桥梁结构裂缝是桥梁日常养护中的主要预防病害之一,裂缝的检测可为桥梁状态识别、病害治理、安全评估提供重要状态信息和决策依据。为解决传统的人工裂缝检测方法存在的危险性高、影响交通、效率低下等问题,本研究提出基于无人机及深度学习的桥梁结构裂缝智能识别方法,利用无人机系统、深度学习、数字图像处理的机器视觉技术与人工智能技术,实现了智能化桥梁病害检测。本文所提出的桥梁外观检测方法具有非接触、低风险、自动化等优势,可提高桥梁日常巡检的效率,可降低桥梁检测工作的风险与成本,具有重要的科学研究与工程应用价值。主要研究内容如下:（1）无人机桥梁检测可行性探究。研究无人机在桥梁检测工作中具体的飞行策略与航拍方式,充分考虑无人机的机型选择、相机镜头选择、拍摄角度等因素,获取针对不同宽度裂缝的最佳拍摄距离,从而确定无人机系统工作时的最佳航拍距离;在RTK模块辅助下,以无人机实时位姿信息以及避障距离信息为基础构建三维相对坐标系,确定无人机航摄图像的具体坐标,实现航拍图像定位;引入基于熵-锐度的图像质量判别方法,筛选出高质量的航摄图像。（2）基于深度学习算法的裂缝智能检测方法研究。研究基于深度学习目标检测算法的裂缝智能识别技术,利用SDNET裂缝数据集等图像资源,制作1133张标记裂缝精确区域的深度学习训练样本图像库;引入Mask R-CNN和Faster RCNN深度学习算法,训练和建立目标检测网络的裂缝识别模型;基于Mask R-CNN和Faster R-CNN裂缝识别模型,采用矩形滑动窗口模式扫描混凝土表面高清图像,实现裂缝自动识别和定位。将训练好的目标检测网络模型用于高136.8 m长沙市洪山大桥桥塔表面裂缝检测,准确率与召回率均达到90%以上,成功实现了高耸桥梁结构的裂缝智能识别。（3）基于数字图像处理技术的裂缝形态提取研究。构建包含图像二值化、连通域去噪、边缘检测、裂缝骨架化、裂缝宽度计算等流程的图像后处理方法,实现裂缝形态及宽度信息自动获取。通过精度验证试验,证实本文所提的方法识别的裂缝宽度与裂缝测量仪结果吻合,其绝对误差小于0.097 mm,相对误差小于9.8%。