随着深度学习在计算机视觉领域的发展,神经网络已在图像分类、物体检测和语义分割等多个任务上展现出超过人类的辨识能力。而裂缝检测领域也逐渐产出了多个优秀的研究成果,证实了深度学习在裂缝检测领域的可行性,此外,深度学习的低开发成本和端到端的训练特性也很好地满足了裂缝检测的自动化需求以及不同裂缝病害的检测需要。现有的裂缝检测语义分割网络鲜有注意到采样方法的位置信息损失问题。不同于常规物体,裂缝这类过窄的长条纹目标对于模型的定位能力要求更高,因此位置信息损失问题理应得到改进。基于此,本文提出使用Pixel Unshuffle和Pixel Shuffle作为采样组合,在下采样过程中将宽高维度的位置信息与通道维度建立一一对应关系,减小特征图尺寸的同时使得通道具有位置信息表征能力,并在上采样时重新提取通道维度存储的位置关系信息以还原出原始的输入尺寸。同时,本文还注意到语义分割网络由于大量大尺寸特征图导致的GPU显存占用过多问题,致使语义分割网络无法使用大批量训练,而小批量下的统计偏差导致了批量归一化的性能出现退化。基于此,本文提出使用可切换归一化替代常规的批量归一化手段,更好适配语义分割网络的显存占用特点。结合上述两点,本文提出了新的用于裂缝检测的语义分割网络——Mini Crack。此外,考虑到部分存储资源和算力资源受限的应用场景,本文在Mini Crack的基础上结合跨阶段融合与轻量化设计思想,提出了新的裂缝检测轻量化模型——Mini Crack V2,其参数量仅为Mini Crack的8.17%,FLOPs仅为Mini Crack的13.8%,但具备和Mini Crack相当的检测性能。本文使用了三个差异性较大的裂缝检测数据集进行独立训练和评估,MiniCrack和MiniCrack V2均在三个数据集上以更小的模型复杂度超越了现有的最先进的裂缝检测算法,并且在三个数据集上表现的更为稳定,展现出更强的泛化性,体现了其重要的应用价值。