修筑水利工程是调节水流兴利除害的重要途径，其中堤坝是重要的挡水建筑物，所处环境受力情况复杂，在长期服役过程中易出现裂缝等病害，如不做到及时发现与处理，经过发展极有可能引发溃坝，给人民财产、生态环境和社会经济等带来灾难性后果。本文研究基于无人机影像来实现裂缝的快速检测任务，可以做到裂缝的及时发现，对保障堤坝安全服役具有重要意义。 目前对于堤坝裂缝检测的方法较少，主要以人工目视检查为主，存在效率低、主观性强和易漏检等问题。另外堤坝存在轴线较长、检测环境危险且裂缝特征不明显等特点，采用常规方式检测难度较大，因此需要一种自动化的方式来实现堤坝裂缝检测。随着无人机及数字摄影技术的发展，利用无人机拍摄堤坝表面图像再结合图像处理算法进行裂缝检测可以提高效率。但以往基于图像处理的裂缝检测算法存在适应性差、精度低和速度慢等劣势。目前较为热门的深度学习法在图像识别领域取得了显著成效，具有拟合能力强、精度高和速度快等优势，有望弥补基于图像处理的裂缝检测算法的缺陷。但深度学习需要大量数据驱动且训练成本高。另外现有的深度学习法在堤坝裂缝数据上表现不够理想，且不适用于在无人机影像中检测堤坝裂缝。 针对上述问题，本文对U2-Net模型进行优化，并结合迁移学习实现了堤坝裂缝的自动检测与特征提取。主要研究内容如下： （1）为降低U2-Net训练成本，提出了新的残差模块（RSU-ECA-AS），在该残差块的基础上构建了U2Net-ECA-AS模型用于裂缝检测，新的模型训练成本更低，精度更高。将提出的模型与多种常用的深度学习裂缝检测模型对比，取得了80.45%的交并比和88.88%的综合评价指标，验证了模型在堤坝裂缝检测上的适用性。 （2）针对堤坝场景的裂缝检测数据集缺乏问题，基于开源建筑裂缝数据集进行迁移学习，通过对U2Net-ECA-AS模型进行实验，确定了采用迁移浅层编码层特征的微调策略。 （3）研究基于无人机影像的切片检测和配准修正方法，实现了模型对无人机在安全距离外拍摄的高分辨率图像的裂缝检测，获得了良好的检测效果。 （4）对无人机影像端到端裂缝检测的结果进行了特征提取研究，并提出了相应的特征提取流程。将裂缝分为了线性裂缝和非线性裂缝，对比研究了不同方式的裂缝长度和宽度计算方法。 文章实现了对堤坝裂缝自动化、非接触式的检测与量化，并将成果应用于长江新洲区某处堤防和某防洪墙的实地裂缝检测，取得了较好的效果。为堤坝的裂缝检测提供了新的方法，可为养护和修缮提供检测数据。
NETL
