块；拱缺几何约束保透视连续；缆索尺变无多视一致。应融结构先验统一框架。

4.3 工程部署场景适应不足

轻量化未适桥型异。Mishra等IoT-UAV层次调度、曲面校正、持续学习接口供参。今后需检算耦合、轨迹感知、数字孪生沉浸式运维。

1. 5.
   结论
   本文以桥梁结构–裂缝形态耦合为原则，映射梁板轻量编码解码、拱几何感知注意、缆索小目标约束之选型。指数据标准缺、实境带宽边端限。倡标准集+结构适模+轻量边缘一体管线，促智能桥梁运维。