我国交通基础设施存量持续扩大——桥梁作为关键节点——其安全运行直接关系公众出行和物流畅通。裂缝是桥梁结构早期病害的典型表现之一，如未能及时发现并跟踪演化，可能引发渗水、钢筋锈蚀、承载性能下降等连锁问题。传统巡检多依赖人工目测与经验判断，辅以拍照记录和局部仪器测量，常见覆盖面有限、效率偏低、结果主观等问题；夜间、雨雾、粉尘、油污等复杂条件下，识别难度继续增加，风险更易累积，出现“发现晚、判断慢、处置滞后”的情况。 从技术层面看，桥梁裂缝智能识别近年来虽有进展，但工程应用仍面临两道难关。一是材料与环境差异大。混凝土、钢材、沥青等表面纹理差别明显，不同桥梁的服役年限、养护状态不同，裂缝形态、背景噪声和光照条件变化大，模型容易出现“在某类场景有效、换到另一类场景失灵”的现象。二是部署与算力受限。部分高精度算法模型体量大、计算量高，往往依赖高性能设备，在移动端或现场边缘设备上难以稳定运行，影响实时性并抬高推广成本。 针对上述瓶颈，西安建筑科技大学周海俊教授团队提出统一的CrackSeg-GWD裂缝分割框架，研发轻量化裂缝分割模型，在精度与部署效率之间取得平衡。团队采用组归一化、权重标准化卷积等方法，在保证识别效果的同时压缩模型规模。研究数据显示，该模型参数量为0.414M、计算量为0.849GFLOPs，轻量化特征突出，更便于在工程现场的便携设备和边缘计算终端部署。周海俊表示，实验结果表明模型对混凝土、钢材、沥青等多种桥面材料裂缝具有较强泛化能力，多项分割指标优于现有算法，可为桥梁自动化巡检提供技术支撑。有关成果于1月30日发表于国际期刊《建筑自动化》。 从应用影响看，这项进展不仅提升了裂缝识别的准确性与速度，也为桥梁养护模式转型提供了可直接落地的工具。长期以来，部分地区养护管理仍以问题暴露后的修复为主，往往带来较高维修成本和较大交通影响。若在巡检环节实现裂缝的高效发现、精细分割与持续跟踪，有望形成“早发现—早评估—早处置”的闭环，将管理重心前移，推动基础设施从“事后维修”向“预防性养护”转变，并为交通工程数字化、精细化管理提供数据基础。 在对策建议上，业内人士指出，要把技术成果转化为工程成效，还需与管理流程和标准体系合力推进：其一，推进多源数据采集与统一标注规范，结合现场图像、巡检记录与结构信息，提高模型不同地区、不同桥型上的适配性与可比性；其二，建立“算法—设备—平台”一体化应用路径，在移动端、车载巡检、无人机巡检等场景开展试点，明确作业规范与质量控制方法；其三，加强与既有养护评定体系衔接，将裂缝分割结果与病害等级评估、维修决策模型联动，形成可追溯、可审计管理链条；其四，面向极端光照、遮挡污染、雨雪雾等复杂工况，持续提升鲁棒性并完善安全冗余，降低误报、漏报对养护决策的干扰。 展望未来，随着新型基础设施建设与存量设施更新同步推进，桥梁运维将更依赖数据驱动与智能协同。轻量化、高泛化的裂缝识别模型为行业提供了可扩展的技术路径：一上，边缘端实时识别可提升巡检频次与覆盖范围，缩短从发现到处置的时间；另一方面，长期积累的病害数据将为寿命预测、风险评估与资金统筹提供依据。随着相关成果在更多桥型和区域落地，桥梁安全管理有望从“点状检查”走向“连续监测”，从“经验判断”走向“证据决策”。
基础设施安全运维关系经济运行和人民生命财产安全。西安建筑科技大学的这项研究成果，表明了科研团队人工智能应用上的创新探索，更重要的是面向工程现场的真实需求，提供了可部署、可推广的技术方案。随着类似技术改进并扩大应用范围，我国基础设施管理的精细化、智能化水平有望更提升，为经济社会高质量发展提供更稳固的支撑。