大坝是水资源管理、防洪和提供可再生能源的重要基础设施，其结构安全直接关系到社会经济的稳定[1]。仅中国就建造了超过95,000座大坝，占全球总数的50%以上[2]。在长期使用过程中，由于水流侵蚀和材料老化，水下裂缝的形成和扩展成为结构退化和潜在大坝失效的主要诱因[3,4]。因此，精确检测水下裂缝是确保大坝在其整个生命周期内安全运行的核心技术要求[5]。
传统的水下裂缝检测依赖于人工潜水或基于ROV的光学检查[6]。人工潜水受到深度、能见度和操作风险的限制[7,8]；而ROV虽然可以实现自动化数据采集，但面临严重的成像挑战：光散射和吸收会导致全局退化（对比度降低和细节模糊[9]），悬浮颗粒则会引入局部斑点噪声[10]。深度学习模型（如YOLO、U-Net）在缺陷检测方面表现出优势[11],[12],[13],[14],[15]，但其性能严重依赖于输入图像的质量[16,17]。关键的是，现有方法将增强和去噪视为孤立的任务，从而不可避免地陷入“增强-去噪悖论”：旨在纠正全局退化的空间增强会放大潜在的斑点噪声，导致连续裂缝的高频特征与离散噪声严重纠缠，降低下游检测的精度。我们的框架通过一种协同的频域解耦机制来解决这一根本性问题，而不是提出另一种渐进式的增强网络。
为了解决全局退化问题，本文采用了一种跨域传输增强策略，利用海洋水和大坝水体的相似光学特性[4,18,19]。海洋水下数据集非常丰富，并且与大坝水体具有相同的成像特性，这使得基于深度学习的增强模型[20]能够通过“海洋到大坝”的传输来克服大坝训练数据的稀缺问题。然而，这其中存在一个固有的权衡：跨域增强会不可避免地放大斑点噪声，同时增强裂缝细节，使得连续的结构裂缝特征与高频域中的离散噪声相互纠缠[21]。从频域的角度来看，裂缝表现为连续的、结构化的高频成分，而斑点噪声则表现为离散的、无结构的成分——显示出根本的形态学差异[22,23]。基于单阈值全局分离的传统频域方法无法区分这些相互纠缠的信号[24],[25],[26]。本文提出了一种精细的频域解耦策略，利用连通组件分析来实现高频成分的精确筛选和重建，最大限度地抑制噪声，同时最大限度地保留裂缝的拓扑结构和边缘细节。
YOLO系列模型因其轻量级架构、快速推理和强大的特征提取能力[27,28]而被选为核心检测算法。YOLO11-seg[29]结合了C2PSA主干网络和多尺度特征融合，精确匹配了大坝裂缝的多尺度和多形态特性[27],[28],[29],[30],[31]。同时，构建了一个包含大坝区域水下裂缝的多源互补数据集，以打破数据障碍。该数据集涵盖了不同的浊度级别、多样的光照条件以及多种裂缝形态[11,12,32]，有助于在特定于大坝的工程场景中桥接实验室验证与实际应用之间的差距。
总之，为了解决上述技术瓶颈，本文提出了一个包括跨域传输增强（CDE）、频域解耦去噪和基于深度学习的检测在内的渐进式级联优化框架。这一设计克服了传统预处理方法与对象检测任务脱节的局限性，有效确保了在复杂水下环境中裂缝检测的准确性和鲁棒性。
本文的主要贡献包括：
理论分析：本文揭示了水下图像增强引起的噪声放大效应，并提出了一种基于拓扑特征差异的解耦标准。通过理论分析和实验验证，证明了可以通过连通组件属性精确分离裂缝的连续结构特征和斑点噪声的离散非结构特征，为解决复杂水下场景中的去噪-边缘保持冲突提供了理论基础。
(2)方法创新：提出了一种级联优化框架，结合了跨域传输增强和频域解耦去噪。跨域传输网络减轻了由于大坝样本稀缺导致的不利影响；频域算法包括高频提取、连通组件筛选和迭代重建，实现了有效的噪声抑制，同时保留了微裂纹边缘信息，显著优于传统的全局滤波方法。
(3)数据和应用：构建了一个专门的多源数据集，涵盖了不同的浊度、复杂的光照条件和多种裂缝形态，填补了特定于大坝的工程场景的数据空白。基于该数据集和YOLO系列模型的实验表明，在实际的大坝检测任务中，裂缝检测的准确性和环境鲁棒性有了显著提高，为智能大坝缺陷检测提供了一条可实施的工程路径。
