基于AER-UNet的机场跑道裂缝分割及参数计算

梁锦涛; 李明广; 毛维; 陈锦剑; 李超峰; 侯普民

doi:10.12404/j.issn.1671-1815.2506151

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (14) :6108-6116 DOI: 10.12404/j.issn.1671-1815.2506151

建筑科学

基于AER-UNet的机场跑道裂缝分割及参数计算

梁锦涛 ¹^,² ,
李明广 ¹ ,
毛维 ² ,
陈锦剑 ¹ ,
李超峰 ² ,
侯普民 ²^,^*

作者信息 +

Crack Segmentation and Parameter Calculation for Airport Runways Based on AER-UNet

LIANG Jin-tao ¹^,² ,
LI Ming-guang ¹ ,
MAO Wei ² ,
CHEN Jin-jian ¹ ,
LI Chao-feng ² ,
HOU Pu-min ²^,^*

Author information +

文章历史 +

摘要

机场跑道裂缝是道面的典型病害,对其进行及时检测是改善道面性能、防止其演变为结构性损伤的关键。针对当前跑道裂缝检测在低亮度、噪声干扰下检测精度不足和对不同尺度裂缝识别能力有限的问题,提出了一种改进的AER-UNet检测模型。该方法在UNet架构基础上进行三方面改进,首先,在模型底部引入空洞空间金字塔池化模块(atrous spatial pyramid pooling,ASPP),增强不同尺度裂缝特征提取能力;其次,在跳跃连接中嵌入高效通道注意力机制(efficient channel attention,ECA),提升模型在噪声和低对比度背景下的鲁棒性;最后,将UNet中的标准卷积替换为残差卷积结构,以缓解梯度消失问题。此外,针对现有方法仅提供分割结果的局限,设计了一种裂缝参数量化算法。通过与其他模型对比试验及可视化分析,结果表明:AER-UNet的综合性能优于原始UNet及其他对比模型,其精确率、召回率和F₁分数分别达到85.7%、84.5%和85.1%。同时,裂缝参数量化算法具有较高精度,可为机场跑道裂缝损伤的评估与科学养护决策提供数据支持。

Abstract

Cracks are a typical distress in airport runway pavements. Timely detection is crucial for enhancing pavement performance and preventing their progression into structural damage. To address the current issues of insufficient detection accuracy under low illumination and noise interference, as well as limited ability to identify cracks of different scales in runway crack detection, an improved AER-UNet detection model was proposed. Three aspects of the proposed method were improved based on the UNet model. Firstly, an ASPP module was integrated at the end of the encoder to enhance the capability for multi-scale crack feature extraction. Secondly, an ECA attention mechanism was embedded into skip connections to improve robustness against noise and low-contrast backgrounds. Finally, the standard convolutions of the UNet model were replaced with residual convolution blocks to alleviate the vanishing gradient problem. In addition, a crack parameter quantification algorithm was proposed to address the limitation of existing methods that only provide segmentation results. Comparative experiments and visualization analyses demonstrate that the performance of AER-UNet was superior to that of the original UNet and other comparative models. Its precision, recall, and F₁ score reach 85.7%, 84.5%, and 85.1%, respectively. Furthermore, crack parameter quantification algorithm possesses high accuracy, which can provide data support for the airport runway crack damage assessment and scientific maintenance decision-making.

Graphical abstract

关键词

跑道裂缝 / 语义分割 / 裂缝参数计算 / 深度学习

Key words

runway cracks / semantic segmentation / crack parameter calculation / deep learning

引用本文

引用格式 ▾

梁锦涛, 李明广, 毛维, 陈锦剑, 李超峰, 侯普民. 基于AER-UNet的机场跑道裂缝分割及参数计算[J]. 科学技术与工程, 2026, 26(14): 6108-6116 DOI:10.12404/j.issn.1671-1815.2506151

LIANG Jin-tao, LI Ming-guang, MAO Wei, CHEN Jin-jian, LI Chao-feng, HOU Pu-min. Crack Segmentation and Parameter Calculation for Airport Runways Based on AER-UNet[J]. Science Technology and Engineering, 2026, 26(14): 6108-6116 DOI:10.12404/j.issn.1671-1815.2506151

登录浏览全文

4963

注册一个新账户忘记密码

跑道作为机场的关键基础设施,在货物运输和人员载运中发挥着重要的作用。然而,在飞机反复荷载及环境因素的共同作用下,机场跑道容易产生损伤和裂缝。从工程角度看,裂缝不仅会直接破坏路面平整度,更会随着持续荷载与环境作用不断扩大,并逐步诱发坑洼、错台等结构性破坏^[1-2]。特别是对于军用机场,跑道完好性是维持其战略投送能力与持续作战效能的先决条件。跑道裂缝识别与评估作为道面养护首要环节,其结果的准确性与时效性,直接决定了后续养护决策的科学性与抢修作业效率。因此,开展针对裂缝的精准检测与识别技术,实现跑道路面的损伤评估,对于提升跑道智能化管理水平并延长其服役寿命具有重要意义。

传统裂缝检测方法主要依赖人工检查,但是这种方法效率低、漏检率高、危险性高^[3-6]。随着图像处理技术的发展,基于数字图像处理的裂缝检测技术得到了广泛应用。例如,Safaei等^[7]提出了基于分块和局部阈值化的路面裂缝检测方法,该方法的核心思想是先将图像分割成小块,再对每个小块进行阈值分割。Luo等^[8]采用了基于Canny算法的路面裂缝检测技术,通过利用图像灰度变化提取裂缝信息。Chen等^[9]提出了一种结合改进Otsu算法与形态学处理的混凝土表面裂缝检测方法。尽管这些方法在检测效率上优于人工检测,但其适用范围限于背景噪声较少、裂缝特征明显的图像。这些传统的数字图像检测方法依赖图像的灰度分布、纹理特征等属性,在受到环境噪声和光照变化等外部因素干扰时检测性能较低^[10-13]。

近年来,深度学习因其出色的特征学习能力被广泛应用于计算机视觉领域,其任务类型主要包括目标检测和语义分割^[14-16]。目标检测通过候选框来定位并确定其类别,常见的算法有YOLO^[17]系列、RCNN^[18]等。例如,姚庆安等^[19]采用改进的YOLOv8算法实现了裂缝的快速识别与定位。徐康等^[20]则针对沥青路面裂缝识别率低的问题,提出了基于改进 Faster R-CNN 的检测方法。YOLO系列算法因其高效性和实时性,在多个重要领域有着广泛应用^[21-23]。然而,这类方法仅能确定裂缝类别,无法准确描述裂缝的形态特征和对几何参数(如长度、宽度)进行量化,难以评估路面的损伤程度。语义分割则能够对图像中的每个像素进行分类,从而精确提取裂缝的轮廓与形状。初期研究中,Long等^[24]提出的全卷积网络FCN实现了端到端的像素级预测,为后续裂缝检测奠定了基础。之后,Ronneberger等^[25]提出的UNet架构凭借其编码器-解码器结构与跳跃连接机制,在医学图像分割中表现出色,之后被引入土木工程领域。Liu等^[26]将UNet应用于混凝土裂缝检测,采用Focal Loss损失函数和Adam优化器,在训练集上取得了较高的精度。Yang等^[27]利用全卷积网络FCN实现了混凝土裂缝的像素级分割。近年来,基于UNet和FCN的多种改进模型也被广泛用于裂缝检测中。Zhang等^[28]通过将注意力机制集成到FCN全卷积网络中,增强了模型对路面裂缝检测的准确率和分割精度。Shi等^[29]将 VGG16作为UNet网络的编码器,通过其丰富的卷积特征表示能力,有效提升了裂缝分割的准确率。Li等^[30]提出了一种结合动态蛇卷积模块的方法,通过融合标准卷积与双向动态蛇卷积特征,有效增强了网络对隧道衬砌裂缝复杂几何结构与上下文信息的提取能力。Guo等^[31]提出了一种以 Swin Transformer 为编码器的 U-Net 模型,利用其层次化全局建模能力有效捕获路面裂缝的上下文信息,在多个公开数据集上提升了裂缝检测的 F₁ 分数。邓治林等^[32]利用改进的UNet 模型对机场道面中的裂缝进行检测,识别结果明显优于DeepLab v3、FCN和UNet模型。尽管上述方法在分割精度上取得进展,但仍存在以下关键问题待解决。首先,多数模型聚焦于提升像素级分割性能,却未有效解决复杂背景干扰(如光照变化、噪声)和不同尺度裂缝造成的误检与漏检问题。其次,现有研究普遍止步于裂缝区域的分割掩码输出,缺乏对裂缝几何参数(长度、宽度)的量化分析,难以满足工程实践中对损伤等级评估的需求。

针对以上问题,现构建AER-UNte网络模型,引入ECA注意力机制以抑制复杂背景干扰,融合ASPP模块增强不同尺度裂缝特征提取能力,并采用残差卷积模块缓解深层网络的梯度消失与退化问题。设计一种裂缝长度和宽度量化计算方法,并且通过实测数据验证所提方法的准确性;以期为机场跑道的健康监测、损伤程度评定及后续养护决策提供数据支撑。

1 改进的UNet模型

UNet 是一种经典的语义分割网络,其架构呈对称的 U 形结构,主要由编码器、解码器以及连接二者之间的跳跃连接三部分构成。编码器通过多级下采样操作逐步提取图像的高层语义特征,而解码器则通过相应的上采样过程逐步恢复空间分辨率;在此过程中,跳跃连接将编码器各层级所提取的浅层细节信息与解码器中对应的深层语义特征进行融合。然而,在面对复杂背景干扰(如光照、噪声干扰)以及不同尺度裂缝时,原始UNet架构在特征表达能力与信息感知方面仍显不足,存在一定的局限性。

为此,在UNet基础上提出了一种改进的AER-UNet模型。如图1所示,首先在跳跃连接中引入了ECA注意力机制,通过自适应地增强关键通道特征并抑制冗余信息,抑制复杂背景对裂缝目标提取的干扰。其次,网络编码器与解码器之间的底部瓶颈层嵌入了ASPP模块,利用不同膨胀率的空洞卷积捕获不同尺度上下文信息。最后,将原始UNet模型中的普通卷积层替换为残差卷积模块。

1.1 ASPP模块

裂缝长度与宽度是评估路面损伤程度的重要几何参数,不同尺度的裂缝往往对应不同的病害等级和养护要求。不同尺度指的是裂缝具有不同的长度、宽度和走势形态。为提升模型对不同尺度裂缝的特征提取能力,在UNet模型底部引入ASPP结构。ASPP结构在DeepLabv3的研究中提出,它将空洞卷积与金字塔池化进行结合。空洞卷积在标准卷积的基础上,在卷积核元素之间插入“间隔”,从而扩大感受野。如图2所示,不同空洞率(R_ate=6、12、18)具有不同的感受野。模块通过并行不同空洞率的卷积,利用小空洞率卷积捕捉局部细节以识别小裂缝,大空洞率卷积扩大感受野以检测大裂缝。

如图3所示,所采用的ASPP模块包含5个并行的子模块:一个1×1卷积用于降维,3个不同空洞率的3×3空洞卷积用于多尺度特征提取,以及一个全局平均池化通路用于捕获整体上下文信息。将空洞卷积输出和全局平均池化的输出进行拼接,经过1×1卷积层得到最终的输出结果。

1.2 ECA注意力机制

裂缝图像中存在复杂背景干扰,这可能导致模型在检测过程中受到无关信息的干扰,从而影响模型分割效果。为解决此类问题,通过引入 ECA注意力机制^[33],减少模型对无关特征的关注度,进而提升模型对存在噪声、低亮度裂缝的识别能力。ECA注意力机制的处理过程如图4所示,首先对输入特征图进行全局平均池化,接着通过一维卷积和Sigmoid激活函数得到归一化的权重。最后,将通道注意力权重与原始特征相乘得到新的特征图。

ECA是在SE注意力机制基础上的改进版本,如图4所示其核心改进在于将SE模块中用于通道信息学习的全连接层替换为一维卷积操作。优点在于避免SE中全连接层降维处理导致的信息丢失,尤其在裂缝细小时,能更好地保留通道信息。图4中的一维卷积核大小为3,图3中只展示了部分通道的计算过程,其中一维卷积的卷积核大小k由式(1)动态确定。

(1)k=${\left|\frac{lo{g}_{2}C+b}{\gamma }\right|}_{odd}$

式(1)中:k为卷积核大小;C为输入特征图的通道数;γ和b分别取经验值2和1;odd为k取奇数,以保证输入和输出特征图严格对齐。

1.3 残差卷积模块

在机场跑道裂缝检测中,加入ASPP模块和ECA注意力机制后,模型的网络结构变得更加复杂,模型的网络深度增加。尽管深度的增加增强了感受野和语义表达能力,但也容易引发梯度消失或模型退化问题,导致对裂缝特征捕捉能力下降。为此,在UNet的卷积模块中引入残差连接,这不仅缓解了深层网络的训练困难,提升了梯度传播效率,而且有助于保留裂缝的信息。如图5所示,相比于原来的卷积模块,残差卷积通过跳跃连接将输入特征与经过两次卷积操作后的特征进行融合,进一步提高了检测精度。

2 数据集与参数计算

2.1 数据集构建

目前,中外关于机场跑道裂缝的研究相对较少,且缺乏公开的数据集。为此,构建了一个包含2 972张机场跑道裂缝图像的数据集。该数据集按照8∶2的比例被划分成训练集与验证集,其中包含2 369张训练图像和593张验证图像。所有图像均采用LabelMe工具进行标注,以生成JSON格式标注文件。最后,利用OpenCV将其转换为JPEG格式的分割掩码。

为了验证所收集数据集的可行性并评估后续裂缝量化算法的准确性,依据《民用机场水泥混凝土道面设计规范》(MH/T 5004—2025)和《军用机场场道工程施工及验收规范》(GJB 1112A—2004),制备了模拟机场跑道的混凝土试块。如图6所示,采用P·O 42.5水泥、细度模数2.3~3.0的中砂以及5~20 mm与20~31.5 mm碎石(级配比40∶60),通过规范公式计算确定混凝土配合比为1∶0.42∶1.95∶4.24(水泥:水:砂:石),并将试块养护28 d。

养护完成后,使用压力试验机对混凝土试块进行压缩以产生裂缝。记录的破坏荷载范围为913.11~096.6 kN,同时使用高分辨率数码相机拍摄试块表面的裂缝。这些图像构成了一个独立的测试集,用于评估和验证所训练的裂缝分割模型的工程适用性。

2.2 相机标定

通过图像算法计算裂缝参数时,通常只能获得像素级的距离,为获取其对应的实际物理距离,需要进行图像尺度因子的计算。设图像中两个已知参考点分别为P₁(x₁,y₁)、P₂(x₂,y₂),其在图像坐标系下的像素距离如式(2)所示。设其对应的实际物理距离为D,则图像尺度因子计算如式(3)所示。尺度因子的确定方法一般方法是在图像中放置一个已知的标定物体。而所研究的混凝土块尺寸为150 mm×150 mm,利用试块的边长和计算的像素距离就可以得到尺度因子。

(2)d(x,y)=$\sqrt{({x}_{2}-{x}_{1}{)}^{2}+({y}_{2}-{y}_{1}{)}^{2}}$

(3)η=$\frac{D}{d(x,y)}$

式中:d(x,y)为物体的像素距离,mm;D为物体的实际距离,mm;η为图像尺度因子。

在此基础上,如图7所示,使用三脚架固定相机,并在焦距保持一致的情况下,可以保证拍摄图像的尺度因子一致。同时为了验证量化算法的准确性,使用数显游标卡尺数码裂缝测宽仪和裂缝宽度尺对裂缝长度和宽度进行了实际距离的测量。

2.3 裂缝长度计算

裂缝长度为细化处理后裂缝骨架线的长度。如图6所示,裂缝长度计算过程为首先利用AER-UNet模型获得裂缝的二值化图像。然后,采用 Zhang-Suen细化算法提取裂缝的骨架。骨架化处理可以将裂缝转化为单像素宽度的细线,通过计算相邻两点之间的像素距离并累加每段长度。最后,乘以式(3)中的像素比例因子,就可以得到裂缝的实际长度。

混凝土裂缝骨架提取过程中,裂缝本身宽度不均、边缘复杂且存在弯曲与折点,导致出现毛刺,影响后续裂缝几何参数的测量精度。针对该问题,设计了一种基于路径长度分析的毛刺去除算法。首先,识别出骨架图像中所有的端点(只连接一个邻居像素);从每个端点开始,沿骨架追踪其相连的路径并计算路径长度;最后设定一个长度阈值,将长度小于该阈值的路径判定为毛刺并将其移除。图8所示为毛刺去除的计算过程,去除毛刺的计算结果为53.50 mm。

2.4 裂缝宽度计算

裂缝宽度指的是裂缝的最大宽度,采用最大内接圆算法计算裂缝的最大宽度。首先,对于裂缝内部的一点 p(x₁,y₁),式(4)计算的是该点到裂缝边界上任意一点 q(x₂,y₂)的距离,并取其中的最小值,即点p到边界的最短距离,作为该点的内接圆半径。

(4)d(p)=min[$\sqrt{({x}_{1}-{x}_{2}{)}^{2}+({y}_{1}-{y}_{2}{)}^{2}}$]

式(4)中:p(x₁,y₁)为裂缝内部一点的坐标;q(x₂,y₂)为裂缝边界一点的坐标。

之后,在所有内部点中搜索使该距离最大的位置,以确定最大内接圆的圆心和半径,如式(5)所示。最终,裂缝的最大宽度定义为该圆的直径,如式(6)所示。

(5)r=max[d(p)]

(6)W=2r

式中:r为裂缝区域内的最大内接圆半径,mm;W为裂缝的最大宽度,mm。

如图9所示,展示了基于最大内切圆法的裂缝宽度计算。首先,从原始图像中将裂缝区域分割出来。然后,确定裂缝区域的最大内接圆,其直径即代表裂缝的最大宽度。

3 裂缝分割效果分析

3.1 试验环境

试验环境:操作系统为Windows 10,处理器为 i5-13400F,显卡为NVDIA GeForce RTX 4060ti 16g。

实验使用的深度学习框架是 Pytorch,显卡加速软件为 Cuda 10.2,编程语言为 Python3.8,开发工具为 PyCharm。训练参数为:训练总轮次 epochs 设置为200,批处理 batch-size 大小设置为4,并采用 Adam 优化器,初始的学习率设置为0.000 1。

3.2 评价指标

采用精确率(P)、召回率(R)和F₁分数(F₁-score,F₁)作为评价指标,对不同检测模型的性能进行对比分析。其中,精确率反映模型预测结果的准确性;召回率衡量模型对真实目标的检出能力;而F₁分数则是精确率和召回率的调和平均值,能够综合考虑模型的准确性。

(7)

$\left\{\begin{array}{l}P=\frac{TP}{TP+FP}\\ R=\frac{TP}{TP+FN}\end{array}\right.$

(8)F₁=$\frac{2PR}{P+R}$

式中:TP为真例被检测正确的样本数量;FP为假例被错误检测为真例的样本数量;FN为真例被错误推理为假例的样本数量。

3.3 模型对比分析

3.3.1 不同模型性能对比

为了验证所提出改进模型的性能,选取了5个语义分割网络作为对比,包括UNet、FCN、UNet++、VGG-UNet以及Attention-UNet(At-UNet)。所有模型均在相同的裂缝数据集上进行训练,各模型的分割性能通过多个评价指标进行量化评估。具体训练结果如表1所示。

如表1所示,在多个评价指标中,本文模型在精确率上虽未达到最高值,但在召回率和F₁分数上均优于其他对比模型,其中加粗数据表示各指标下的最优结果。相较于UNet、FCN、UNet++、VGG-UNet、Attention-UNet,本文提出的模型F₁分数分别提升了3.1%、10.8%、1.3%、1.0%、1.5%。VGG-UNet在精度上表现较优,主要得益于其采用VGG网络作为编码器结构,增强了特征提取能力。然而,其缺乏多尺度融合机制,导致部分裂缝区域漏检,召回率相对较低。At-UNet中的注意力机制能提升对关键区域的识别,减少漏检,进而提高召回率。FCN的架构较为简单,且缺乏密集对称的跳跃连接,这限制了其恢复空间细节的能力,因此其分割性能相对较低。所改进模型在保持相对较高检测精度的同时,实现了更高的召回率与F₁分数。

3.3.2 可视化分析

为直观评估各模型的实际分割性能,对不同场景下的模型输出结果进行了可视化分析。如图10所示,6种模型均能实现较为准确的分割,这验证了本文中的数据集适用于机场跑道裂缝检测。然而,在存在噪声、低亮度的图像中,所有模型均出现不同程度的少分割现象,其中FCN表现最差,其分割结果与表1中最低的F₁分数一致,表明其性能较弱。而AER-UNet由于引入了ECA注意力机制,能够抑制无关背景和噪声的干扰,从而有效捕捉裂缝信息。

在不同尺度裂缝场景下,UNet、FCN、UNet++、VGG-UNet及Attention-UNet均表现出检测能力不足,存在漏检与分割不完整问题。相比之下,AER-UNet虽然存在少量漏检,但其分割结果相对最完整。这是因为AER-UNet中引入的ASPP结构,该结构通过多尺度的空洞卷积操作,提升了对不同尺度裂缝的检测能力。

3.4 裂缝参数计算

为验证裂缝量化算法的有效性,将算法生成的计算结果与实测数据进行了对比分析。如表2所示,其中测量值为实测数据,计算值为裂缝参数量化算法的结果。

在裂缝长度计算方面,算法表现出较高的准确率。结果显示,长度测量的准确率均超过92%,其中3组数据的准确率高于95%,最高准确率达到95.84%,平均准确率约为94.52%。测量准确率的差异可能源于两部分:一是裂缝在骨架化过程中难以避免的形态学失真;二是在图像分割阶段,裂缝边界的不完全分割影响后续量化精度。

裂缝宽度的测量精度因裂缝大小的不同而表现出差异。如表2所示,对于宽度大于2 mm的裂缝(序号4、8、9、10),算法的测量准确率普遍高于90%,其中最大裂缝宽度(4.39 mm)对应的准确率达到92.26%。然而,当裂缝宽度小于1 mm时(序号7),准确率明显下降,为81.25%。造成这一现象的主要原因在于,当裂缝宽度很小时,测量工具难以精确捕捉其真实宽度,微小的测量偏差便可能导致显著的准确率波动。相比之下,对于宽度大于2 mm的裂缝,模型的准确率较高,表明算法本身没有问题,小尺度下准确率的下降主要源于人工测量的误差。综上所述,裂缝长度、宽度量化算法具有较高精度,其输出结果可为机场跑道损伤评估与养护决策提供依据。

4 结论

针对机场跑道裂缝检测在实际场景中精度不足及缺乏分割结果后处理的问题,提出了一种基于改进UNet的裂缝分割模型与参数量化方法。通过模型对比与可视化实验,得到以下结论。

(1)所提出的改进分割模型通过引入ECA注意力机制,增强了模型在低光照及噪声环境下的特征检测能力;结合ASPP模块提升了对不同尺度裂缝的感知能力。

(2)AER-UNet在多个主流分割模型中取得了最高的F₁分数,分割性能最好;可视化结果进一步验证了其在裂缝边缘完整性与细节保留方面的优势。

(3)基于分割结果的裂缝几何参数量化算法能够高效、准确地估算裂缝长度与宽度。其中,长度测量的平均准确率达94.52%;对于宽度大于 2 mm的裂缝,宽度识别准确率普遍超过90%。

综上,所提出的AER-UNet模型在机场跑道裂缝分割中表现优异。结合裂缝参数量化算法,可为机场道面运维管理系统提供高精度道面健康监测,评估道面损伤程度,从而做出科学养护决策。然而,为应对低亮度、噪声干扰及多尺度等问题,引入了多个模块,虽提升了分割性能,但也增加了模型的参数量,使模型在实际工程中的部署与应用受限。未来应该进一步聚焦模型的轻量化和实际部署应用。此外,裂缝的准确分割是后续几何参数(长度、宽度)量化计算的前提条件。如果初始分割阶段未能有效分割裂缝区域,将导致后续量化结果的偏差。未来研究应聚焦于进一步提升裂缝分割算法的精度,以增强其在复杂工况下的适应能力,为裂缝的自动化检测与量化评估提供更可靠的数据基础。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Kheradmandi N, Mehranfar V. A critical review and comparative study on image segmentation-based techniques for pavement crack detection[J]. Construction and Building Materials, 2022, 321. DOI: 10.1016/j.conbuildmat.2021.126162.

[2]	Tang W, Wu Z, Wang W, et al. VM-UNet++ research on crack image segmentation based on improved VM-UNet[J]. Scientific Reports, 2025, 15(1). DOI: 10.1038/s41598-025-92994-7.

[3]	原洪帅, 李琦, 王月明. 基于YOLO-CD的路面裂缝检测[J]. 科学技术与工程, 2025, 25(9): 3888-3895.

[4]	Yuan Hongshuai, Li Qi, Wang Yueming. Pavement crack detection based on YOLO-CD[J]. Science Technology and Engineering, 2025, 25(9): 3888-3895.

[5]	王安政, 党建武, 岳彪, 等. 基于位置信息和注意力机制的路面裂缝检测[J]. 计算机工程, 2024, 50(4): 303-312.

[6]	Wang Anzheng, Dang Jianwu, Yue Biao, et al. Pavement crack detection based on positional information and attention mechanism[J]. Computer Engineering, 2024, 50(4): 303-312.

[7]	杜磊, 陈曦, 白朋朋, 等. 基于改进YOLOv5的沥青路面裂缝检测方法[J]. 科学技术与工程, 2024, 24(31): 13579-13591.

[8]	Du Lei, Chen Xi, Bai Pengpeng, et al. Asphalt pavement crack detection method based on improved YOLOv5[J]. Science Technology and Engineering, 2024, 24(31): 13579-13591.

[9]	Zhang H, Ma L, Yuan Z, et al. Enhanced concrete crack detection and proactive safety warning based on I-ST-UNet model[J]. Automation in Construction, 2024, 166. DOI: 10.1016/j.autcon.2024.105612.

[10]	Safaei N, Smadi O, Masoud A, et al. An automatic image processing algorithm based on crack pixel density for pavement crack detection and classification[J]. International Journal of Pavement Research and Technology, 2022, 15(1): 159-172.

[11]	Luo J, Lin H, Wei X, et al. Adaptive canny and semantic segmentation networks based on feature fusion for road crack detection[J]. IEEE Access, 2023, 11: 51740-51753.

[12]	Chen X, Li J, Huang S, et al. An automatic concrete crack-detection method fusing point clouds and images based on improved Otsu’s algorithm[J]. Sensors, 2021, 21(5). DOI: 10.3390/s2105158.

[13]	翟军治, 孙朝云, 裴莉莉, 等. 多尺度特征增强的路面裂缝检测方法[J]. 交通运输工程学报, 2023, 23(1): 291-308.

[14]	Zhai Junzhi, Sun Chaoyun, Pei Lili, et al. Multi-scale feature enhancement method for pavement crack detection[J]. Journal of Traffic and Transportation Engineering, 2023, 23(1): 291-308.

[15]	Shi M, Li H, Yao Q, et al. Vision based nighttime pavement cracks pixel level detection by integrating infrared visible fusion and deep learning[J]. Construction and Building Materials, 2024, 442. DOI: 10.1016/j.conbuildmat.2024.137662.

[16]	Wang J, Shen B, Li G, et al. A novel multi-scale feature enhancement U-shaped network for pixel-level road crack segmentation[J]. Electronics, 2024, 13(22). DOI: 10.3390/electronics13224503.

[17]	Yu G, Dong J, Wang Y, et al. RUC-Net: a residual-UNet-based convolutional neural network for pixel-level pavement crack segmentation[J]. Sensors, 2023, 23(1). DOI: 10.3390/s23010053.

[18]	马亚飞, 孙文康, 何羽, 等. 基于DC-UNet的混凝土桥梁表观裂缝识别方法[J]. 长安大学学报(自然科学版), 2024, 44(3): 66-75.

[19]	Ma Yafei, Sun Wenkang, He Yu, et al. Concrete bridge surface crack recognition method based on DC-Unet[J]. Journal of Chang’an University (Natural Science Edition), 2024, 44(3): 66-75.

[20]	Wu Q, Song Z, Chen H, et al. A highway pavement crack identification method based on an improved U-Net model[J]. Applied Sciences, 2023, 13(12). DOI: 10.3390/app13127227.

[21]	鲁冠宏, 吕成顺, 田隽, 等. 改进YOLOv5的公路隧道衬砌裂缝检测[J]. 科学技术与工程, 2025, 25(7): 2997-3006.

[22]	Lu Guanhong, Lü Chengshun, Tian Juan, et al. Highway tunnel lining crack detection based on improved YOLOv5[J]. Science Technology and Engineering, 2025, 25(7): 2997-3006.

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

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

[25]	姚庆安, 王友刚, 冯云丛, 等. 融合动态蛇卷积的YOLOv8道路裂缝检测[J]. 科学技术与工程, 2025, 25(12): 5083-5092.

[26]	Yao Qing’an, Wang Yougang, Feng Yuncong, et al. Road crack detection using YOLOv8 fused with dynamic snake convolution[J]. Science Technology and Engineering, 2025, 25(12): 5083-5092.

[27]	徐康, 马荣贵. 基于改进Faster-RCNN的沥青路面裂缝检测[J]. 计算机系统应用, 2022, 31(7): 341-348.

[28]	Xu Kang, Ma Ronggui. Asphalt pavement crack detection based on improved Faster-RCNN[J]. Computer Systems & Applications, 2022, 31(7): 341-348.

[29]	张颖, 王纪旭, 曹迎康, 等. 基于改进YOLOv9-c的路面混合病害算法[J]. 科学技术与工程, 2025, 25(18): 7793-7802.

[30]	Zhang Ying, Wang Jixu, Cao Yingkang, et al. A road mixed disease algorithm based on improved YOLOv9-c[J]. Science Technology and Engineering, 2025, 25(18): 7793-7802.

[31]	程擎, 闫恒志, 李彦冬. 改进YOLOv8n的轻量级小型无人机检测方法[J]. 科学技术与工程, 2025, 25(28): 12098-12107.

[32]	Cheng Qing, Yan Hengzhi, Li Yandong. A lightweight small UAV detection method based on improved YOLOv8n[J]. Science Technology and Engineering, 2025, 25(28): 12098-12107.

[33]	翟永杰, 朱浩硕, 李佳蔚, 等. VDD-YOLO:用于车辆变形损伤的评估方法[J]. 科学技术与工程, 2025, 25(29): 12560-12569.

[34]	Zhai Yongjie, Zhu Haoshuo, Li Jiawei, et al. VDD-YOLO: an assessment method for vehicle deformation damage[J]. Science Technology and Engineering, 2025, 25(29): 12560-12569.

[35]	Long J, Shelhamer E, Darrell T. Fully convolutional networks for semantic segmentation[C]//IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Boston: IEEE, 2015: 3431-3440.

[36]	Ronneberger O, Fischer P, Brox T. U-Net: convolutional networks for biomedical image segmentation[C]//Medical Image Computing and Computer-Assisted Intervention (MICCAI). Munich: Springer, 2015: 234-241.

[37]	Liu Z, Cao Y, Wang Y, et al. Computer vision-based concrete crack detection using U-net fully convolutional networks[J]. Automation in Construction, 2019, 104: 129-139.

[38]	Yang X, Li H, Yu Y, et al. Automatic pixel-level crack detection and measurement using fully convolutional network[J]. Computer-Aided Civil and Infrastructure Engineering, 2018, 33(12): 1090-1109.

[39]	Zhang H, Liu J, Hu G. FCN attention enhancing asphalt pavement crack detection through attention mechanisms and fully convolutional networks[J]. Scientific Reports, 2025, 15(1). DOI: 10.1038/s41598-025-92971-0.

[40]	Shi J, Dang J, Cui M, et al. Improvement of damage segmentation based on pixel-level data balance using VGG-UNet[J]. Applied Sciences, 2021, 11(2). DOI: 10.3390/app11020518.

[41]	Li B, Xu H, Jin X, et al. An optimized dual-view snake U-net model for tunnel lining crack detection[J]. Buildings, 2025, 15(5). DOI: 10.3390/buildings15050777.

[42]	Guo F, Liu J, Lü C, et al. A novel transformer-based network with attention mechanism for automatic pavement crack detection[J]. Construction and Building Materials, 2023, 391. DOI: 10.1016/j.conbuildmat.2023.131852.

[43]	邓治林, 罗仁泽, 费越, 等. 基于FE-UNet的机场道面裂缝检测[J]. 光电子·激光, 2023, 34(1): 34-42.

[44]	Deng Zhilin, Luo Renze, Fei Yue, et al. Airport pavement crack detection based on FE-UNet[J]. Journal of Optoelectronics·Laser, 2023, 34(1): 34-42.

[45]	Wang Q, Wu B, Zhu P, et al. ECA-Net: efficient channel attention for deep convolutional neural networks[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Seattle: IEEE, 2020: 11534-11542.

基金资助

国家自然科学基金(72201171)

PDF (9970KB)

访问

被引

详细

导航

Received	Published	Revised
2025-08-25	2026-05-18	2025-11-27
Online Date
2026-08-06

摘要