混凝土是当今用途最广、用量最大的一种建筑材料,广泛应用于各个行业,如房建、桥梁、道路等。由于混凝土抗拉强度低、受收缩徐变、外界温度变化、地基沉降等内外因素的共同影响,在施工和运营过程中都会不可避免地出现不同程度和形式的裂缝。裂缝尺寸一旦超出限制,不仅影响构筑物的外观,更会危及结构的正常使用及其耐久性。因此定期检测混凝土结构表面的裂缝病害状况,并针对检测结果进行预先防治是必不可少的。本文基于深度学习理论,采用卷积神经网络(CNN)和目标检测方法,建立了基于深度学习的混凝土裂缝识别模型Crack-CNN,并对真实复杂背景的混凝土裂缝图像进行了高效精准识别,研究内容主要包括如下三个方面:(1)基于CNN和滑动窗口算法的裂缝识别。建立了一种基于深度学习的混凝土裂缝识别模型Crack-CNN,并与目前主流模型算法进行了比较。该模型能够自动学习混凝土表面裂缝图像分类的有效特征,实现自动分类,并能结合滑动窗口技术实现裂缝的识别定位。(2)基于深度迁移学习的裂缝识别。为摆脱裂缝检测模型对海量数据库的依赖,设计了一种基于VGG-16算法的深度迁移检测模型,对不同微调层和数据量进行了对比研究,确定了最佳微调层。(3)基于深度学习的多目标裂缝识别。应用并改进YOLOv3的深度学习目标检测方法,实现了对结构裂缝、非结构裂缝等多目标进行识别,速度远快于其它模型,甚至可以进行实时检测。本文的创新点包括:(1)建立了基于卷积神经网络的混凝土裂缝识别模型Crack-CNN;(2)确定了基于深度迁移学习VGG-16算法的最佳微调层,为相关人员选择合适的迁移学习微调层提供了理论依据;(3)建立了基于YOLOv3深度学习的混凝土裂缝多目标检测模型,能够快速准确地识别结构裂缝和非结构裂缝。