Page 57 - 2025年第56卷第9期

均准确率、Dice 系数、精确率和召回率分别提 表 1 无人机图像采集和相机参数
高 了 7.01%、 8.57%、 9.26%、 4.95% 和 6.67%， 参数 数值
主 要 参 考 指 标 Dice 系 数 相 较 于 UNet3+ 、 S- 飞行时间 30 min
UNet3+ 和 CA-UNet3+ 网 络 提 高 了 9.26%、 最大速度 72 km/h
3.28%、2.68%，这表明本文所提方法可有效提 定位精度（RTK） 水平 1 cm，垂直 1.5 cm
高复杂背景下混凝土结构缺陷的分割精度和鲁 相机类型 1 英寸 CMOS
棒性。这主要是由于在网络每一个编码层中引 传感器尺寸 1 英寸
入的坐标注意力机制，增强模型对图像缺陷区 有效像素 2000 万像素
域的聚焦能力。此外，在模型编码层的最深处
最大图像尺寸 5472 × 3648
集成的分类引导模块有效降低了复杂背景干扰
视频分辨率 4K：3840×2160 @30p

时模型误判和过度分割的概率，提升模型多尺
镜头视角 84° FOV
度特征提取能力。
ISO 范围 100 ~ 3200（视频），100 ~ 1600（照片）
为进一步验证本文所提改进 UNet3+模型的
快门速度 8/2000 ~ 1/2000 s
［21］ ［22］
有 效 性 ， 引 入 包 括 R2U-Net 、 SegNet 、
［23］ ［24］
DeepCrack 和 CSU-Net 经 典 检 测 算 法 进 行
对比试验。表 3 为不同网络之间评价指标对比
情 况 ， 可 以 看 出 ， 本 文 提 出 的 改 进 UNet3+模
型在各项指标上表现出色，尤其是在平均交并
比（0.8928）、 平 均 准 确 率（0.9265）和 Dice 系 数
（0.8826）方面，明显优于其他模型，表明其在
分割精度和一致性方面具备优势。该模型的准
确 率（0.9550）和 召 回 率（0.9135）也 高 于 其 他 对
比模型，显示了在正负样本分类的平衡性和整
体性能上的优势。这表明本文所提模型在水工
混凝土结构缺陷像素级分割中具有一定优势。 图 6 混凝土结构多视图三维重建过程
3.3 混凝土结构缺陷定位和量化评估 将通过
转换得到的混凝土缺陷三维坐标集反向投影至三维实景模型中，映射结果如图 8 所示。从图中可以看
出，不同形态的混凝土裂缝被准确投影到三维实景模型中，定位准确，可视化程度高，可精确地描述
裂缝所在的位置及形态，有效解决基于机器视觉的巡检方法难以定位的问题，证明了本文提出的基于

图 7 混凝土结构缺陷识别结果对比

— 1161 —