Page 52 - 2025年第56卷第9期

［6］
割，克服了传统方法精度低和计算量大的问题。余加勇等 采用无人机贴近航摄，利用掩膜区域卷积
［7］
神经网络算法，实现了裂缝的精确分割。邝先验等 结合 Transformer 与 MobileViT 网络，通过引入高
效通道注意力模块增强裂缝特征信息提取能力，构建了一种轻量级隧道混凝土衬砌裂缝分割模型。梁
［8］
栋等 通过深度残差网络对混凝土桥梁缺陷进行分块，采用 RS-UNet 网络实现裂缝像素级分割。然
而，无人机航拍采集的混凝土图像存在缺陷目标尺度小、形态复杂和分布无规律，且缺陷像素与背景
像素占比相差悬殊，正负样本不均衡，易导致缺陷分割精度下降。
［9］
在缺陷识别基础上，研究人员进一步开展缺陷定位方法研究。何甜 针对道路细微裂缝难以定位
的问题，结合联邦学习方法提出了道路裂缝的图像层面缺陷定位。贾林 ［10］ 提出了基于深度学习的桥梁
裂缝检测方法，通过改进一阶全卷积算法实现了桥梁裂缝的快速定位。廖延娜等 ［11］ 针对桥梁裂缝具有
连续性的特征，提出了基于改进 YOLOv4 的桥梁裂缝检测及图像定位方法。现有缺陷定位方法多是基
于二维图像级别，实现局部区域缺陷的识别定位。但现有研究多在小尺度结构上开展，难以适用于空
间跨度大和结构复杂的混凝土构筑物。此外，由于水工混凝土构筑物结构复杂，空间跨度较大，单幅
图像视野有限，缺陷二维定位方法难以展示整体结构形态。
随着无人机定位技术的发展，GPS 和 RTK 等厘米级定位设备被搭载于无人机上，实现具有精确定
位的图像信息采集。潘治傲 ［12］ 将无人机引入高边坡裂缝的检测中，通过投影图像的非零区域坐标值对
边坡裂缝进行了定位与分类。陶嘉豪 ［13］ 利用无人机搭载的 GPS 定位设备，结合拍摄时采集的倾角和距
离信息，实现了裂缝中心坐标的提取。丁威等 ［14］ 提出了一种改进标定方法，结合建立的无人机全场尺
度与分割结果，实现了裂缝的定位。李锋 ［15］ 借助无人机 RTK 系统，通过无人机实时位姿信息构建了三
维相对坐标系，实现了桥梁裂缝的定位。赵男 ［16］ 通过超像素分割方法和深度学习算法，提出了大型钢
结构建筑物的裂纹定位方法。以上方法大多通过无人机自身携带的定位设备，获取了缺陷图像的坐标
信息，可看出图像中缺陷信息的位置。然而，此类方法仅仅依靠单张图像对缺陷进行大致的坐标判
断，无法从全局尺度对结构缺陷进行整体展示，易造成对缺陷的评估误判。
多视图立体视觉三维重建方法可根据无人机航拍图像数据集，建立工程全景三维模型，通过几何
原理给各像素点赋予三维空间坐标信息，据此实现缺陷信息精准定位与量化。Chaiyasarn 等 ［17］ 运用卷
积神经网络和全连接神经网络构建了裂缝检测系统，实现裂缝像素级分割和投影到三维模型上以生成
裂缝分布图，实现缺陷精确定位。Chow 等 ［18］ 集成激光雷达和摄影机研制了移动数据收集系统，通过
图像信息进行缺陷的检测与定位，实现了混凝土缺陷的识别与映射。Yuan 等 ［19］ 提出了一种基于检测
机器人和机器视觉的混凝土裂缝尺寸量化方法，将其投影到三维点云模型上以实现缺陷定位，实现钢
筋混凝土结构裂缝评估。然而，无人机采集图像常出现运动模糊、雾气干扰等问题，会显著降低图像
质量，易对混凝土结构三维模型重建与缺陷检测形成干扰。
为克服上述问题，本文结合多视图三维重建和深度学习方法，提出了一种基于无人机航拍图像的
水工混凝土结构三维重建和缺陷定量辨识方法，可实现混凝土结构缺陷定量辨识和空间定位。为提高
模型对复杂背景干扰下的混凝土结构缺陷分割能力，以 U-Net3+模型为基础，在网络每一个编码层中
叠加坐标注意力机制，以增强模型对裂缝区域的聚焦能力，并在模型编码层的最深处集成了分类引导
模块，以降低模型在面对复杂背景干扰时产生误判和过度分割的概率；提出基于无人机图像的混凝土
结构三维重建方法，建立视觉三维重建逆向反演框架，开展逆向工程计算并还原成像过程，将二维图
像中的缺陷与三维实景模型相结合，提出基于多视图立体视觉的混凝土结构缺陷定位与量化方法。以
混凝土梁和某混凝土高拱坝为工程案例，对本文所提方法有效性进行验证。

2 水工混凝土结构三维重建和缺陷定量辨识

2.1 基于改进 U-Net3+的缺陷分割方法 经典 UNet 模型采用“编码-解码”结构，通过跳跃连接融合
编码器低级特征以实现像素级分割。典型 UNet 模型示意图如图 1 所示。然而，UNet 模型在背景纹理复

— 1156 —