Page 113 - 2025年第56卷第10期

水 利 学 报

2025 年 10 月 SHUILI XUEBAO 第 56 卷 第 10 期

文章编号：0559-9350（2025）10-1360-12

基于注意力引导重构网络的大坝无监督裂缝分割方法

陈 栋 ，康 飞 ，李新宇 ，张亚平 3
1
1
2
（1. 大连理工大学 建设工程学院，辽宁 大连 116024；2. 中国长江电力股份有限公司，湖北 宜昌 443000；
3. 中国长江三峡集团有限公司，北京 100038）
摘要：针对坝体表面裂缝缺陷检测中样本稀缺、标注困难以及背景噪声干扰多等问题，提出了一种基于注意力引
导重构网络的无监督裂缝分割方法 AGR-CrackNet。该网络在训练阶段，通过随机生成符合裂缝形貌特征的掩膜
模拟完好混凝土图像的损坏过程，以构造训练样本，并将其输入到包含注意力引导机制的重构网络进行训练。在
测试阶段，利用预训练的重构模型对裂缝图像进行重构，通过计算重构图像与裂缝图像的绝对差值，并结合 Otsu
算法，实现了裂缝区域的精确分割。消融实验结果表明，新提出的掩膜损坏过程及训练机制显著提升了裂缝的分
割精度，同时有效抑制了噪声区域的错误分割。在实际坝面采集的裂缝图像以及水下裂缝图像数据集中，AGR-
CrackNet 的分割综合评价指标 F 较其他无监督方法分别提升了 10.0% ~ 66.8% 和 26.4% ~ 31.2%，并且优于大部分
1
有监督算法。此外，讨论分析表明，AGR-CrackNet 生成的高质量标签数据可用于有监督网络训练，拓展了该方
法的应用场景。
关键词：大坝表面裂缝；无监督裂缝分割；重构网络；注意力引导机制；缺陷检测
中图分类号：TV698.2 文献标识码：A doi：10.13243/j.cnki.slxb.20240773

1 研究背景

裂缝是混凝土坝表面最常见的病害之一。不同规模的裂缝可能对结构的安全性和耐久性构成严重
威胁 ［1］ 。表面裂缝不仅会破坏结构的完整性，还可能扩展引发内部损伤，进而危害大坝的整体安
［5］
全 ［2-3］ 。传统的裂缝检测方法主要包括人工目视检查 和基于传感器的检测技术 ，其通过专业人员现
［4］
场检查或预埋智能传感器检测坝面裂缝。然而，这些
方法通常耗时耗力 ，且存在检测精度不足和适用性
［6］
［2］
受限 等问题。随着计算机视觉技术的发展，基于图
［7］
像的裂缝检测方法 逐渐成为一种高效的无损检测手
［8］
段。如图 1 所示，该方法结合无人机 和水下机器人 ［9］
等自动化载体，并配合先进的图像处理算法，可以实 图 1 裂缝缺陷检测
现裂缝区域的精确定位与分割，对后续的裂缝尺寸自
动化量化以及裂缝扩展和分布的监测具有重要意义 ［10］ 。
现有裂缝图像分割方法主要分为两类：一类是传统方法，如边缘检测 ［11］ 、阈值分割 ［12］ 和形态学方
法 ［13］ 等，这些方法依赖于人为设定的特征，常在复杂环境中表现不佳 ［14-15］ 。另一类是基于深度学习的
［16］ ［17］ ［18］
方法，如 U-Net 、DeepLab v3+ 和 DeepCrack 等有监督分割网络，这些方法通过构建包含原始裂

收稿日期：2024-11-30；网络首发日期：2025-09-24
/
网络首发地址：https：/link.cnki.net/urlid/11.1882.TV.20250923.1610.001
基金项目：国家重点研发计划项目（2022YFB4703404）
作者简介：陈栋（1997—），博士生，主要从事水工结构缺陷检测研究。E-mail：chendongstu@163.com
通信作者：康飞（1982—），教授，主要从事水工建筑物安全监测、健康诊断与数值分析研究。E-mail：kangfei@dlut.edu.cn
— 1360 —