在震后结构的损伤检测中,混凝土结构裂缝形态往往代表着该结构在地震中承受的作用,反映了其所受内力的位置和内部应力的方向。正确掌握混凝土结构裂缝的宽度、长度、方向等参数,对于科学评估结构的承载力有着举足轻重的作用。目前地震现场只能靠专家凭借经验对结构的损伤程度进行判断,费时费力且误差较大。随着深度学习和图像处理技术的发展,将两者结合起来,利用地震现场拍摄的图像对结构损伤进行评价将会是未来震后结构损伤快速评价的趋势。为了充分利用计算机视觉技术解决混凝土结构损伤检测问题,本文提出了一套结合深度学习和传统图像处理技术的裂缝检测及量化分析算法,主要内容和结论如下:本文总结了最新的基于计算机视觉的损伤检测技术的研究现状,着重概括了基于深度学习的计算机视觉技术在损伤检测中的研究,并介绍了目前已有的损伤数据集和各个数据集制作的标准,按照采取的不同的深度学习理论将其分为三类,分别是基于分类任务、基于物体框、基于语义分割三类,并具体地分析了每一种损伤检测方法的优缺点。针对地震现场拍摄的图像无法直接用于制作数据集并进行裂缝分割的问题,研究了对原始图像进行预处理的算法。对现场图像进行了逆透视变换,将斜射影图像变换成正射影图像,利用HSV颜色空间的连贯性去除了图像中的蓝色笔迹,将图像进行灰度化处理,采用滑动窗口法将图像裁剪成512像素×512像素的子图像。预处理算法为制作损伤图像数据集提供了标准图像。针对传统图像处理技术分割图像过程复杂,泛化能力较弱等问题,研究了基于全卷积神经网络的裂缝分割算法,利用预处理得到的子图像和网络搜集到的裂缝图像制作了裂缝分割数据集,并将分割结果与传统图像分割算法进行了对比。实验结果表明,与迭代阈值法、数学形态学方法、浅层神经网络方法相比,本文算法具有更好的分割精度和效率。针对量化裂缝特征参数的问题,研究了裂缝特征分析算法。利用连通域去噪、裂缝边缘提取、裂缝骨架提取三种图像处理方法,对分割出来的裂缝区域进行了进一步处理,让裂缝量化算法能够更加精确的测量裂缝方向、宽度和长度特征。实验结果表明,裂缝特征算法能够有效的测量出裂缝的方向、宽度和长度。