桥梁底部裂缝是一种对桥梁寿命和安全运营构成危害的破损状态之一,目前桥底裂缝的检测以人工为主,该方法存在安全系数低、劳动强度大、检测费用高、易受人主观因素影响等弊端,检测效率和精确度难以保证。为此,本文使用计算机视觉的方法进行桥底裂缝检测,并从在线检测和离线检测两个方面展开研究,主要工作内容如下:利用摄像机获取桥底裂缝图像,针对裂缝检测任务标定图像Ground Truth信息,并提出基于阈值分割与级联轮廓滤波的方法处理桥底图像区域建议(Region Proposal)生成任务,根据Ground Truth信息对生成的区域建议图像进行类别标定,在此基础上建立检测与分类数据集。为保证低功耗平台下的在线检测方法的效率,使用特征提取与传统机器学习方法对生成的区域建议进行分类。根据桥底裂缝特点提出基于轮廓边缘复杂度的特征提取算法,并与常规几何特征提取算法进行对比实验。使用不同特征和不同核函数训练多个SVM分类模型。选择分类性能最好的模型对桥底图像的区域建议进行判别,实现裂缝检测任务。由于离线检测任务中硬件平台不再受限,为进一步提升检测精度,本文应用卷积神经网络的方法进行桥底裂缝检测。首先使用YOLOv2(You Only Look Once version2)算法检测桥底裂缝,但是该方法容易导致裂缝误识别与部分识别。其次,使用VGG(Visual Geometry Group)模型进行区域建议分类,以实现检测任务,但是图像尺寸归一化操作会造成区域建议图像严重形变或信息丢失。为此,应用空间金字塔池化、兴趣区域池化和局部二值模式三种方法归一化VGG输出特征图尺寸,使VGG模型可以接收未经尺寸归一化处理的原始图像。最后,使用不同特征图尺寸归一化方法训练多个模型,选择分类性能最好的模型对桥底图像的区域建议进行判别,实现裂缝检测任务。