基于深度学习的混凝土结构裂缝测量自动化低成本框架

为何大结构中的微小裂缝不容忽视

从高速公路桥梁到住宅楼，我们日常依赖的许多混凝土结构会逐渐出现细小的发丝状裂缝。这些微小缝隙会让水和盐分渗入，侵蚀埋在混凝土内部的钢筋，从而缩短结构的安全寿命。对这些裂缝的检查和测量传统上依赖专家用放大镜和量规进行缓慢的人工操作。本文提出了一种方法，可以将普通智能手机变成低成本的检测工具，自动识别混凝土表面的裂缝并估算其宽度，帮助工程师判断何时确实需要维修。

从缓慢的人工检查到智能影像

工程师长期以来就知道裂缝的大小和位置是评估混凝土结构受损程度及剩余寿命的重要线索。但人工测量裂缝耗时、依赖检查人员的经验，并且不同时间的结果可能不一致。研究人员曾尝试用相机、激光甚至无人机来自动化该过程，但许多系统价格昂贵、部署复杂，或难以在狭小或室内空间使用。本研究的作者旨在设计一种实用的替代方案，利用广泛可得的智能手机和简单的印刷标记，既保持低成本，又能提供足以支持实际决策的测量准确性。

教计算机识别裂缝

这一新框架的核心是基于一种名为 YOLO-V11 的现代图像识别深度学习模型。研究团队用数千张有裂缝的混凝土表面照片训练该模型，使其能够将真实裂缝与阴影、污渍和标记区分开来。为了使系统在复杂的真实环境中更稳健，他们在训练图像中刻意添加了人工彩色线条，迫使模型学习油漆线与混凝土实际断裂之间的细微视觉差异。他们还在训练过程中增强了图像对比度和锐度。这些步骤显著提高了模型在光照不均或表面粗糙情况下发现裂缝并描绘其边缘的能力。

将照片转换为真实测量值

检测到裂缝只是第一步；工程师需要以毫米为单位的实际宽度，而不是屏幕上的像素数。为了解决这一差距，研究人员在拍照区域周围粘贴了四个小型棋盘格图案。由于棋盘格每个方格的尺寸已知，软件可以校正相机倾斜和镜头畸变，然后计算图像中每个像素对应多少毫米。对裂缝区域进行重叠分块分析，以便捕捉非常细微的细节，随后软件在每条裂缝中心提取一条细“骨架”，并沿该线测量到裂缝边缘的距离。将这些步骤结合起来，就能生成被检区域的裂缝宽度分布图。

现实环境中的表现如何

为测试他们的方法，团队从实验样本和现有混凝土建筑中收集了230个裂缝测量值，并以高分辨率数字显微镜的读数作为参考。然后他们在约一米的距离拍摄智能手机照片，通过其框架处理，并将预测的裂缝宽度与人工读数进行比较。平均而言，自动化系统的误差约为真实宽度的八分之一，典型差异仅为几百分之一毫米。对于宽度大于0.5毫米的裂缝，其预测值与实际值之间的变异较小，表现尤其好。对于极细的裂缝，不确定性较高，表明更近距离的拍摄或更高分辨率的相机将进一步提高准确性。

对日常安全的意义

研究表明，精心设计的智能手机摄影、简单印刷标记与先进图像分析的组合，可以在无需昂贵设备或高度专业化操作员的情况下提供可靠的裂缝测量。该系统倾向于略微高估裂缝宽度，这种保守且更安全的偏差在评估结构健康时是有利的。随着未来改进——例如使用新手机中内置的深度传感器代替实体棋盘格——该方法有望让对混凝土建筑、桥梁和其他结构的常规低成本健康检查更易普及，帮助所有者更早发现问题并优先安排关键处的维修。

引用: Hassouna, M., Marzouk, M. & Fathalla, E. Automated low-cost framework for crack measurements in RC structures using deep learning approach. Sci Rep 16, 14678 (2026). https://doi.org/10.1038/s41598-026-50880-w

关键词: 混凝土裂缝, 结构健康监测, 深度学习检测, 基于智能手机的测量, 基础设施安全