混凝土裂缝是影响混凝土建造物耐久性的主要因素之一,由此导致的建造物破坏为国家造成了巨大的经济损失,定期检测混凝土裂缝并结合相应的修补手段可以极大延长建造物的寿命,因此混凝土裂缝是混凝土研究的重点之一。目前的混凝土裂缝检测方法主要是人工检测,此方法既费时费力又难以达到高精度的检测标准,另一种预埋传感器的检测方式则必须将传感器在混凝土成型之前提前埋入,对于已经硬化的混凝土裂缝无法进行评估,缺乏灵活性。因此灵活、简易、高精度的裂缝检测技术是未来混凝土损伤检测技术的突破方向之一。本课题中尝试采用机器视觉技术进行混凝土裂缝的识别和量化分析。此方法具有较高的检测精度,又依赖于很少的外接设备,可以满足临时性的检测和全天候监测需求,由于是探索项目,需要从基础的问题出发进行研究。目前存在的问题是在混凝土裂缝的识别任务中由于裂缝图像对比度,背景复杂度与前景复杂度的差别,裂缝识别的效果依赖于图像处理技术的组合和半自动调参过程,并不具有普适性,这在一定程度上限制了基于机器视觉的裂缝检测技术发展。本文研究了基于机器视觉的混凝土裂缝识别与量化方法,构建了一个具有高精度和自适应性的混凝土裂缝图像分割框架,该框架由卷积神经网络分类模型,自适应图像增强方法,高斯低通滤波技术和OSTU二值分割四个处理过程组合而成,该方法对弱对比度且形式复杂的图像有较好的分割效果,可以消除复杂背景干扰,有效地分割出裂缝前景图像。在裂缝图像分割的基础上本文研究了裂缝图像的量化方法,构建了裂缝前景比例指标用以量化裂缝的延伸情况,提出了等效裂缝模型,研究表明等效裂缝模型的宽度和长度指标可以反应裂缝的开裂情况。应用这些指标能够全面描述裂缝识别结果,帮助分析人员判断混凝土的损害程度。