基于通用目標(biāo)檢測(cè)器的大壩裂縫檢測(cè)方法

趙 凡，李琳蕓，魏仁杰，張志偉

（1. 西安理工大學(xué)印刷包裝與數(shù)字媒體學(xué)院，西安 710054；2. 西安理工大學(xué)陜西省印刷包裝工程重點(diǎn)實(shí)驗(yàn)室，西安 710054）

引言

壩體是水電站的重要組成部分，大部分是混凝土或土石結(jié)構(gòu)，使用一段時(shí)間后常會(huì)出現(xiàn)裂縫滲漏，因此需要對(duì)大壩的病害風(fēng)險(xiǎn)進(jìn)行準(zhǔn)確的預(yù)警預(yù)測(cè)。裂縫的提取主要包含裂縫定位、裂縫形狀描繪以及裂縫長(zhǎng)度統(tǒng)計(jì)。大壩裂縫具有寬度小、可見(jiàn)性差、特征不明顯、有水漬等特點(diǎn)，因此實(shí)現(xiàn)快速、穩(wěn)定、準(zhǔn)確的大壩裂縫提取仍然是一個(gè)極具挑戰(zhàn)性的難題。

裂縫檢測(cè)提取方法主要分為基于傳統(tǒng)圖像處理的方法［1-7］和基于深度學(xué)習(xí)的方法［8-13］。傳統(tǒng)的裂縫邊緣檢測(cè)算法，主要有Sobel 邊緣檢測(cè)算子［1］、Canny 邊緣檢測(cè)算子［2］、Laplacian 算子［3］等，這些算法只適用于寬度較大、背景簡(jiǎn)單和明顯的裂縫檢測(cè)。魏永杰等［4］提出累積梯度算法用于計(jì)算裂縫邊界。Peng等［5］提出一種基于隨機(jī)結(jié)構(gòu)森林的三閾值路面裂縫檢測(cè)方法。Baltazart 等［6］利用裂縫邊緣處檢測(cè)灰度與梯度的階躍性變化對(duì)圖像中的裂縫進(jìn)行檢測(cè)。Hoang 等［7］提出基于改進(jìn)最大類(lèi)間方差法的圖像閾值裂縫檢測(cè)方法。傳統(tǒng)方法復(fù)雜度低，適合于裂縫明顯和背景簡(jiǎn)單的圖像，當(dāng)裂縫圖像背景復(fù)雜、噪聲大、裂縫和背景亮度相近時(shí)，傳統(tǒng)方法的檢測(cè)精度就會(huì)大幅度下降。

基于深度學(xué)習(xí)的裂縫檢測(cè)方法近年來(lái)受到了廣泛關(guān)注。?；莸龋?］使用改進(jìn)的U-Net 網(wǎng)絡(luò)對(duì)鐵路隧道裂縫進(jìn)行提取。Qin 等［9］提出一種端到端神經(jīng)網(wǎng)絡(luò)對(duì)裂縫檢測(cè)。趙珊珊等［10］將預(yù)處理后的路面圖像輸入卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型實(shí)現(xiàn)路面圖像裂縫的檢測(cè)，網(wǎng)絡(luò)對(duì)簡(jiǎn)單背景下的裂縫檢測(cè)效果較好，但是對(duì)于復(fù)雜路面情況，如路面雜物的遮擋時(shí)檢測(cè)效果較差。毛鶯池等［11］利用基于改進(jìn)Faster R-CNN和K-MABtrA 遷移學(xué)習(xí)方法對(duì)小目標(biāo)裂縫進(jìn)行檢測(cè)。陳澤斌等［12］改進(jìn)了U-Net 網(wǎng)絡(luò)模型進(jìn)行路面裂縫識(shí)別，對(duì)路面裂縫識(shí)別效果較好，但需要大量和多樣性的訓(xùn)練樣本才能改善識(shí)別效果，不適用于本文數(shù)據(jù)。Gang 等［13］提出的R2CE-Net 網(wǎng)絡(luò)，使用RRCNN 塊來(lái)代替編碼器結(jié)構(gòu)的標(biāo)準(zhǔn)卷積，使用更多尺度卷積和池化獲得更多的裂縫特征。上述網(wǎng)絡(luò)對(duì)與背景對(duì)比度較強(qiáng)的裂縫檢測(cè)效果較好，但針對(duì)和背景相似度很大的裂縫檢測(cè)效果不佳，也均未給出裂縫形狀的描述，無(wú)法給出定量的病害預(yù)警結(jié)果。

路面和橋梁上的裂縫通常采用基于深度學(xué)習(xí)的通用目標(biāo)檢測(cè)器或分割器得到檢測(cè)結(jié)果，但大壩的裂縫處存在滲漏，并且裂縫的混凝土和周?chē)h(huán)境很相似，若采用通用目標(biāo)檢測(cè)器進(jìn)行大壩裂縫的檢測(cè)就會(huì)產(chǎn)生很多誤檢。另外，由于壩體上方裂縫滲漏水的覆蓋原因會(huì)導(dǎo)致裂縫自身紋理模糊或不明顯，進(jìn)一步造成檢測(cè)器的漏檢發(fā)生。針對(duì)大壩裂縫的特點(diǎn)，本文首先設(shè)計(jì)了一個(gè)二目標(biāo)檢測(cè)器，把裂縫區(qū)域和水漬區(qū)域作為兩個(gè)獨(dú)立的目標(biāo)在圖像上同時(shí)檢測(cè)出來(lái)；其次，建立和同一裂縫關(guān)聯(lián)的裂縫區(qū)域和水漬區(qū)域幾何關(guān)系；最后，利用二者的幾何位置關(guān)系對(duì)與裂縫框相關(guān)聯(lián)的水漬框上邊界進(jìn)行點(diǎn)采樣和曲線擬合，得到定位的裂縫曲線。這樣做的好處可以改善裂縫檢測(cè)的精度，為病害風(fēng)險(xiǎn)進(jìn)行更準(zhǔn)確的預(yù)警預(yù)測(cè)。由于其優(yōu)越的性能，本文采用YOLOv4 網(wǎng)絡(luò)結(jié)構(gòu)［14］進(jìn)行通用檢測(cè)器的訓(xùn)練。實(shí)驗(yàn)結(jié)果表明此算法對(duì)壩體病害的檢測(cè)很有效。

1 數(shù)據(jù)準(zhǔn)備

1.1 數(shù)據(jù)采集

采用大疆無(wú)人機(jī)經(jīng)緯M300 RTK 對(duì)大壩圖像數(shù)據(jù)進(jìn)行采集。大疆無(wú)人機(jī)集成了H20 系列云臺(tái)、1 個(gè)2 000 萬(wàn)像素的主相機(jī)和1 個(gè)1 200 萬(wàn)像素的廣角相機(jī)等組件［15］。大壩圖像的采集地點(diǎn)為山西板澗河大壩。無(wú)人機(jī)在距離大壩壩體3～5 m 處對(duì)大壩表面進(jìn)行圖像采集，對(duì)獲取的全部圖像經(jīng)過(guò)人工篩選后，保留250 張含有裂縫的圖像作為實(shí)驗(yàn)數(shù)據(jù)，其中裂縫長(zhǎng)度在50～300 cm 之間，寬度在3～20 mm 之間。

1.2 樣本制作

壩體結(jié)構(gòu)是混凝土，和裂縫相似的橫紋較多，如果把裂縫作為唯一的目標(biāo)進(jìn)行檢測(cè)就會(huì)出現(xiàn)很多誤檢；另外，位于壩體較高部位的裂縫滲漏的水漬會(huì)貫穿較低部位的裂縫，如果只對(duì)水漬部位檢測(cè)，往往只能確定較高部位的滲漏點(diǎn)而忽略較低部位的滲漏點(diǎn)。本研究把裂縫和水漬作為兩個(gè)獨(dú)立的目標(biāo)在圖像中進(jìn)行樣本標(biāo)注，標(biāo)注工具采用yolo_mark 標(biāo)注軟件。標(biāo)注結(jié)果如圖1 所示，其中黃色矩形框?yàn)闃?biāo)注的裂縫目標(biāo)，記為1 號(hào)目標(biāo)，藍(lán)色矩形框?yàn)闃?biāo)注的水漬目標(biāo)，記為2 號(hào)目標(biāo)。

圖1 兩類(lèi)樣本的標(biāo)注結(jié)果Fig.1 Annotation results of two types of samples

2 裂縫提取

2.1 算法框架

本文的算法流程如圖2 所示，首先，把采集的250 張大壩裂縫圖像完成上述標(biāo)簽制作后進(jìn)行數(shù)據(jù)集劃分，按4∶1 的比例將圖像分為訓(xùn)練集和測(cè)試集，即200 張圖像作為訓(xùn)練數(shù)據(jù)，50 張圖像作為測(cè)試數(shù)據(jù)；其次，把訓(xùn)練圖像集和其對(duì)應(yīng)的標(biāo)簽集送入YOLOv4 網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行模型訓(xùn)練，得到訓(xùn)練好的二目標(biāo)檢測(cè)器；把測(cè)試集送入訓(xùn)練好的檢測(cè)器得到裂縫區(qū)域和水漬區(qū)域的檢測(cè)結(jié)果，表示為矩形框；最后，利用在圖像中的幾何位置關(guān)系，確定和各裂縫框關(guān)聯(lián)的水漬框上邊界，對(duì)包含在裂縫框中的水漬框上邊界進(jìn)行點(diǎn)均勻采樣，對(duì)采樣點(diǎn)進(jìn)行曲線擬合得到擬合后的裂縫曲線。

圖2 算法流程圖Fig.2 Algorithm flowchart

2.2 基于YOLOv4 網(wǎng)絡(luò)的裂縫及水漬檢測(cè)

近年來(lái)，隨著計(jì)算機(jī)視覺(jué)技術(shù)和深度學(xué)習(xí)理論的迅速發(fā)展和廣泛應(yīng)用，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)成為熱門(mén)研究領(lǐng)域，廣為流行的檢測(cè)器有SSD［16］、Faster R-CNN［17］、YOLOv3［18］和YOLOv4 算法［14］，YOLOv4 算法是在原有YOLOv3 網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上提出的，采用了近些年目標(biāo)檢測(cè)領(lǐng)域中最先進(jìn)的優(yōu)化策略，從數(shù)據(jù)處理、基干網(wǎng)絡(luò)、激活函數(shù)、損失函數(shù)等各個(gè)方面都進(jìn)行了不同程度的優(yōu)化，使得在使用單個(gè)GPU 進(jìn)行訓(xùn)練時(shí)更加有效和適配。YOLOv4 是目前最優(yōu)秀的目標(biāo)檢測(cè)算法之一，作為一階段檢測(cè)網(wǎng)絡(luò)，YOLOv4 網(wǎng)絡(luò)結(jié)構(gòu)主要由Input、Backbone、Neck 和Head 四部分組成，如圖3 所示。首先將圖像作為輸入送入網(wǎng)絡(luò)，通過(guò)BackBone 主干網(wǎng)絡(luò)進(jìn)行特征提取，主干網(wǎng)絡(luò)為CSPDarknet53，Neck 層采用SPP（Spatial pyramid pooling）和PAN（Path aggregation network）結(jié)構(gòu)對(duì)不同尺寸的特征圖信息進(jìn)行融合，Dense prediction 層使用3 個(gè)不同尺度的特征圖對(duì)目標(biāo)進(jìn)行預(yù)測(cè)。

圖3 YOLOv4 網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 Structure diagram of YOLOv4 network

鑒于其優(yōu)越的性能，本文采用YOLOv4 作為裂縫檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)輸出的類(lèi)別個(gè)數(shù)設(shè)定為3，其中0、1 和2 分別對(duì)應(yīng)裂縫類(lèi)、水漬類(lèi)和背景類(lèi)，網(wǎng)絡(luò)輸出對(duì)三類(lèi)目標(biāo)預(yù)測(cè)的置信度，最后經(jīng)過(guò)非極大值抑制（Non-maximum suppression，NMS）后得到最終的檢測(cè)結(jié)果。訓(xùn)練時(shí)的目標(biāo)函數(shù)L定義為

式中：wgt、hgt代表真值框的寬和高；w、h代表預(yù)測(cè)框的寬和高。

由于采集的大壩裂縫圖像數(shù)量較少，故在實(shí)驗(yàn)中把YOLOv4 網(wǎng)絡(luò)在Imagenet 數(shù)據(jù)集［19］上的訓(xùn)練模型作為預(yù)訓(xùn)練模型。把大壩裂縫訓(xùn)練圖像分批次送入網(wǎng)絡(luò)進(jìn)行模型的再訓(xùn)練，訓(xùn)練結(jié)束得到最終的網(wǎng)絡(luò)模型。輸入網(wǎng)絡(luò)的大壩裂縫圖像大小為416×416。YOLOv4 網(wǎng)絡(luò)訓(xùn)練參數(shù)的設(shè)置如下：學(xué)習(xí)率為0.002 61；批處理圖片個(gè)數(shù)為64；最大迭代次數(shù)，即權(quán)重更新次數(shù)為6 000。訓(xùn)練過(guò)程中的損失函數(shù)隨迭代次數(shù)增加的曲線如圖4 所示，訓(xùn)練結(jié)束時(shí)迭代次數(shù)為6 000，L值為0.525 6。

圖4 損失函數(shù)曲線Fig.4 Curve of loss function

2.3 裂縫曲線擬合

裂縫曲線擬合主要由以下4 個(gè)步驟組成。

步驟2 統(tǒng)計(jì)和第j個(gè)裂縫框bj關(guān)聯(lián)的水漬框集合Cj，它的初始值為空。觀察YOLOv4 網(wǎng)絡(luò)對(duì)裂縫和水漬的檢測(cè)結(jié)果發(fā)現(xiàn)，和同一裂縫關(guān)聯(lián)的裂縫框與水漬框之間存在以下幾何位置關(guān)系：裂縫框不完全包含水漬框，對(duì)應(yīng)同一裂縫的水漬框上邊界包含在和它關(guān)聯(lián)的裂縫框內(nèi)。算法1 是求取和裂縫框bj關(guān)聯(lián)的水漬框集合Cj流程。輸入為bj和C′，輸出為Cj。首先，初始化Cj為空集，即Cj=NULL；接著，從水漬框C′中依次提取元素c′i，求c′i和bj的交集，記為R；再提取c′i上邊界的左端點(diǎn)P1和右端點(diǎn)P2；最后，對(duì)R是否為空以及P1和P2是否都包含在bj中進(jìn)行判斷，如果R不為空并且P1和P2都包含在bj中，就把c′i追加到Cj中，即Cj+=c′i。

利用超定方程求得K，即k0～k5后，即可得到多項(xiàng)式曲線。延長(zhǎng)擬合曲線至裂縫框邊緣，即為大壩裂縫曲線提取結(jié)果。

圖5 不同階數(shù)多項(xiàng)式的裂縫曲線擬合結(jié)果Fig.5 Crack curve fitting results by polynomials with different orders

3 實(shí)驗(yàn)結(jié)果與分析

3.1 評(píng)價(jià)指標(biāo)

本文采用常用目標(biāo)檢測(cè)算法中的準(zhǔn)確率（Precision，P）、召回率（Recall，R）、P與R的加權(quán)調(diào)和平均（F1-Measure，F(xiàn)1）和各個(gè)類(lèi)別的平均準(zhǔn)確率（Average precision，AP），AP 的平均值mAP（Mean average precision）作為裂縫框、水漬框檢測(cè)和裂縫曲線提取的評(píng)價(jià)指標(biāo)，計(jì)算方法如下：

（1）準(zhǔn)確率P表示預(yù)測(cè)的所有目標(biāo)中預(yù)測(cè)正確的樣本比例，其值越高越好。

（4）AP 為不同召回率上準(zhǔn)確率的平均值，mAP 為各個(gè)類(lèi)別的AP 平均值。

式中：TP（True position）表示把正樣本正確識(shí)別為正樣本的個(gè)數(shù)，TN（True negative）表示把負(fù)樣本正確識(shí)別為負(fù)樣本的個(gè)數(shù)，F(xiàn)P（False position）表示把負(fù)樣本錯(cuò)誤識(shí)別為正樣本的個(gè)數(shù)，F(xiàn)N（False negative）表示把正樣本錯(cuò)誤識(shí)別為負(fù)樣本的個(gè)數(shù)。

3.2 結(jié)果與分析

3.2.1 主觀結(jié)果

圖6 為本文方法的檢測(cè)及裂縫擬合結(jié)果，其中圖6（a）為兩張無(wú)人機(jī)采集的大壩裂縫原圖像；圖6（b）為人工標(biāo)注的原圖，其中的紅色實(shí)線為專(zhuān)業(yè)技術(shù)人員標(biāo)注的裂縫曲線；圖6（c）為本文方法提取的大壩裂縫結(jié)果，其中紅色框表示檢測(cè)的裂縫框，綠色框表示檢測(cè)的水漬框，藍(lán)色曲線表示擬合出的裂縫曲線。從圖6（c）中的結(jié)果可見(jiàn)，本文方法對(duì)裂縫和水漬都能進(jìn)行精確的檢測(cè)，曲線擬合得到的裂縫曲線和專(zhuān)業(yè)技術(shù)人員標(biāo)注的裂縫也完全吻合，從而證明了本文方法對(duì)大壩裂縫檢測(cè)的有效性。

為了證明檢測(cè)器對(duì)裂縫提取效果的影響，把Faster R-CNN、YOLOv3 和YOLOv4 分別作為網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行模型訓(xùn)練后進(jìn)行了測(cè)試對(duì)比，圖7 為幾種通用檢測(cè)器的裂縫提取主觀效果圖，從圖7（b）可見(jiàn)，F(xiàn)aster R-CNN 檢測(cè)器漏檢了很多水漬區(qū)域，并把一個(gè)裂縫檢測(cè)成兩個(gè)獨(dú)立的目標(biāo)，擬合的曲線和真值的差異最大；從圖7（c）可見(jiàn)，YOLOv3 檢測(cè)器的檢測(cè)框比真實(shí)裂縫大，對(duì)水漬有兩處漏檢，擬合的曲線平滑性較差；從圖7（d）可見(jiàn)，本文方法不僅能夠?qū)α芽p和水漬所在區(qū)域進(jìn)行準(zhǔn)確的檢測(cè)，擬合的裂縫曲線也和人工標(biāo)注的曲線完全吻合。

圖7 幾種通用檢測(cè)器的裂縫提取主觀效果對(duì)比圖Fig.7 Comparison of subjective effect of crack extraction by several general detectors

由圖6、7 的主觀效果可見(jiàn)，本文提出的裂縫提取方法可以為大壩的病害檢測(cè)提供有效的定性分析。

圖6 裂縫提取主觀結(jié)果Fig.6 Subjective results of crack extraction

為了對(duì)大壩的病害風(fēng)險(xiǎn)進(jìn)行準(zhǔn)確的預(yù)警預(yù)測(cè)，不僅需要在圖像中快速定位出裂縫區(qū)域，而且需要描繪出裂縫的形狀。為了驗(yàn)證各檢測(cè)器對(duì)裂縫曲線提取效果的影響，圖8 給出了裂縫曲線對(duì)比結(jié)果。從圖8 可見(jiàn)，F(xiàn)aster R-CNN 檢測(cè)器和YOLOv3 檢測(cè)器都漏檢了一條裂縫，U-net 檢測(cè)器雖然沒(méi)有漏檢，但提取的裂縫有斷裂和不完整現(xiàn)象，而本文方法提取的曲線最接近裂縫曲線真值，從而可以驗(yàn)證本文方法對(duì)曲線提取的有效性。

圖8 裂縫曲線對(duì)比結(jié)果Fig.8 Comparison results of crack curves

3.2.2 客觀結(jié)果

為了驗(yàn)證本文方法對(duì)目標(biāo)檢測(cè)的客觀有效性，對(duì)所有大壩裂縫測(cè)試圖片進(jìn)行裂縫和水漬兩種目標(biāo)的檢測(cè)性能分析。表1 為幾種方法的實(shí)驗(yàn)比較結(jié)果，本文方法的F1 和mAP 值分別為0.90和0.89，比Faster R-CNN 分別高出0.14 和0.18；比YOLOv3 分別高出0.22 和0.19。表1 中的實(shí)驗(yàn)結(jié)果表明本文方法對(duì)裂縫和水漬的檢測(cè)性能明顯高于Faster R-CNN 和YOLOv3 算法。另外，為了驗(yàn)證本文方法對(duì)裂縫形狀提取的客觀有效性，表2 給出了幾種通用檢測(cè)器的裂縫提取性能和本文方法的對(duì)比結(jié)果，從表2 可見(jiàn)，本文方法的F1 值分別比Faster R-CNN、YOLOv3、U-net 提升了0.31、0.05、0.07，由此可見(jiàn)，本文方法提取的裂縫更準(zhǔn)確。這里需要指出的是U-net 網(wǎng)絡(luò)只對(duì)裂縫進(jìn)行了處理，即類(lèi)別個(gè)數(shù)為2，一類(lèi)是正樣本（裂縫），另一類(lèi)是負(fù)樣本（背景），并且樣本標(biāo)注是在像素級(jí)上進(jìn)行的。像素級(jí)的樣本標(biāo)注在一定程度上可以提升檢測(cè)的精度，但也為標(biāo)注工作帶來(lái)了更大的負(fù)擔(dān)，并且不易于在已有的模型上進(jìn)行再訓(xùn)練和細(xì)調(diào)。盡管本文方法用矩形框?qū)δ繕?biāo)進(jìn)行了更粗粒度的樣本標(biāo)注，但在借用YOLOv4 預(yù)訓(xùn)練模型的基礎(chǔ)上還是取得了比U-net 網(wǎng)絡(luò)更好的性能。從裂縫區(qū)域和裂縫形狀的測(cè)試結(jié)果可見(jiàn)，本文方法可以為大壩病害檢測(cè)提供有效的定量分析。

表1 檢測(cè)結(jié)果Table 1 Test results

表2 提取曲線的對(duì)比結(jié)果Table 2 Comparison results of extracted curves

為了提高模型的泛化能力，YOLOv4 主要采用了Cutmix［21］、Mosaic［14］和Cutmix & Mosaic 三種數(shù)據(jù)增強(qiáng)方式。Cutmix 是將訓(xùn)練集中隨機(jī)一幅圖像裁剪一部分粘貼到待增強(qiáng)圖像的感興趣區(qū)域以生成新樣本，這樣做可以使模型在訓(xùn)練過(guò)程中僅僅通過(guò)局部特征就可以對(duì)目標(biāo)進(jìn)行識(shí)別，強(qiáng)化模型對(duì)于目標(biāo)局部特征的認(rèn)知。Mosaic 是對(duì)Cutmix 的擴(kuò)展，把4 張圖像按一定比例大小組合成一張新的訓(xùn)練圖像，相當(dāng)于增加或減少訓(xùn)練過(guò)程中批處理數(shù)據(jù)的個(gè)數(shù)以降低對(duì)硬件的要求。為了測(cè)試YOLOv4各種數(shù)據(jù)增強(qiáng)方法對(duì)大壩裂縫和水漬區(qū)域檢測(cè)結(jié)果的影響，表3 列出了采用不同數(shù)據(jù)增強(qiáng)方式的目標(biāo)檢測(cè)對(duì)比結(jié)果，從表3 可見(jiàn)，相對(duì)無(wú)增強(qiáng)方式，所有增強(qiáng)方式對(duì)目標(biāo)檢測(cè)的性能都有所提升，Mosaic 增強(qiáng)方式對(duì)目標(biāo)檢測(cè)的總體性能最好，不同的增強(qiáng)方式在性能上差異不大。由于采集數(shù)據(jù)的各目標(biāo)之間基本不存在遮擋現(xiàn)象，并且裂縫目標(biāo)和水漬目標(biāo)在形狀上存在很大差異，所以各增強(qiáng)方式的實(shí)際效果區(qū)別不大。

表3 采用不同數(shù)據(jù)增強(qiáng)方式的目標(biāo)檢測(cè)對(duì)比結(jié)果Table 3 Comparison results of target detection with different data enhancement methods

4 結(jié)束語(yǔ)

本文以大疆無(wú)人機(jī)采集的壩體裂縫圖像為數(shù)據(jù)集，根據(jù)大壩裂縫處具有水漬的特點(diǎn)，引入了裂縫和水漬框的二目標(biāo)檢測(cè)機(jī)制，并利用裂縫和水漬的關(guān)聯(lián)關(guān)系以及幾何位置關(guān)系，進(jìn)行了裂縫區(qū)域的曲線擬合。實(shí)驗(yàn)結(jié)果表明本文方法不僅可以準(zhǔn)確地檢測(cè)圖像中的裂縫和水漬，擬合的裂縫曲線和專(zhuān)業(yè)人士標(biāo)注的真值也高度吻合。本文方法可以為毫米級(jí)的大壩病害檢測(cè)提供準(zhǔn)確的定性和定量分析，可以應(yīng)用在壩體安全的預(yù)警預(yù)測(cè)方面。