Page 60 - 2025年第56卷第9期

陷的像素级分割，其分割结果与人工标注结果基本保持一致，这验证了本文所提方法在缺陷精细分割
的有效性。在此基础上，根据构建的混凝土高拱坝三维重建结果，可实现缺陷在高拱坝结构空间定位
和尺寸量化评估，缺陷尺寸量化精度达毫米级别，且无需预先利用标定板开展相机标定工作，简化了
缺陷尺寸测量过程，提高了缺陷尺寸测量效率。

5 结论

现有人工巡检方法存在潜在风险高、依赖检测人员既有工作经验、单次检测耗时较长、效率低且
误检测率高等不足，难以适用于高耸结构缺陷检测。为克服上述问题，本文融合多视图立体视觉三维
重建和深度学习方法，提出了一种基于多视图立体视觉和深度学习的水工混凝土结构三维重建和缺陷
定量辨识方法。结合混凝土梁物和某混凝土高拱坝工程案例，验证本文所提方法的缺陷识别和定位量
化能力，取得的主要研究成果有：
（1）所提改进 UNet3+模型在混凝土裂缝识别中表现出色，平均交并比 0.8928、平均准确率 0.9265 和
Dice 系数 0.8826，相较于基线模型 UNet3+，在平均交并比、平均准确率、Dice 系数、精确率和召回率分
别提高了 7.01%、8.57%、9.26%、4.95% 和 6.67%，说明其在缺陷分割精度和聚焦能力上得到有效提升。
（2）以混凝土梁和某混凝土高坝为工程案例，对混凝土结构三维重建精度、缺陷精细辨识和定位
量化的有效性进行验证，试验结果表明本文方法可实现水工混凝土结构缺陷定量辨识和空间定位。
后续研究将考虑引入多层次缺陷分类策略，以应对裂缝类型、裂缝深度、缺陷形态等不同维度的
细化分类。通过这一策略，不仅能够提高对复杂缺陷的识别精度，还能实现更精确的缺陷定量分析和
评估。未来的研究将进一步探索如何将此方法与实时三维建模技术结合，实现更高效、自动化的缺陷
监测和评估。这不仅能提升检测效率，还能确保对复杂环境下缺陷的准确识别和定量分析，尤其是在
大型水工结构等复杂工程中的应用。

参 考 文 献：

［ 1 ］ 李扬涛，包腾飞，李田雨 . 深水大坝缺陷鲁棒实时检测方法［J］ 武汉大学学报（信息科学版），2025，50（4）：
.
684-698.
［ 2 ］ 刘宇飞，冯楚乔，陈伟乐，等 . 基于机器视觉法的桥梁表观病害检测研究综述［J］ 中国公路学报，2024，37
.
（2）：1-15.
［ 3 ］ 刘宇飞，樊健生，聂建国，等 . 结构表面裂缝数字图像法识别研究综述与前景展望［J］ 土木工程学报，
.
2021，54（6）：79-98.
［ 4 ］ 冯春成 . 基于深度学习的水电站溢流坝表观裂缝检测方法研究［D］ 绵阳：西南科技大学，2021.
.
［ 5 ］ 孟庆成，李明健，万达，等 . 基于 M-Unet 的混凝土裂缝实时分割算法［J］ 土木与环境工程学报（中英文），
.
2024，46（1）：215-222.
［ 6 ］ 余 加 勇 ， 李 锋 ， 薛 现 凯 ， 等 . 基 于 无 人 机 及 Mask R-CNN 的 桥 梁 结 构 裂 缝 智 能 识 别［J］ 中 国 公 路 学 报 ，
.
2021，34（12）：80-90.
.
［ 7 ］ 邝先验，徐姚明，雷卉，等 . 基于轻量级 Transformer 的隧道裂缝分割［J］ 铁道科学与工程学报，2024，21
（8）：3421-3433.
［ 8 ］ 梁栋，李英俊，张少杰 . 融合改进 ResNet-14 和 RS-Unet 模型的混凝土桥梁裂缝识别［J］ 北京交通大学学
.
报，2023，47（3）：10-18.
［ 9 ］ 何甜 . 基于深度学习的道路裂缝检测［D］ 天津：天津理工大学，2023.
.
.
［ 10］ 贾林 . 基于深度学习的桥梁裂缝检测系统设计［D］ 天津：河北工业大学，2022.
［ 11］ 廖延娜，宋超 . 基于深度学习的桥梁裂缝定位算法研究［J］ 国外电子测量技术，2022，41（4）：112-118.
.
［ 12］ 潘治傲 . 基于无人机影像的高边坡裂缝检测［D］ 大连：大连理工大学，2022.
.
［ 13］ 陶嘉豪 . 基于无人机影像的混凝土坝表面裂缝巡检技术研究［D］ 重庆：重庆交通大学，2023.
.
［ 14］ 丁威，俞珂，舒江鹏 . 基于深度学习和无人机的混凝土结构裂缝检测方法［J］ 土木工程学报，2021，54
.
（S1）：1-12.
— 1164 —