水工混凝土裂缝智能检测与识别技术研究进展

Article Sidebar

PDF
出版日期: 2026年03月31日
DOI: https://doi.org/10.63221/eesp.v2i01.48-56
关键词:
水工混凝土, 裂缝检测, 深度学习, 结构健康监测, 智能检测

Main Article Content

王程诺
华北水利水电大学，郑州 450046
https://orcid.org/0009-0006-9387-076X
郑欣浩
华北水利水电大学，郑州 450046
林博源
华北水利水电大学，郑州市 450046

摘要

水工混凝土裂缝是影响水工建筑物安全与耐久性的核心病害，实现其高效精准检测与识别对提升结构健康监测水平、保障工程安全运行至关重要。本研究系统梳理了现有水工混凝土裂缝相关的学术研究成果、工程实测检测数据及各类智能算法的实验数据集，通过文献梳理与对比分析的方法厘清了水工混凝土裂缝的成因机理与分类特征，全面剖析了人工巡检、传统无损检测、常规图像处理等传统方法的应用局限性，重点探究了基于深度学习的裂缝智能检测技术体系的应用现状，同时分析了声发射、超声波、红外热成像等无损检测技术与智能算法的融合发展路径。研究发现，基于 YOLO 系列、U-Net、ResNet 等深度学习模型的裂缝检测方法表现突出，在准确率、召回率等核心评价指标上优于传统检测方法；传统人工巡检的检测效率不足，常规无损检测技术易受环境因素影响，单一检测技术难以满足现代水利工程的监测需求；多源信息融合的智能检测模式能有效弥补单一技术的短板，无人机检测、水下智能识别、数字孪生、边缘计算等技术与裂缝智能检测结合，成为该领域的重要发展趋势。本研究从理论层面完善了水工混凝土裂缝智能检测的技术研究体系，为该领域的后续研究提供了系统的理论参考；从实践层面为水工建筑物的裂缝智能检测、结构健康评估与安全预警提供了具体的技术支撑，推动水利工程结构健康监测领域向智能化、精细化方向发展。

Article Details

期
卷 2 编号 01 (2026): 工程科学与实践
栏目
设计与方法
Creative Commons License

本作品采用知识共享署名 4.0 国际许可协议授权。

参考文献

[1] 徐裕民. 混凝土坝体裂缝产生原因分析[J]. 石材, 2025(11): 104-106.

[2] 周述礼, 赵青, 郭建强. 水工混凝土裂缝分析及控制技术综述[J]. 水利规划与设计, 2021(4): 110-114.

[3] 陈永刚, 李成春, 赵月. 大体积混凝土温度裂缝控制与监测措施分析[J]. 工程建设与设计, 2021(1): 204-205.

[4] 任秋兵, 李明超, 沈扬, 等. 水工混凝土裂缝像素级形态分割与特征量化方法[J]. 水力发电学报, 2021, 40(2): 234-246.

[5] Zhang L, Yang F, Zhang D, et al. Road crack detection using deep convolutional neural network[C]//IEEE International Conference on Image Processing. IEEE, 2016: 3708-3712.

[6] 河海大学水利水电学院. 学科建设典型成果：研发水工程服役安全感智融合诊断与预警防控技术 确保高坝大库长效健康运行[EB/OL]. (2021-06-30)[2026-03-08].

[7] 李扬涛, 赵海涛, 魏洋, 等. 视觉驱动的涉水混凝土结构水下多类别缺陷辨识和区域弱监督定位方法[J]. 应用基础与工程科学学报, 2025, 33(1): 60-75.

[8] 赵凡, 李琳芸, 魏仁杰, 等. 基于通用目标检测器的大坝裂缝检测方法[J]. 数据采集与处理, 2022, 37(2): 405-414.

[9] 李彦葓, 李鹏飞, 吕淼. 基于深度学习的混凝土结构表面裂缝检测[J]. 混凝土, 2022(8): 187-192.

[10] 孟庆成, 万达, 吴浩杰, 等. 基于卷积神经网络的混凝土裂缝图像识别方法[J]. 沈阳建筑大学学报(自然科学版), 2021, 37(5): 832-840.

[11] 蒋勇. 面板堆石坝面板开裂机理与防治措施[J]. 水利技术监督, 2024(8): 226-229.

[12] 杨梦鑫. 水利工程建筑物混凝土裂缝的预防与控制技术研究[J]. 水上安全, 2024(12): 85-87.

[13] 张庆伟. 水工建筑物混凝土裂缝成因与预防处理[J].四川水泥 2021（12）：11-12.

[14] 张井军. 水利工程混凝土裂缝问题分析与控制措施[J].黑龙江水利科技 2022（2）：100-104.

[15] 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.

[16] 林梓娴. 基于超声波检测技术的混凝土结构内部缺陷识别方法[J]. 建材发展导向, 2025, 23(21): 7-9.

[17] 吴青云. 基于声发射技术的混凝土梁损伤识别[J]. 江西建材, 2025(7). 127-129.

[18] 景茂贵, 刘星, 何启. 基于AC-BSO-IGeiger的堆石坝面板裂缝声发射源定位[J]. 人民长江, 2025, 56(2): 175-182.

[19] 徐旺杰. 无人机倾斜摄影技术在混凝土坝表观裂缝质量监测中的应用[J]. 水利技术监督, 2024(5): 4-6.

[20] Pandey V, Mishra S S. A review of image-based deep learning methods for crack detection[J]. Multimedia Tools and Applications, 2025, 84(29): 35469-35511.

[21] Girshick R, Donahue J, Darrell T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Columbus: IEEE, 2014: 580-587.​

[22] 毛莺池，唐江红，王静，等. 基于Faster R-CNN的多任务增强裂缝图像检测方法[J]. 智能系统学报， 2021, 16(2): 286-293.

[23] Redmon J, Divvala S, Girshick R, et al. You only look once: Unified, real-time object detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas: IEEE, 2016: 779-788.

[24] Bochkovskiy A, Wang C Y, Liao H Y M. YOLOv4: Optimal speed and accuracy of object detection[J]. arXiv preprint arXiv:2004.10934, 2020.

[25] Liu W, Anguelov D, Erhan D, et al. SSD: Single shot multibox detector[C]//European Conference on Computer Vision. Amsterdam: Springer, 2016: 21-37.

[26] Long, J., Shelhamer, E., & Darrell, T. (2017). Fully convolutional networks for semantic segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(4), 640-651.

[27] 陈波，张华，汪双，等. 基于全卷积神经网络的坝面裂纹检测方法研究[J]. 水力发电学报， 2020, 39(7): 52-60.

[28] Ronneberger O, Fischer P, Brox T. U-Net: Convolutional networks for biomedical image segmentation[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention. Munich: Springer, 2015: 234-241.

[29] 赵普，谷艳昌，张大伟，等. 基于改进U-net的大坝表面混凝土裂缝图像分割方法[J]. 人民长江， 2024, 55(4): 252-261.

[30] Chen L C, Papandreou G, Kokkinos I, et al. DeepLab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 40(4): 834-848.

[31] 张辉霖, 李登华, 丁勇. 面向混凝土裂缝检测的级联神经网络算法研究[J]. 水力发电学报, 2022, 41(8): 134-143.

[32] 王超, 贾贺, 张壮荣, 等. 基于图像的混凝土表面裂缝量化高效识别方法[J]. 水力发电学报, 2021, 40(3): 134-144.

[33] Jamshidi M, El-Badry M, Nourian N. Improving concrete crack segmentation networks through CutMix data synthesis and temporal data fusion[J]. Sensors, 2023, 23(1): 504.

[34] Ali L, Alnajjar F, Jassmi H A, et al. Performance evaluation of deep CNN-based crack detection and localization techniques for concrete structures[J]. Sensors, 2021, 21(5): 1688.

[35] Seol D, Kim H, Park S, et al. Comparative study of CNN-based deep learning models for concrete crack detection[J]. Journal of Building Engineering, 2025, 93: 110792.

[36] Kim B, Yuvaraj N, Sri Preethaa K R, et al. Surface crack detection using deep learning with shallow CNN architecture for enhanced computation[J]. Neural Computing and Applications, 2021, 33(10): 4869-4884.

[37] Sarhadi A, Ravanshadnia M, Monirabbasi A, et al. Using an improved U-Net++ with a T-Max-Avg-Pooling layer as a rapid approach for concrete crack detection[J]. Frontiers in Built Environment, 2024, 10: 1485774.

[38] 刘凡, 王君锋, 陈峙宇, 等. 基于并行注意力UNet的裂缝检测方法[J]. 计算机研究与发展, 2021, 58(9): 20210335.

[39] Hacıefendioğlu K, Başağa H B. Concrete road crack detection using deep learning-based faster R-CNN method[J]. Iranian Journal of Science and Technology, Transactions of Civil Engineering, 2022, 46(2): 1317-1330.

[40] Golding V P, Gharineiat Z, Munawar H S, et al. Crack detection in concrete structures using deep learning[J]. Sustainability, 2022, 14(13): 8117.

[41] Wang Q, Guo L, Chen B. The lightweight CS-YOLO model applied for concrete crack segmentation[J]. Expert Systems with Applications, 2025, 277: 127298

[42] Hidalgo-Fort E, Blanco-Carmona P, Muñoz-Chavero F, et al. Low-cost, low-power edge computing system for structural health monitoring in an IoT framework[J]. Sensors, 2024, 24(15): 5078.

[43] Peng Z, Li J, Hao H, et al. Smart structural health monitoring using computer vision and edge computing[J]. Engineering Structures, 2024, 313: 118414.

[44] Wang Y, Tang Z, Qian G, et al. A prototype of a lightweight structural health monitoring system based on edge computing[J]. Sensors, 2025, 25(18): 5612.

[45] Abner M, Wong P K Y, Cheng J C P. Battery lifespan enhancement strategies for edge computing-enabled wireless Bluetooth mesh sensor network for structural health monitoring[J]. Automation in Construction, 2022, 142: 104511.

[46] Namatēvs, Ivars, Gaigals G , Ozols K .ConMonity: An IoT-Enabled LoRa/LTE-M Platform for Multimodal, Real-Time Monitoring of Concrete Curing in Construction Environments[J]. Sensors, 2026, 26(1). 14248220

[47] Yuan Q, Shi Y F, Li M Y. A review of computer vision-based crack detection methods in civil infrastructure: progress and challenges[J]. Remote Sensing, 2024, 16(16): 2910.

[48] Sudharsan P L, Gantala T, Balasubramanian K. Multi modal data fusion of PAUT with thermography assisted by Automatic Defect Recognition System (M-ADR) for NDE Applications[J]. NDT & E International, 2024, 143: 103062.

[49] 李扬涛, 任秋兵, 李明超, 等. 视觉驱动的涉水混凝土结构水下多类别缺陷辨识和区域弱监督定位方法[J]. 水利学报, 2024, 55(6): 1-12.

[50] 罗创涟, 周佛保, 刘爱荣, 等. 基于图像矩理论和迁移学习的水下混凝土结构裂缝识别方法[J]. 科学技术与工程, 2024, 24(35): 15108-15117.

[51] 盛金保，陈思宇，李宏恩，等. 数字孪生导向的智能大坝建设研究进展与展望[J]. 水科学进展， 2025, 36(4): 1-15.

[52] Li H L, Zhang R, Zheng S F, et al. Digital twin-driven intelligent operation and maintenance platform for large-scale hydro-steel structures[J]. Advanced Engineering Informatics, 2024, 62: 102661.

[53] 盛金保, 向衍, 杨德玮, 等. 水库大坝安全诊断与智慧管理关键技术与应用[J]. 岩土工程学报, 2022, 44(7): 1351-1366.

[54] DL/T 5178-2016 混凝土坝安全监测技术规范[S]. 北京: 中国电力出版社, 2016.

[55] GB/T 3408.2-2008 大坝监测仪器 应变计 第2部分：振弦式应变计[S]. 北京: 中国标准出版社, 2008.

[56] DL/T 5211-2019 大坝安全监测自动化技术规范[S]. 北京: 中国电力出版社, 2019.

[57] DL/T 5272-2012 大坝安全监测自动化系统实用化要求及验收规程[S]. 北京: 中国电力出版社, 2012.