裂缝检测与分类的综合综述：方法、挑战及未来方向

《Neurocomputing》：A comprehensive survey on crack detection and classification: Methods, challenges, and future directions

　　

摘要
自动化裂缝检测与分类已成为数据驱动的结构健康监测系统的重要组成部分。近年来，机器学习和深度学习的进步显著加速了基于视觉的裂缝检测研究，导致相关文献迅速扩展。本综述全面回顾了 2020 年至 2026 年间发表的对混凝土结构进行裂缝检测、分类和分割计算方法的同行评审研究。从机器学习角度审查了这些作品，涵盖了预处理策略、特征表示、学习范式、网络架构和评估指标。特别关注从基于手工特征的传统方法向现代深度学习方法过渡。此外，本综述确定了关键的方法论趋势，包括监督学习的主导地位、相对于像素级分割图像级分类的更高普及率，以及对轻量级和部署导向架构日益增长的兴趣。分析进一步强调了文献中持续存在的挑战，如数据集偏差、跨域泛化能力有限、标注稀缺以及跨数据集评估不足。基于这些发现，本综述概述了未来的研究方向，强调弱监督和自监督学习、鲁棒的跨数据集验证、细粒度裂缝表征以及专为实际部署设计的模型设计。

引言
裂缝是土木工程基础设施（包括桥梁、路面、隧道、建筑物和大坝）中最普遍且信息量最大的损伤指标之一 [1], [2], [3], [4], [5]。它们的出现通常与材料退化机制有关，如疲劳、环境暴露、热变化、过度加载和施工缺陷。如果在早期阶段未检测到，裂缝可能会传播并导致严重的结构恶化甚至灾难性故障。因此，准确的裂缝检测和表征构成了结构健康监测 (SHM) 系统的基本组成部分，能够实现预防性维护策略并降低长期检查和维修成本。

传统的裂缝检查实践主要基于训练有素的检查员进行的人工视觉评估。尽管广泛应用，但这些程序本质上耗时、主观且高度依赖人为干预，并通常受限于可达性和安全考虑，特别是在大规模或危险环境中。这些局限性激发了人们对自动化、数据驱动检查技术的日益增长的兴趣，基于图像的裂缝检测因其可扩展性、成本效益以及与无人机 (UAV)、移动机器人和固定监控系统等现代传感平台的兼容性而成为一种有吸引力的解决方案。最近的研究进一步强调了自动化和可扩展检查框架的必要性，该框架能够支持现实基础设施中的连续结构监测和早期预警分析 [6], [7], [8]。

从计算视觉检查的角度来看，自动化裂缝检测和分类代表了一个具有挑战性的视觉识别问题。裂缝模式通常表现为薄、细长和不规则的几何形状，通常与异质背景相比对比度低。照明、表面纹理、阴影、遮挡和采集噪声的变化进一步使视觉解释复杂化，限制了基于手工特征和启发式规则的传统图像处理流水线的鲁棒性 [9], [10], [11], [12]。最近的研究强调，异质背景、噪声、尺度变异性和有限的标注数据继续阻碍裂缝分析系统在实际检查条件下的鲁棒性和泛化能力 [13], [14]。

机器学习和深度学习的最新进展极大地重塑了基于视觉的裂缝分析。卷积神经网络 (CNNs)、物体检测器和语义分割模型已显示出直接从数据中学习判别性表示的强大能力，克服了手工流水线许多局限性 [15], [16], [17], [18]。最近，该领域已演变为混合分割分类框架、注意力引导架构、不确定性感知检测器和能够在结构健康监测场景中实时部署的基于轻量级 YOLO 的系统 [7], [14], [19]。

因此，裂缝检查已在多种计算范式下被制定，包括图像级分类、物体检测、像素级分割和多任务集成框架。尽管这种方法论多样性反映了神经模型的灵活性和表达能力，但它也导致了问题制定、评估协议和各项研究之间比较分析的碎片化 [20], [21]。

这种方法论多样性也需要一致的评估协议，以便在各研究之间进行有意义的比较。因此，模型性能通常使用标准化评估指标进行评估，如准确率、精确率、召回率、F1 分数、交并比 (IoU) 和平均精度均值 (mAP)，这些是计算机视觉和机器学习中公认的性能衡量标准。在整个综述中，这些量始终被称为评估指标或性能衡量标准，而不是指标，遵循文献中已建立的术语 [22], [23], [24]。

尽管取得了这些进展，裂缝检测仍受到几个基本挑战的影响，包括严重的类别不平衡、像素级注释可用性有限、跨材料和采集条件的域偏移，以及准确性、鲁棒性和计算效率之间的固有权衡。这些问题在实际结构健康监测场景中尤为关键，可靠的部署需要模型不仅准确，而且可解释且能够进行实时推理。最近的研究进一步表明，尽管近年来取得了快速的方法论进展，但实际条件下的鲁棒性、跨域泛化以及大规模监控系统中的可靠部署仍然是未解决的挑战 [8], [13], [14]。

鉴于该领域的快速发展和方法论的异质性，对现有方法进行结构化且统一的分析至关重要。在此背景下，本综述通过基于任务的分类法组织先前工作，根据问题制定、学习范式、架构设计和部署特征对裂缝检测方法进行分类。这种分类法为后续章节中开发的比较分析和批判性讨论提供了概念基础。

最近的几项综述从互补的角度回顾了基于视觉的裂缝检测。Khlifati 等人 [25] 分析了 2013 年至 2024 年的作品，并强调了深度学习方法的占主导地位，同时指出了与数据不平衡和计算成本相关的挑战。Chen 等人 [26] 进行了一项大规模文献计量学研究，揭示了向深度学习驱动的 SHM 转变和日益增长的跨学科整合。Yuan 等人 [27] 专注于 2020 年至 2024 年间发表的基于计算机视觉的方法，专注于语义分割，并指出了与数据一致性、环境变异性和效率相关的问题。Kaveh 和 Alhajj [28] 进一步报告了使用专用数据集的混合和基于变压器的架构采用量的增加。

尽管这些综述提供了该领域广泛且有价值的概述，但它们很大程度上采用了高层次的比较视角。相比之下，本综述专注于 2020 年至 2026 年间报告的最近深度学习架构创新，提供对模型设计和先前综述中经常被抽象化的专用模块的细粒度、基于任务的分析。

通过系统地组织基于学习的裂缝检测和分类方法，识别重复出现的局限性，并突出新兴的架构和方法论趋势，本综述旨在支持开发用于现实世界 SHM 应用的鲁棒、可解释和可部署的裂缝分析系统。

本文其余部分组织如下。第 2 节描述了本综述采用的审查方法，包括文献检索策略、筛选标准和数据提取过程。第 3 节回顾了常用于裂缝检测和分类的公开可用数据集及其关键特征。第 4 节总结了裂缝分类、检测和分割研究中使用的性能衡量标准。第 5 节介绍了基于任务的裂缝检测方法分类法，并对不同计算范式下现有方法进行了结构化回顾。第 6 节讨论了现有方法的主要局限性，并提出了未来研究的有希望的方向。最后，第 7 节总结了全文。

章节片段
调查方法
本调查遵循《系统评价和荟萃分析优先报告条目》(PRISMA 2020) 声明的建议 [29]，以促进透明、系统和可重现的文献审查过程。审查包括四个连续阶段：识别、筛选、资格评估和相关研究的最终纳入。

数据集
本节简要概述了最常用于混凝土表面裂缝分析的基准数据集，突出了它们的关键特征及其对基于学习评估的相关性。表 1 总结了用于裂缝识别的数据集。所有数据集均公开可用，由在实际检查条件下获取的 RGB 图像组成。它们涵盖了表面纹理、照明、背景复杂度和裂缝方面的显著变异性。

评估性能指标
自动化裂缝分析框架的评估基于一系列针对特定计算机视觉任务定制的协议。在审查的文献中，性能通常通过四个主要视角报告：(i) 用于二进制裂缝/非裂缝识别的分类措施；(ii) 通过边界框对齐评估定位的物体检测指标；(iii) 量化掩码重叠和边界一致性的像素级分割措施；以及 (iv)

基于深度学习的裂缝检测方法的任务导向分类
裂缝检测是土木工程基础设施结构健康监测的基本组成部分，因为表面裂缝是材料退化和潜在结构失效的早期且信息量大的指标。传统检查实践主要依赖人工视觉评估，这本质上具有主观性、劳动密集型，并受限于可达性、安全性和检查成本。针对这些局限性，自动化基于视觉的方法已被广泛

局限性与未来方向
尽管近年来取得了重大进展，但对基于深度学习的裂缝检测方法的任务导向分析揭示了几个持续存在的局限性，限制了鲁棒性、泛化能力和实际部署。这些局限性与数据集特征、任务制定选择、学习范式、表示策略以及通过提出的分类法确定的评估实践密切相关。主要局限性是对...的依赖

结论
本综述从基于学习的角度全面回顾了自动化裂缝检测和分类的最新进展，特别强调用于结构健康监测的深度神经架构和视觉驱动计算流水线。通过系统检查预处理策略、问题制定、学习范式、网络架构、数据集和评估协议，本综述强调了表示学习和任务...

CRediT 作者贡献声明
Arturo Yee-Rendon: 写作 – 回顾与编辑，写作 – 原创草稿，验证，监督，方法论，调查，形式分析，概念化。Oscar J. Castro-Lopez: 写作 – 回顾与编辑，方法论，概念化。Ines F. Vega-Lopez: 方法论，形式分析，概念化。Eduardo Díaz Gaxiola: 写作 – 回顾与编辑，概念化。Jair Cervantes-Canales: 写作 – 回顾与编辑，形式分析，概念化。Farid Garcia-Lamont: 写作

生成式人工智能和人工智能辅助技术在写作过程中的声明
在本工作准备期间，作者使用了 ChatGPT 协助语法检查和语言编辑。作者根据需要审查和编辑了输出，并对发表文章的内容承担全部责任。

竞争利益声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本论文报告的工作。

致谢
作者要感谢西纳罗亚自治大学、卢森堡大学和墨西哥州自治大学提供的学术环境和资源，使这项研究成为可能。

Arturo Yee-Rendón 于 2010 年和 2015 年分别从墨西哥西纳罗亚自治大学获得计算机科学学士学位，从墨西哥 CINVESTAV-IPN 获得计算机科学硕士和博士学位。他目前是西纳罗亚自治大学的计算机科学教授。他的研究兴趣包括人工智能、模式识别、深度学习、博弈论、进化计算和优化算法。他的研究专注于

Arturo Yee-Rendon|Oscar J. Castro-Lopez|Ines F. Vega-Lopez|Eduardo Díaz Gaxiola|Jair Cervantes-Canales|Farid Garcia-Lamont|Juan Augusto Campos-Leal
计算机科学系，西纳罗亚自治大学，库利亚坎，80013，西纳罗亚州，墨西哥