使用 AI 进行裂缝检测与分割

当你看到表面上的一道裂纹时，它可能看起来只是个小问题，但却是严重结构损坏的良好早期迹象。例如，桥梁会定期接受裂纹检查，而裂纹每年占所有桥梁损坏的90%。传统上，裂纹检查由人工完成，可能非常耗时。人工智能（AI）可以让裂纹检测变得更简单。

除了桥梁，基于深度学习的裂缝检测在许多工业场景中也很有用。它有助于维护建筑施工中的建筑完整性，防止制造业因停机造成高昂损失，并让道路和路面检查更安全、更有效。本文将深入介绍如何使用 AI 和 Ultralytics YOLOv8 等计算机视觉模型，比传统方法更快、更轻松地检测和分割裂缝。

什么是裂纹分割？#

在深入探讨裂缝分割之前，先了解一下分割。分割是一项计算机视觉任务，涉及将图像划分为不同区域或分段。其目的是简化图像，使其更易于分析。分割能让你获得像素级的理解，而目标检测等任务则使用边界框来识别和定位物体。

分割技术有多种类型：

• 语义分割：为图像中的每个像素标注特定类别，例如“道路”“建筑”或“树木”。同一类别的所有像素都被视为一个整体。
• 实例分割：与语义分割不同，实例分割可以区分同一类别中的不同实例，例如图像中的不同汽车。
• 全景分割：结合语义分割和实例分割方法，详细理解像素级类别划分以及图像中的不同物体实例。

图 1.不同分割技术之间的区别：原始图像 (G)、语义分割 (H)、实例分割 (I) 和全景分割 (J)。

对于裂缝检测而言，实例分割是一个很好的选择。通过分别分割每条裂缝，我们可以单独识别和分析它们。例如，我们可以通过计算裂缝在图像中占据的像素数量来计算裂缝面积。

了解裂纹分割的工作原理#

实施裂纹分割的第一步是考虑合适的摄像头配置，具体配置会因应用场景而异。如果你要检查建筑物等大型结构，使用无人机从不同角度拍摄高分辨率图像可能是最佳方案。另一方面，如果你要检查制造完成后的金属板，最好策略性地布置固定式高分辨率摄像头，以拍摄表面的细节图像。

确定摄像头配置后，你就可以训练支持实例分割的计算机视觉模型，例如 YOLOv8。Roboflow Universe 裂纹分割数据集包含带标注的裂纹图像，可用于训练模型。你也可以拍摄并标注符合自身应用场景的裂纹图像，创建自己的数据集。

模型通过监督学习来学习分割裂纹。训练期间，模型会接收图像和标注，了解裂纹所在的位置。模型会调整内部参数，尽量缩小预测结果与实际标注之间的差异。训练完成后，模型就可以分析新图像，并分别分割出每条裂纹。

图 2. 使用 Ultralytics YOLOv8 进行裂纹分割。

裂纹分割的工业应用#

从基础设施维护到制造业质量控制，裂缝检测和分割在各种工业应用中都非常有用。通过准确识别和分析裂缝，这些技术有助于提升许多领域的安全性、耐用性和质量。下面来看几个示例。

维护道路和路面质量#

道路裂纹很常见，通常由天气状况、繁重交通以及自然磨损造成。温度变化会使路面膨胀和收缩，进而产生裂纹。重型车辆会给路面增加压力，而渗入小裂纹的水分会随着时间推移使裂纹变宽、变深。这些裂纹可能导致过早磨损、结构故障，并增加道路使用者的危险。及早利用裂纹分割进行检测，有助于简化道路维护工作。

图 3. 道路上的一道裂纹。图片来源：Envato Elements。

利用计算机视觉检测并分割出的裂纹，可以根据尺寸划分为低、中、高严重程度。对裂纹分类有助于维护团队确定处理优先级。例如，可以优先处理高严重程度的裂纹，防止发生重大故障并改善道路安全；中、低严重程度的裂纹则可安排后续修复和例行检查。这样一来，维护团队就能优化资源使用、降低维护成本，并尽量减少对道路使用者的影响。

结构检查与监测#

裂纹检测也可用于维护建筑物和其他结构的质量与安全。与道路一样，建筑物也可能因天气变化、材料疲劳和日常磨损而出现裂纹。施工过程中使用的重型机械也会给结构带来额外压力，导致裂纹增多。

图 4.使用手机拍摄裂纹分割所需的照片。

通过准确识别并处理裂纹，可以显著延长建筑物和结构的使用寿命。裂纹检测系统收集的数据也可用于改进建筑标准和法规。通过分析不同项目中裂纹的规律和成因，行业专家可以制定更好的施工方法并开发更优质的材料。

石油和天然气领域的裂纹检测#

在石油和天然气行业，裂纹检测对于保障管道、储罐和其他重要基础设施的安全与可靠性至关重要。管道通常绵延很长，并面临恶劣的环境条件，这些因素可能引起压力变化和材料疲劳，进而导致裂纹。传统上，裂纹检测会采用管道检测器（清管器）、超声波检测和射线检测。如果这些裂纹未能及早发现并修复，就可能导致泄漏和爆炸等严重问题。该行业中的裂纹会对环境和人类造成巨大风险。

图 5. 工人在火车上检查储气罐。图片来源：Envato Elements。

利用计算机视觉进行裂纹分割，可以持续监测管道状况。维护团队可以及早发现裂纹，及时维修并防止潜在灾难。

制造零部件的自动化检测#

利用裂纹分割进行自动化检测，正在改变制造业的质量控制。过去，裂纹检测依靠目视检查、渗透检测和磁粉检测。通过将先进成像和计算机视觉系统集成到生产线上，制造商可以在零部件制成后立即检测出最细微的裂纹和缺陷。每个组件都可以接受检查，确保达到高质量标准后再交付给客户。

自动化检测可以提高准确性和效率，提供实时反馈，让生产团队快速解决问题。它减少了人工检查需求并避免了昂贵的产品召回，从而节省成本。此外，这些系统还会收集有价值的缺陷数据，有助于发现规律并改进制造流程，从而生产更安全、更可靠的产品。

图 6. 检测金属零件上的裂缝。

裂纹分割的优缺点#

利用深度学习进行裂纹检测有许多优点，包括提高安全性以及支持数据驱动决策。下面来看看在工业环境中进行裂纹检测的其他一些优势：

• 可持续实践：减少大规模维修和更换的需求，从而节约材料和资源，支持可持续的建筑施工和维护实践。
• 减少运营干扰：在例行维护期间安排修复严重程度较低的裂纹，有助于避免对运营和使用造成重大干扰。
• 符合监管要求：通过确保定期检查和维护基础设施，帮助满足行业标准和监管要求。

尽管裂纹分割有很多优点，但也存在一些缺点。较高的初始基础设施成本可能会让小型机构望而却步，而且系统复杂，需要持续培训和维护。以下是在工业应用中使用裂纹分割的其他一些缺点：

• 误报和漏报：可能错误地识别裂纹或未能检测到裂纹，导致不必要的维修或漏修。
• 数据管理挑战：会产生大量数据，需要可靠的存储和分析工具。
• 环境因素：极端天气或高湿度等外部条件可能会影响裂纹分割系统的准确性和可靠性。
• 与现有系统集成：将裂纹检测技术集成到现有基础设施和系统中可能颇具挑战，还可能需要额外改造或升级。

要点#

裂纹分割和检测在保障工业基础设施安全耐久方面可以发挥重要作用。通过使用深度学习和计算机视觉等先进技术，我们可以及早发现结构问题，并在问题演变成重大隐患之前将其修复。这种主动做法既能节省时间和成本，又能满足安全和监管标准。此外，它还能减少大规模维修的需求，支持可持续实践。尽管初始成本较高、系统复杂等问题仍需应对，但裂纹分割在各行业中的优势使其成为维护和提升基础设施质量的宝贵工具。

如需进一步了解 AI，请访问我们的 GitHub 代码库 并加入我们的社区。你还可以在我们的解决方案页面上探索 制造业 和 农业领域中的 AI 应用。