摘要：桥梁结构在长期服役和交通荷载作用下易产生裂缝，严重影响其安全与耐久性。传统人工巡检存在效率低、精度差等问题，难以满足现代桥梁监测需求。本文提出一种基于无人机航测的桥梁裂缝自动识别技术，通过多旋翼无人机获取高分辨率图像，结合图像处理与深度学习算法，实现裂缝的精准提取与分类识别。以某混凝土桥为案例进行实测，系统在识别精度、定位误差与处理效率方面均表现优异，具备良好的工程应用价值。

关键词：无人机航测；桥梁裂缝；图像识别；深度学习；结构健康监测

桥梁作为现代交通网络的关键节点，其运行安全直接关系到交通秩序与公众生命财产安全。在实际运营过程中，受材料老化、荷载循环及环境侵蚀等因素影响，桥梁结构易出现表面裂缝、剥蚀等病害，若未能及时发现和处理，可能引发结构损伤扩展，进而导致安全隐患甚至事故。近年来，随着数字化监测技术的发展，无人机航测与图像识别手段为桥梁病害检测提供了新的解决方案。通过非接触方式获取桥梁表面高清图像，结合智能算法对裂缝进行自动识别与定位，不仅提升了检测的效率和精度，也为大范围桥梁巡查提供了技术支撑。

一、无人机航测平台构建与数据获取方法

（一）无人机平台选型与任务参数设定

本研究选用 DJI Matrice 300 RTK 型工业级多旋翼无人机，搭载Zenmuse P1 航测相机模块。该机型支持 RTK 厘米级定位精度，最大起飞重量为 9kg ，最大续航时间为 55 分钟。航摄任务中，采用 24mm 定焦镜头拍摄高分辨率图像（有效像素约为 4500×3000 ），图像地面分辨率（GSD）控制在 0.25～0.35cm/pixel 。为保障图像重叠度与覆盖密度，航高设置为 25m ，前向重叠率 80% ，旁向重叠率 70% ，飞行速度控制在 2.5m/s 以内。现场部署中，通过地面站软件设置航线规划，并结合 RTK 移动基站实现轨迹纠偏。任务区布设 5 个地面控制点（GCP），使用南方测绘 NTS-352R10 全站仪进行静态坐标采集，点位精度控制在 ±1cm 范围。每个控制点设置红白反光靶标，便于图像后处理中匹配标定。

（二）三维建模与正射影像生成流程

图像获取后，采用Pix4Dmapper 软件进行空三重建与正射影像拼接。软件利用 SfM 算法提取特征点并完成稀疏点云生成，随后构建稠密点云和网格模型，最终生成正射影像（DOM）与数字表面模型（DSM）。生成的 DOM 具有无畸变、坐标统一、可量测等优势，作为裂缝识别的图像基础。通过 GCPs 误差校核结果显示，模型空间残差 X 方向平均为 ±2.6cm ， ΔY 方向为 ±2.2cm ，Z 方向为 ±3.4cm ，满足桥梁表面细部识别的精度要求。正射影像的空间分辨率控制在0.3cm 以内，可清晰展现裂缝细节与边界形态。

二、桥梁裂缝图像处理与特征提取技术

（一）裂缝图像预处理方法

数字化阶段标志着测量方法的重大转变，因为它引入了数字化测量仪器和技术，如全球定位系统（GPS）、激光扫描仪和无人机。这些设备实现了高精度测量和数据采集，支持实时数据传输、存储和分析，提高了测量精度和运行效率 [1]。在图像预处理阶段，首先对航拍图像进行裁剪与灰度化处理，剔除非结构区域与背景干扰部分。随后应用直方图均衡化提升图像整体对比度，使微裂纹在背景中呈现明显灰度梯度。针对航测图像常见的光照不均问题，采用 CLAHE（Contrast Limited Adaptive Histogram Equalization）算法对图像局部区域进行亮度自适应增强，有效提升低反差裂缝的可识别性。

图像去噪环节采用 3×3 高斯滤波核进行卷积降噪，滤波参数 σ_σσσ 设为 1.0，以抑制传感器与图像压缩带来的微小噪点。对于存在重复纹理的混凝土表面，适当融合中值滤波进行二次平滑处理，从而降低误判率。

（二）裂缝区域提取与几何特征分析

在裂缝区域识别中，先采用改进型 Canny 边缘检测算法，调整双阈值（高阈值 0.2、低阈值 0.1），保证裂缝边缘连续性 [2]。随后使用Sobel 算子提取梯度方向与强度，进一步增强主裂缝骨架的表现力。对提取出的二值边缘图像，实施腐蚀—膨胀形态学操作以剔除孤立斑点并恢复细长结构的连通性。裂缝几何特征提取采用区域属性法，针对每条裂缝对象计算其最大轴长（即长度）、最小轴长（代表宽度）、面积、周长及方向角。实验桥梁样本中，典型裂缝宽度集中在 0.21.5mm 之间，长度范围为 30250mm 。对于裂缝分布密度的表达，采用单位面积裂缝总长度指标（单位： mm/m² ），用于量化病害集中程度。

三、基于深度学习的裂缝自动识别与分类模型研究

（一）卷积神经网络模型构建与训练

为实现桥梁裂缝的自动化识别与精确分类，构建基于 结构的语义分割模型。该网络包含编码器与解码器两个主要模块，其中编码器由 5 组卷积与最大池化单元组成，每组使用两个 3×3 卷积核和 ReLU 激活函数进行特征提取。解码器采用逐层上采样并通过跳跃连接方式融合浅层特征，有效保留裂缝纹理信息与位置信息，提升分割边界精度。最终输出层为Softmax激活函数，设定三类输出标签：背景、裂缝与阴影干扰。

模型训练数据来自自建桥梁裂缝图像库，共包含 3120 张高分辨率图像（ 512×512 ），采用 LabelMe 工具完成像素级标注。数据集按 70% 、 20% 、 10% 的比例划分训练集、验证集与测试集。为提高模型对细裂缝识别的敏感性，损失函数采用交叉熵损失与 Dice 系数损失组合优化，以平衡裂缝区域与背景的不均衡问题。优化器选用Adam，初始学习率为 1×10^-4 ，训练总轮次设置为 120 轮，批次大小为16，采用早停策略控制过拟合风险。

（二）模型识别性能评估与优化策略

模型性能从多维度指标进行评估，包括整体准确率（Accuracy）、查准率（Precision）、查全率（Recall）及 F1-Score 等。在测试集上的结果显示，模型整体识别准确率为 94.7% ，查准率达 91.2% ，查全率 88.5% ，F1-Score 为 89.8% ，具备较高的实用性。为提升模型对微裂缝等小目标的识别能力，引入多尺度特征金字塔网络（FPN）结构，增强高层语义信息对低层细节的补充表达。同时嵌入 SE（Squeeze-and-Excitation）注意力机制，有效提升模型对裂缝纹理微特征的感知与判别能力。

在推理效率方面，模型部署于 NVIDIA RTX 3060 GPU 平台上，单张图像平均推理耗时约为 0.43 秒，满足现场多图批处理需求。在实测应用中，系统成功识别桥面发散型裂缝、墩身竖向裂缝及边缘剥蚀类型裂缝，均表现出良好的鲁棒性与分类准确性，显著优于传统图像阈值分割法，具有明显的工程适应性优势[3]。

总结：本研究构建了一套基于无人机航测与深度学习融合的桥梁裂缝识别技术体系，涵盖图像采集、处理、特征提取与智能识别全流程。通过实测验证，该系统在裂缝图像获取精度、识别准确率及处理效率方面均表现出显著优势。U-Net 模型结合多尺度感知与注意力机制，提升了微裂纹的识别能力，满足工程现场的桥梁病害自动化检测需求。未来研究可进一步拓展模型至多类病害识别场景，并实现模型边缘部署，以提升桥梁结构健康监测的智能化与实用化水平。

[1] 刘江 . 基于摄影测量的桥梁裂缝检测技术研究 [D]. 重庆交通大学 ,2024.000780.

[2] 杨国俊 , 齐亚辉 , 石秀名 . 基于数字图像技术的桥梁裂缝检测综述 [J]. 吉林大学学报 ( 工学版 ),2024,54(02):313- 332.

[3] 侯珂 . 基于深度学习的混凝土桥梁裂缝检测研究 [D]. 山东交通学院 ,2024.000124.