基于AI 大模型裂缝破损检测的研究和应用

前言：

对裂缝进行及时精确的检测有效防止结构倒塌等安全事故，是土木工程领域的研究热点。传统的裂缝检测主要依靠人工巡检，依靠人工观察或者借助简易的仪器进行检测，耗时耗力，并且受到经验和光照等因素的影响，检测结果具有很强的主观性和一致性。卷积神经网络（CNN）在复杂背景下具有较强的特征自动提取能力，在道路、桥梁、墙体等结构裂缝检测方面具有广阔的应用前景。然而，目前的研究大多是针对单一场景或者特定类型的裂隙，模型的泛化能力较弱，在微裂隙识别、复杂背景干扰等方面还存在不足。

一、基于AI 大模型的裂缝检测系统设计

（一）模型架构设计

1. 基础模型

该模型采用6 层卷积网络结构，包含4 层卷积网络（卷积 + 池化层）和 2 层完全连通层。在卷积网络中，采用 3x3 卷积核，通过逐步提高特征图的通道数量（32~256)；池化层采用 2×2 的最大池化方法对特征图进行降维；完全连通层输出的概率为“裂缝”和“非裂缝”。该模型具有结构简单、运算能力强等特点，可实现每秒50 帧的检测[1]。

2. 高级模型

以此为基础进行优化，引入批量标准化，在每一层卷积层后加入标准化操作，提高特征分布的稳定性，加快模型收敛速度，并将训练时间减少 40% 。同时，增加 dropout 层，在完全连通前设定 0.5 的 dropout速率，并对部分神经元进行随机剔除以避免过度拟合，从而提高模型的泛化能力。

（二）关键检测算法

1. 多尺度滑动窗口策略

考虑到裂缝尺寸差（ 0.1-5mm )，以 32×32.64×64,128×128 为窗步长，通过 1/2 的窗步长来进行扫描。采用小窗口检测技术，利用较大的窗口捕捉长缝的整体形状，采用自适应的尺度选择方法在检测精度和检测速度上取得很好的平衡[2]。

2. 重叠区域合并算法

采用非最大值抑制（NMS）算法对滑动窗输出重叠的区域进行融合：计算各区域之间的 IoU，在 IoU>0.5 的情况下，保留最大置信度区域，剔除冗余结果，将重复标注率降低到 5% 以下。

3. 边缘精炼算法

采用基于小波变换的边缘检测技术，首先提取裂缝的初始边界，然后结合形态学操作（腐蚀、膨胀等）去除噪声点，然后采用多项式拟合方法对边界曲线进行优化，最终将裂缝轮廓定位误差控制在1 个像素以内。

（三）系统功能模块

1. 模型训练模块

支持自定义数据集导入（VOC, COCO)，支持数据增强（旋转 ±15 度，比例 0.8-1.2，水平翻转，随机剪切），扩展数据库规模（原始数据增加 3 倍）。实现对训练过程的实时可视化（损失值，准确度曲线），支持提前停止（5 轮不到提高时停止训练），避免过拟合。

2. 裂缝检测模块

具有单张图像检测和批处理（支持文件夹导入）功能，可设定置信阈值（0.5-0.9）调整灵敏度。将检测到的裂纹位置用“oundingbox”标记出来，显示出置信值，同时生成裂纹长度和最大宽度（误差小于0.1mm）的量化参数[3]。

3. 用户交互界面

在 PyQt5 的基础上建立一个可视化界面，实现模型加载，参数设置，图像预览，结果保存等功能。该接口支持拖拽操作，检测结果输出为包含量化数据的 CSV （含量化数据），也以 PNG 格式（PNG 格式）输出。

二、实验与结果分析

（一）实验环境与数据集

硬 件 环 境：CPUInteli7-12700K，GPUNVIDIARTX3090（24GB），内存 32GB。

软件环境：Python3.8，PyTorch1.12，OpenCV4.5。

数据集：采集自10 栋建筑（包括住宅、办公楼、厂房）的墙体图像，

共 10000 张（分辨率 1920×1080 ），含裂缝图像6000 张（涵盖不同光照、污渍、阴影场景），使用LabelMe 标注裂缝区域，按7:2:1 划分为训练集、验证集、测试集。

（二）评价指标

采用准确率（Precision）、召回率（Recall）、F1 分数、IoU 及检测速度（张/ 秒）作为评价指标：

准确率 Σ=Σ 正确检测的裂缝数/ 检测到的总裂缝数

召回率 Σ=Σ 正确检测的裂缝数/ 实际存在的总裂缝数

F1=2× （准确率 × 召回率）/（准确率 + 召回率）

IoU= 裂缝检测区域与实际区域的交集/ 并集

（三）实验结果

该高级模型综合性能优于基准模型，特别是微裂纹识别（召回率提高 21% ）、复杂背景干扰抑制（提高 4.8%AA) ，验证批标准化和跳变连接的有效性。相对于人工检测，系统检测速度提高 800 多倍，F1 值提高 0.15。主要误差来源为：在极端黑暗环境（光照 <50lux ）下，裂隙漏检（约 3% ；与裂纹形状类似的污迹（约 2% ）。

三、应用场景与实践价值

（一）建筑结构健康监测

该系统与建筑物定期巡检流程相结合，利用无人机航拍或固定摄像机获取墙体影像，自动生成墙体裂缝检测报告。在某高层住宅监测中，该系统 1 小时内完成 500 ㎡墙体检测，检测出 32 个裂缝（其中 6 个宽度小于 ，比人工检测效率提高50 倍，为结构维护提供精确依据。

（二）基础设施维护

该系统在隧道、桥梁等大型工程中对混凝土表面裂纹的发展进行实时监控。以某地铁隧道为例，利用巡检机器人搭载的摄像头，每个月对3 处因沉降引起的新裂缝进行预警，防止病害扩大。

（三）灾后评估

该系统在地震或水灾等灾害发生后，对建筑物的损坏程度进行快速的评估。在一次地震灾后检测中，项目组利用便携设备采集 10 座建筑物的裂隙，24 小时内完成 10 座建筑物的裂隙筛查，为灾后重建工作提供数据支撑。

结论

本文所设计的基于人工智能的大模型裂纹检测系统，通过对 CNN结构和检测算法的优化，实现对墙体裂纹的高效精确识别。实验结果表明，该系统的检测精度达到 96.3% ，检测效率比手工检测提高800 多倍，完全能够满足工程需要。未来的研究方向包括：红外和可见光图像的融合，提高极端环境下检测的鲁棒性；为提高对长缝特征的捕捉能力，引入 Transformer 模型；开发适用于移动端设备的轻量级模型，扩展现场实时检测场景，为土木工程领域安全评价提供重要的技术支持。

参考文献：

[1] 李青 . 混凝土裂缝 AI 识别算法在建筑质量检测中的精度提升研究 [J]. 科海故事博览 ,2025(19):28-30.

[2] 张晓华 , 李小龙 , 艾金泉 , 等 . 复杂背景下基于改进 MaskR-CNN 的路面裂缝检测算法 [J]. 北京测绘 ,2024,38(3):431-436.

[3] 陈晓冬 , 艾大航 , 张佳琛 , 等 . Gabor 滤波融合卷积神经网络的路面裂缝检测方法 [J]. 中国光学 ,2020,13(6):1293-1301.

作者简介

王春宇（2004），男，山东潍坊人，专科；

邮编：250103

单位：

研究方向：工程测量

其他作者: 杨子文，董子和，范家豪，徐洪峰，丁翠