随着信息、自动化控制以及测绘技术的发展,水工结构测量呈现越来越集成化、精细化和标准化。定期的裂纹检测对水利枢纽基础设施的维护和运行起着至关重要的作用。根据裂纹的形态和位置特征,推断裂纹的内在损伤和潜在原因,为结构风险评估提供合理指导。本课题来源于四川省科技计划资助项目,着重解决混凝土坝面表观缺陷的实时检测问题。本文针对混凝土坝面所固有的不易达、不易检的问题,以保证精准、高效、安全、可靠为出发点,对数据采集到数据处理整条流程进行了研究,具体研究内容包括:针对坝面环境的特殊性以及数据获取的困难程度,采用图像预处理的方式对采集到的数据进行指定的增强处理,以此来丰富和优化数据集,也使后续的深度学习更加高效的提取图像特征,防止模型过拟合,增加检测的准确性。并引入迁移学习的方式对所有数据进行精确且快速的分类,以便进行后续标注和分割处理。针对混凝土缺陷占整个图像的比例相对较低,若采用传统的分割网络进行检测,在经过多次池化操作过后,会导致缺陷信息被过多的损失掉的问题,本文提出了一种全新的基于卷积神经网络的缺陷实时检测网络,该网络在下采样过程中利用部分卷积层替代池化层,加强对裂纹信息的提取,从而提升整个网络对裂纹的检测精度。并引入MobileNet模型中的深度卷积与点卷积相结合的方式代替传统的卷积操作,以此来对网络模型进行压缩,提升检测速度。针对利用相机标定方式提取定量化信息所存在的适用性不强,操作繁杂的问题,本文提出了形态学后处理和相机成像原理相结合的方式提取目标的定量化信息,适用性更强,避免了繁琐的标定工作,使得检测效果得到进一步提升。最后,论文根据理论推导对各个算法进行了逐一验证。实验结果表明,课题采用的方法能够实现对混凝土坝面表观缺陷的精准快速的检测,并能给出精确的定量化信息。为混凝土坝面后期风险评估和维护提供有力的数据支撑,具有显著的工程意义。