钢筋混凝土桥梁表面裂缝是影响桥梁安全性能的主要病害之一,裂缝的检测是钢筋混凝土桥梁外观检测中十分重要的环节。目前广泛采用的检测方法主要以人工检测手段为主,基于人工检测的传统检测方法,存在着精度不足、效率低下、安全性差等问题。因此,亟需一种基于机器视觉和图像识别的桥梁裂缝自动检测方法,代替目前的人工检测方法,从而高效地对钢筋混凝土桥梁的健康状况进行更为准确、全面的评估。近年来,计算机硬件性能的不断提升,以及人工智能的快速发展,为桥梁表面裂缝的检测提供了新的思路。本文参考U-net模型结构,搭建了一个基于全卷积神经网络（Fully convolutional networks,FCN）的钢筋混凝土桥梁裂缝识别模型,利用FCN模型初步提取裂缝特征,并将条件随机场（Conditional Random Fields,CRFs）作为后端优化模块,对FCN的分类结果进行修正,具体工作如下:1、建立钢筋混凝土桥梁表面裂缝数据集。对800张在实际工程环境中采集的钢筋混凝土桥梁表面裂缝照片原图进行标注,对原图和标签进行剪裁,并通过旋转、镜像、模糊、噪声等手段进行数据扩充,最终得到128像素×128像素的裂缝原始图像和标签图像各3750张的钢筋混凝土桥梁表面裂缝数据集。2、提取混凝土表面裂缝特征。参考U-net模型结构,基于FCN模型搭建了包含特征收缩阶段和特征扩展阶段改进型全卷积神经网络（Revised Fully Convolutional Network,Re-FCN）模型,并采用特征融合的方式增强模型的识别能力,模型训练的验证精度最高可达98.77%。3、修正FCN的裂缝分割结果。基于混凝土裂缝图像,建立全连接条件随机场（Fully connected condition random fields,CRFs）模型,将前端分类器Re-FCN的裂缝分割结果作为输入,CRF作为后端优化模块完成对前端分类器的分割结果进行优化。4、在实验室条件下,采用Re-FCN模型+CRF模型的识别方法,对混凝土裂缝宽度进行识别,最终宽度误差可控制在5.64%。本文通过Re-FCN网络模型对钢筋混凝土桥梁表面裂缝进行像素级别的特征提取,并通过CRF模型对提取结果进行优化,较好地完成了钢筋混凝土桥梁表面裂缝的识别任务。