研究背景：

在混凝土结构的服役周期内，表面裂缝是一种评价混凝土结构健康状态的重要指标。但是无论是在实验室中还是在实际工程中，识别裂缝都是一项非常复杂的任务。而人工识别裂缝存在着各种缺陷，包括耗费时间长、评估主观等。随着计算机视觉技术的发展，使用计算机视觉技术自动话地识别混凝土裂缝成为当下研究的热点。但是计算机视觉识别裂缝依然存在一些问题，包括无法实现像素级的检测，检测精度不高等问题。

创新点：

本文提出了一种基于改进的Unet的混凝土裂缝像素级检测算法，主要包括以下三个创新点：1）提出了一种可以实现对混凝土裂缝的像素级检测模型Crack_Unet；2）改善了模型，提高了模型的训练速度和检测精度3）研究了数据集规模及模型规模对裂缝检测模型的性能的影响。本文所提方法的实现流程如图1所示。所使用的深度学习模型如图2所示。

研究结果表明，在使用较小数据集训练的前提下，本文所提方法检测精度相比较于现有方法依然有明显提升。本文方法还在开源数据集CFD上进行了验证，检测结果进一步证明了本文所提方法的优越性,如图3所示。最后，通过对比分析发现，对于裂缝检测这种任务而言，检测精度并不会随着模型规模的增大而无限制的提高，如图4所示。因此，需要针对不同的任务选择不同体量的模型，以达到精度与效率的平衡。

该成果在结构健康监测领域的国际权威期刊《Structural Health Monitoring-An International Journal》发表。(Zhang Lingxin, Shen Junkai*, Zhu Baijie. A research on an improved Unet-based concrete crack detection algorithm [J]. Structural Health Monitoring, 2021, 20(4): 1864-1879. DOI: https://doi.org/10.1177/1475921720940068) (IF: 5.929, *通讯作者)

图1 方法实现流程图

图2 Crack_Unet模型结构示意图

图3 本文方法与其他方法对比

图4 本文模型性能验证