王 浩，金銀龍，劉 全，張宏陽，馬駿驍

(武漢大學 水資源與水電工程科學國家重點實驗室，湖北 武漢 430072)

0 引 言

近年來，中國水利、橋梁、隧道等基建工程數(shù)量及規(guī)模都領(lǐng)先世界，其安全運營及管理對保障國民經(jīng)濟具有重要意義。而裂縫作為這些基建工程常見的病害問題之一，存在著重大安全隱患，應(yīng)該引起足夠重視[1]。傳統(tǒng)人工檢測方法，難以滿足現(xiàn)代工程領(lǐng)域?qū)Ω咝?、高精度的裂縫檢測需求。同時在國家大力推進工程智能化、信息化建設(shè)的背景下[2]，研究新興智能化技術(shù)在混凝土裂縫檢測中的應(yīng)用具有重要意義。

目前，許多學者將深度學習、計算機視覺等新興技術(shù)應(yīng)用到混凝土裂縫識別檢測中，并取得了很大進展。孟慶成、Ni等[3-4]基于機器視覺理論搭建了ResNet18網(wǎng)絡(luò)模型框架對混凝土裂縫圖像進行識別，取得良好效果。劉新根等[5]使用兩個深度卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)了對隧道襯砌和裂縫圖像的分類識別。CHA，JANG等[6-7]使用卷積神經(jīng)網(wǎng)絡(luò)的深層結(jié)構(gòu)來檢測混凝土裂縫。章世祥等[8]采用卷積神經(jīng)網(wǎng)絡(luò)Mask R-CNN為主干框架，融入ResNet模型與特征金字塔網(wǎng)絡(luò)(FPN)建立了裂縫病害識別網(wǎng)絡(luò)體系。韓曉健、苑瑋琦、周穎等[9-11]基于計算機視覺對混凝土裂縫識別分割處理，識別精度較高，但處理效率較低。

而在混凝土裂縫特征提取方面，主要是在裂縫圖像識別的基礎(chǔ)上，運用數(shù)字圖像處理技術(shù)對圖像中裂縫占有的像素點數(shù)進行量測，常用的圖像處理方法包括邊緣檢測、閾值分割、骨架提取等[12-13]。也有學者通過做場景標記換算圖像像素對應(yīng)的實際距離，來估算裂縫在三維場景的實際長度、寬度等幾何特征?？姸躘14]基于Canny算法計算邊界像素來測量裂縫的像素長度和寬度，并通過像素解析度求得實際長度。王一兵等[15]采用VDM粒子測量方法計算裂縫面積和寬度，并對識別結(jié)果進行骨架提取，進而計算長度。這些方法本質(zhì)上還是計算像素點所代表的尺寸。但是相機是根據(jù)凸透鏡成像的原理制成的，所拍攝的物體并不是按照固定比例縮放到圖像中，每像素換算到三維場景中，所代表的尺寸是變化的[16-19]。因此，僅通過換算像素對應(yīng)的尺寸來計算裂縫的幾何特征會造成較大偏差。

綜上，人工檢測混凝土表面的方法效率低，而現(xiàn)有智能檢測方法多是對裂縫圖像的識別，未能給出計算裂縫實際幾何特征的測算方法。為此，本文基于深度學習算法設(shè)計了裂縫檢測模型，實現(xiàn)了混凝土表面裂縫高效率、高精度的自動檢測；并基于單目攝影測量原理，分析二維裂縫圖像與三維空間場景間的空間尺度對應(yīng)關(guān)系，給出系統(tǒng)可靠的計算裂縫幾何信息的理論方法，實現(xiàn)了基于二維圖像提取裂縫實際幾何信息。該方法解決了目前根據(jù)混凝土表面裂縫圖像難以精準提取實際空間幾何信息的難題，為該領(lǐng)域的工程人員提供了一定的技術(shù)支持。

1 理論基礎(chǔ)與技術(shù)路線

針對混凝土表面裂縫檢測和幾何信息提取問題，本文結(jié)合深度學習和單目攝影測量技術(shù)提出一種快速有效的裂縫測算方法。該方法基于Unet深度學習算法設(shè)計裂縫檢測模型，可以達到像素級別的識別結(jié)果，有效提高了裂縫圖像的分割精度，并且Unet網(wǎng)絡(luò)能從較少的訓練圖像中，依靠數(shù)據(jù)增強方法有效利用有限標注數(shù)據(jù)實現(xiàn)Unet深度學習模型的訓練，完成影像特征的識別[20-21]。同時，基于單目攝影測量技術(shù)分析二維裂縫圖像與三維場景間的空間尺度對應(yīng)關(guān)系，探索了相機以不同角度拍攝裂縫平面時，圖像像素對應(yīng)的實際空間尺寸分布情況和變化規(guī)律，進而確定裂縫像素對應(yīng)的空間幾何尺度；然后利用數(shù)字圖像處理技術(shù)基于裂縫圖像的空間尺度對應(yīng)關(guān)系計算裂縫幾何信息。本方法的技術(shù)路線具體如圖1所示。

圖1 混凝土表面裂縫測算方法技術(shù)路線Fig.1 Technical route of concrete surface crack measurement method

2 基于深度學習的裂縫識別

2.1 樣本準備和預(yù)處理

采用工業(yè)相機采集不同混凝土建筑物表面裂縫圖像，并記錄相機的內(nèi)外方位參數(shù)。本實驗共采集了1 000張各類混凝土裂縫照片，裂縫形態(tài)包括單條裂縫、分叉裂縫和裂縫網(wǎng)絡(luò)。從樣本集中，隨機選取700張裂縫圖像作為卷積神經(jīng)網(wǎng)絡(luò)的訓練集，剩下的300張作為用于測試裂縫模型識別效果的測試集。

相機直接獲取的裂縫圖像尺寸大，包含許多無關(guān)背景信息，并且由于裂縫樣本圖像采集時，相機外方位參數(shù)是隨機的，裂縫圖像的縮放比例并不一致。為消除背景圖像的影響，改善圖像質(zhì)量，需要對裂縫圖像進行預(yù)處理。預(yù)處理方法包括：① 將樣本圖像以500×500像素的裁剪框進行裁剪；② 采用雙邊濾波法對混凝土表面裂縫進行降噪平滑處理；③ 對裂縫圖像進行二值化，以白色表示背景，黑色表征裂縫。

2.2 Unet模型訓練

數(shù)據(jù)增強：由于訓練集圖片僅有700張，數(shù)目遠低于正常訓練集的5 000張要求，對輸入的訓練集圖像做了數(shù)據(jù)增強處理，主要處理包括圖片銳化增強、隨機翻轉(zhuǎn)、隨機噪聲處理以及自動對比度調(diào)整。由此擴展訓練集樣本數(shù)，使Unet神經(jīng)網(wǎng)絡(luò)得到更為充分的訓練。

參數(shù)設(shè)置：等間隔調(diào)整學習率StepLR，每訓練20次，學習率會乘以0.8；本模型的Loss函數(shù)使用計算二分類的交叉熵函數(shù)，其中的Loss權(quán)重設(shè)定如下：背景Loss權(quán)重設(shè)為0.05，裂縫Loss權(quán)重設(shè)為2.0；將一次抓取的樣本數(shù)量定為16，訓練次數(shù)epoch為100次。使用Adam優(yōu)化器，權(quán)重增值為1×10-4，學習率設(shè)為1×10-4。

訓練過程：更新一個epoch循環(huán)表示訓練中的所有訓練樣本均被使用過一次，隨機開始下一輪循環(huán)，一共完成100個循環(huán)。執(zhí)行代碼開始訓練后，載入初始未經(jīng)訓練的Unet裂縫分割算法模型，分批次將訓練所用的圖片與標簽輸入到網(wǎng)絡(luò)中，一個epoch后進行梯度清零、損失函數(shù)計算、反向傳播和模型的參數(shù)更新。每個循環(huán)保存一次權(quán)重參數(shù)，之后的驗證環(huán)節(jié)使用第100個循環(huán)生成的權(quán)重文件進行預(yù)測。

2.3 裂縫識別結(jié)果分析

采用訓練完成的Unet裂縫檢測模型對測試集中未經(jīng)訓練的300張混凝土表面裂縫進行識別。圖2中展示了典型的單條裂縫、分叉裂縫和裂縫網(wǎng)絡(luò)的識別結(jié)果，可見訓練后的Unet模型可識別出圖像中的混凝土裂縫(圖像中紅色標記區(qū)域)。

圖2 混凝土表面裂縫圖像識別結(jié)果Fig.2 Concrete surface crack image identification results

圖3展示了Unet模型的準確率變化情況，在訓練集與測試集上準確率均超過95%，表明模型預(yù)測圖像有無裂縫的結(jié)果與訓練集標簽顯示一致的比例達到95%以上，識別結(jié)果準確可靠。

圖3 準確率變化情況Fig.3 Changing trend of accuracy

2.4 閾值分割

雖然Unet模型可以實現(xiàn)對圖像中裂縫的準確識別，但對于細小裂縫或存在較大傾斜角度的裂縫圖像，裂縫清晰度會被稀釋模糊，模型無法準確判別裂縫與背景的分界線，導致分割的裂縫寬度大于實際裂縫寬度，如圖4(b)所示。因此需要對模型的裂縫識別結(jié)果進行精細分割，提高裂縫識別的精度。

Unet模型在識別裂縫過程中，可以對預(yù)測裂縫像素進行色彩處理，使整幅圖像中，背景區(qū)域與實際裂縫區(qū)域的RGB值存在明顯差異。然后基于RGB進行閾值分割處理，更精細地提取圖像中裂縫所在區(qū)域。同時為便于計算裂縫寬度特征，將裂縫圖像進行二值化處理，實際裂縫所在區(qū)域標為白色，其他區(qū)域為黑色，結(jié)果如圖4(c)所示。

圖4 閾值分割處理后的結(jié)果對比Fig.4 Comparison of results after threshold segmentation

2.5 裂縫骨架提取

混凝土表面裂縫圖像經(jīng)過模型識別和閾值分割后，裂縫在圖像中的實際區(qū)域已經(jīng)被提取出來。為了方便分析裂縫的走向和長度特征，需要對裂縫進行骨架提取，將多像素點寬度的裂縫轉(zhuǎn)換成單像素點寬度的圖像。

采用K3M算法對閾值分割后的圖像進行骨架提取，結(jié)果如圖5所示。可以看出骨架線與模型識別地裂縫區(qū)域?qū)挾认嗖钶^大。雖然在裂縫破碎帶區(qū)域，提取的骨架線仍不滿足單像素點寬度的提取目標，但像素點數(shù)量已經(jīng)大量減少，有利于計算裂縫走向和長度等特征。

圖5 裂縫骨架線提取結(jié)果Fig.5 Extraction results of fracture skeleton line

3 基于攝影測量的裂縫信息提取

基于上述裂縫圖像識別結(jié)果，根據(jù)攝影測量技術(shù)確定的二維裂縫圖像與三維場景間的空間尺度對應(yīng)關(guān)系，可以計算裂縫的實際幾何信息。具體方法如下所述。

3.1 確定空間尺度對應(yīng)關(guān)系

3.1.1 成像模型

單目攝影測量技術(shù)是利用一臺拍照設(shè)備獲取單張圖像，根據(jù)二維圖像信息以立體視覺原理恢復(fù)場景的三維空間信息，實現(xiàn)對空間對象的幾何信息提取。這種方法本質(zhì)上是利用小孔成像的原理，通過圖像像素坐標系向世界坐標系的轉(zhuǎn)換，確定像素與三維空間場景的幾何關(guān)系，計算圖像上每個像素恢復(fù)到三維場景中對應(yīng)的實際尺寸大小，進而計算目標對象的幾何特征。該方法需要依次完成像素坐標系向圖像坐標系、相機坐標系以及世界坐標系的轉(zhuǎn)換。

圖6中展示了4個坐標系之間的關(guān)系，其中坐標系Ouv-uv為像素坐標系；O-xy為圖像坐標系；OC-XCYCZC為相機坐標系；Ow-XwYwZw為世界坐標系；P(Xw，Yw，Zw)為世界坐標系中的一點，p(x，y)是世界坐標系中點P在圖像中的投影，根據(jù)攝影測量原理和幾何關(guān)系可得下列坐標轉(zhuǎn)換關(guān)系式，并用齊次坐標系與矩陣形式表示。

圖6 4個坐標系之間關(guān)系示意Fig.6 Schematic diagram of the relationship between the four coordinate systems

(1) 像素坐標系向圖像坐標系轉(zhuǎn)換

(1)

(2)

式中：dx，dy分別為每個像素在圖像平面上的物理尺寸；u0，v0分別表示原點平移的距離，即圖像坐標系在像素坐標系中的坐標。

(2) 圖像坐標系向相機坐標系轉(zhuǎn)換，根據(jù)三角相似關(guān)系可得：△OCOC∽△OCAB，△OCpC∽△OCPA，則點P在相機坐標系與像平面坐標系中的關(guān)系滿足：

(3)

(4)

式中：f為相機焦距，mm；x，y分別表示物體在像平面坐標系下的坐標點，pixel。

(3) 相機坐標系向世界坐標系轉(zhuǎn)換

(5)

式中：R為旋轉(zhuǎn)矩陣，描述了相機坐標系相對于世界坐標系的旋轉(zhuǎn)變量；T為偏移矩陣，描述相機位標系相對于世界坐標系的平移變量。

3.1.2 裂縫傾斜影像的空間尺度轉(zhuǎn)換

按照式(1)～(5)可實現(xiàn)像素坐標向世界坐標的轉(zhuǎn)換，但這要求像平面與物平面(裂縫所在三維空間平面)平行，即相機要正對混凝土裂縫平面拍攝，否則在圖像坐標系向相機坐標系轉(zhuǎn)換時，不滿足三角相似關(guān)系，進而通過式(1)～(5)實現(xiàn)像素坐標系向世界坐標的轉(zhuǎn)換是不正確的。

然而在實際工程中，存在一定傾斜角度的混凝土裂縫平面是非常常見的，同時由于裂縫所處位置較高或者較偏，難以保證相機正對混凝土裂縫平面拍攝，即像平面與裂縫平面一般不平行，使裂縫圖像存在傾斜角度，如圖7所示。為探究裂縫圖像存在傾斜角度時，二維裂縫圖像與三維場景間的空間尺度對應(yīng)關(guān)系，作出以下假設(shè)。

與像平面平行的物平面為理想物平面，裂縫實際平面與理想物平面之間的夾角為θ。根據(jù)攝影測量原理，實際裂縫平面一點P，在理想物平面上對應(yīng)點為P′；B′為相機光軸與理想物平面的交點；直線BP垂直相機光軸；A，A′分別為點P，P′在平面OC-ZCXC上的投影點；直線DE是裂縫實際平面和理想物平面的交線；∠α是直線AOC與相機光軸的夾角；∠β是直線AOC與直線POC的夾角；∠γ是直線POC與相機光軸的夾角。

圖7 裂縫傾斜圖像的空間尺度轉(zhuǎn)換示意Fig.7 Spatial scale transformation of crack tilt images

根據(jù)空間幾何關(guān)系，只要確定了直線POC的距離L，∠α，∠β，∠γ即可通過式(6)求出點P在相機坐標系中的位置。

(6)

實際拍攝中，不管相機以何種角度拍攝裂縫，相機光軸與裂縫實際平面總存在交點B′，即能對于裂縫實際平面上任一點P確定平面Oc-PB′，并通過點B′確定理想物平面。找到理想物平面后，即可根據(jù)式(1)～(4)確定點P′在相機坐標系中的坐標，進而根據(jù)三角關(guān)系求出∠α，∠β，∠γ的大小。然后在三角形OcPB′中，已知兩角夾一邊，根據(jù)正弦和余弦定理，即可求出直線POC的距離L的值。

通過上述方法可以確定存在傾斜角度的裂縫平面上一點在相機坐標系中的位置。然后聯(lián)合式(1)～(6)確定圖像像素在世界坐標系的位置，為方便表示將其簡寫為

P(Xw，Yw，Zw)=F(p(u，v))

(7)

式中：F表示像素坐標系與世界坐標系之間的對應(yīng)關(guān)系。

3.1.3 像素單應(yīng)尺寸確定及其分布規(guī)律

像素單應(yīng)尺寸是指二維圖像中每個像素對應(yīng)到三維空間場景中的實際尺寸大小，單位為mm/pixel。而每個像素對應(yīng)的像素單應(yīng)尺寸Δd，可以通過兩個斜對角像素的間距換算到三維空間所對應(yīng)的實際尺寸進行計算，如圖8所示，計算方法如式(8)所示：

(8)

圖8 像素單應(yīng)尺寸計算示意Fig.8 Diagram for calculating pixel homography size

以圖像光心點為中心，分別計算當相機分別以與水平面存在0°，15°，30°以及45°的角度拍攝裂縫圖像時，即裂縫圖像傾斜角度分別為0°，15°，30°以及45°時，裂縫圖像中某一直線上的像素對應(yīng)的像素單應(yīng)尺寸隨著像素到中心的距離分布規(guī)律，如圖9所示。

圖9 分布規(guī)律計算方法示意Fig.9 Diagram of calculation method for distribution regularity

計算結(jié)果如圖10所示，可以發(fā)現(xiàn)：

圖10 像素單應(yīng)尺寸變化規(guī)律Fig.10 Change regularity of pixel homography size

(1) 裂縫圖像傾斜角度不為0°時，即相機非正對裂縫平面拍攝，像素單應(yīng)尺寸隨著到中心的距離增大而增大；同一距離處，裂縫實際平面與理想物平面夾角越大，對應(yīng)的像素單應(yīng)尺寸越大；裂縫圖像傾斜角度越大，像素單應(yīng)尺寸變化不均勻程度越大。

(2) 裂縫圖像傾斜角度為0°時，即相機正對裂縫平面拍攝，此時像素單應(yīng)尺寸是均勻分布的，圖像中每個像素對應(yīng)到三維場景中的幾何尺寸大小是均勻不變的。

以裂縫圖像傾角30°為例，探究圖像中每個像素對應(yīng)的像素單應(yīng)尺寸分布規(guī)律，結(jié)果如圖11所示。從圖11中可知：每一列像素點(u軸)兩端的像素單應(yīng)尺寸較大，中間較小，這符合圖10中的規(guī)律，即越偏近中點，像素對應(yīng)的實際尺寸越??；每一行像素點(v軸)兩端的像素單應(yīng)尺寸較小，中間較大，是因為裂縫平面與理想物平面是以u軸為交線形成夾角的，造成每一行中間部分的像素對應(yīng)的三維場景坐標之間梯度較大，進而像素單應(yīng)尺寸較大。

圖11 傾角30°對應(yīng)的像素單應(yīng)尺寸分布規(guī)律Fig.11 Distribution regularity of pixel homography size corresponding to inclination angle of 30°

3.2 計算裂縫幾何信息

以圖4(a)為例，采用工業(yè)相機采集裂縫樣本，并記錄相機的內(nèi)外參數(shù)，如表1所示。在第2節(jié)對該裂縫圖像的處理結(jié)果的基礎(chǔ)上，基于單目攝影測量理論計算裂縫的走向、寬度以及長度。

表1 相機內(nèi)外參數(shù)設(shè)定

3.2.1 計算裂縫走向

基于裂縫骨架提取的結(jié)果，獲取圖像中裂縫骨架所占有的像素，然后根據(jù)像素坐標進行線性回歸擬合，擬合的結(jié)果如圖12所示，擬合得到裂縫骨架像素行列坐標之間的關(guān)系為

col=-0.07455×row+179.01587

(9)

式中：col，row分別表示像素列、行坐標。

圖12 線性回歸擬合Fig.12 Linear regression fitting

根據(jù)式(9)計算該線性方程在裂縫圖像上的分布，檢查擬合的結(jié)果是否可靠。如圖13所示，可見擬合的結(jié)果符合裂縫圖像像素分布。然后根據(jù)線性方程的斜率計算得到，該裂縫圖像的走向與垂直方向的夾角為4.26°，進而裂縫的實際走向可通過相機外方位參數(shù)換算得到。

圖13 圖像中裂縫走向Fig.13 Crack direction in the image

3.2.2 計算裂縫寬度

裂縫寬度可以用與裂縫圖像走向垂直的方向上裂縫開裂尺寸大小表示。因此，需要根據(jù)裂縫圖像走向，將裂縫閾值分割后的結(jié)果(圖4)逆時針旋轉(zhuǎn)4.26°，使裂縫圖像走向線豎直，結(jié)果如圖14所示。然后計算每行中裂縫像素點的個數(shù)，并根據(jù)式(1)～(7)計算每個像素對應(yīng)的像素單應(yīng)尺寸，如圖15所示。再將每行的裂縫像素對應(yīng)的像素單應(yīng)尺寸進行累加，即可得到裂縫圖像中每行像素對應(yīng)的裂縫實際寬度，進而通過比較每行裂縫寬度得到裂縫最大寬度，計算方式如式(10)所示。裂縫最大寬度的計算結(jié)果為21.13 mm。

(10)

式中：Erow表示圖像的第row行中位于裂縫區(qū)域的像素集合。

圖14 裂縫圖像旋轉(zhuǎn)結(jié)果Fig.14 Crack image rotation result

圖15 裂縫像素對應(yīng)的像素單應(yīng)尺寸Fig.15 Pixel homography size of crack pixels

3.2.3 計算裂縫的長度

根據(jù)裂縫圖像骨架提取結(jié)果(圖5)，利用式(1)～(7)計算圖像中裂縫骨架像素對應(yīng)的像素單應(yīng)尺寸(圖15)，然后利用式(11)對裂縫骨架像素對應(yīng)的像素單應(yīng)尺寸進行積分，即可得到裂縫的長度，計算結(jié)果為0.967 m。

(11)

式中：E為圖像中裂縫骨架所在像素的集合，p(u，v)∈E。

4 案例結(jié)果分析

本文基于深度學習設(shè)計裂縫檢測模型并進行訓練，采用未經(jīng)過訓練的裂縫圖像進行模型檢測實驗，分析二維裂縫圖像與三維場景間的空間尺度對應(yīng)關(guān)系，進一步提取了該圖像中裂縫的實際幾何信息。實驗內(nèi)容和結(jié)果包括：

(1) 基于Unet深度學習算法設(shè)計的混凝土表面裂縫檢測模型，可以實現(xiàn)高效率、高精度的裂縫自動檢測識別，識別準確率可達95%(表2)。但是，對于細小裂縫或者拍攝存在較大的傾斜角度的裂縫圖像，裂縫清晰度會被稀釋模糊，模型無法準確判別裂縫與背景的分界線，導致分割的裂縫寬度大于實際裂縫寬度，因此需要結(jié)合閾值分割法進行精細分割，提高裂縫的分割精度。

表2 多個裂縫樣本的幾何信息測算精度

(2) 基于單目攝影測量技術(shù)分析二維裂縫圖像與三維場景間的空間尺度對應(yīng)關(guān)系，研究發(fā)現(xiàn)：當裂縫影像傾斜角度為0°，即相機正對裂縫平面拍攝時，像素對應(yīng)的三維場景中實際尺寸是均勻分布的，這是現(xiàn)有文獻研究的適用情況；而當裂縫影像傾斜角度不為0°，即相機非正對裂縫平面拍攝時，像素對應(yīng)的三維場景中的實際尺寸是變化的，現(xiàn)有研究方法就不再使用，具體呈現(xiàn)的分布規(guī)律為：越遠離圖像光點，像素單應(yīng)尺寸越大；傾斜角度越大，像素單應(yīng)尺寸均勻性越低。

(3) 基于Unet模型識別結(jié)果和單目攝影測量技術(shù)確定的空間尺度對應(yīng)關(guān)系，利用圖像處理技術(shù)計算裂縫走向、長度和寬度等幾何信息。對于本案例中的單條裂縫，實際人工測量的最大裂縫寬度約為20 mm，長度約為1.05 m，可見采用本方法的計算結(jié)果與實際人工測量結(jié)果相近。采用式(12)計算本方法的測算精度，可得裂縫最大寬度測算精度為94.4%；長度測算精度為92.1%。采用同樣的方法對測試集中多個裂縫樣本進行實驗，對于交叉裂縫和裂縫網(wǎng)絡(luò)先將其分為單條裂縫，再計算其長度和寬度信息。裂縫幾何信息測算精度結(jié)果如表2所示。

(12)

可見，采用本方法計算得到的長度和寬度信息與人工測量結(jié)果相近，精度可達90%，驗證了本方法的可靠性。

5 結(jié)論與展望

針對混凝土表面裂縫圖像識別及幾何特征提取難題，本文提出了一種基于深度學習和單目攝影測量的混凝土表面裂縫幾何信息測算方法。首先采用Unet網(wǎng)絡(luò)實現(xiàn)對裂縫圖像的快速準確識別，準確率可達95%；并基于單目攝影測量原理建立二維圖像與三維空間場景間的尺度對應(yīng)關(guān)系，分析相機以不同角度拍攝裂縫平面時，裂縫圖像對應(yīng)的空間尺度分布規(guī)律，給出了系統(tǒng)可靠的計算裂縫幾何信息的理論方法；然后在裂縫圖像識別的基礎(chǔ)上，基于裂縫圖像的空間尺度對應(yīng)關(guān)系計算裂縫走向、長度以及寬度等幾何信息，通過與人工測量結(jié)果進行比較，測算精度可達90%，驗證了本方法的可靠性?？梢?，本方法可以實現(xiàn)基于裂縫二維圖像較精準計算裂縫實際幾何信息，推進了深度學習在實際工程中的應(yīng)用，為運用新興智能技術(shù)解決傳統(tǒng)工程問題提供了一種新思路。但本研究未考慮對裂縫破碎帶的處理以及裂縫長度計算還存在一定的誤差，因此今后還需進一步分析研究。