随着社会的发展及人口的增长使得栋栋高楼拔地而起,建筑物的外墙不仅仅是起到美观的作用,还起到保护墙内钢筋等材料不被加速锈蚀的作用,无论是在建筑物完工验收时或者是建筑物以后的定期检查与维护,都需要对外墙进行检查。对于越高的建筑物,使用传统的人工检测方式进行外墙的定期检查与维护会受到很大限制,存在检测效率低、成本高、检测精度低、安全隐患大等问题。通过调研,本文提出了一种基于无人机视觉的大型建筑物表面裂缝检测技术。本课题研究具有很大的实际应用价值,以无人机结合视觉技术以灵活、轻便的优势对大型建筑物进行检查与维护,可以弥补传统人工检测方式的不足,具有巡检效率高、检测精度高、安全系数高等优点。本课题通过以无人机结合视觉的方式作为研究平台。首先,搭建大型建筑物外墙图像系统;然后对比分析了基于人工设计特征结合BP神经网络与基于深度学习卷积神经网络对于墙面裂缝检测的实验;最后对大尺度图中检测出来的裂缝区域进行图像处理,使用本文提出的NEAR模型的外墙面裂缝连接算法实现裂缝连接,连接后的裂缝将更有利于之后对裂缝的分类和量化。本文的主要研究成果有:搭建了无人机图像采集系统平台,并对无人机图像采集系统的各个模块进行了详细介绍。建立墙面裂缝数据库。通过控制无人机在学校内飞行和拍摄建筑物的外墙面图像和网络下载等方式来构建墙面裂缝数据库,对图像中的裂缝目标标定为数据库的正样本,对非裂缝目标则标定为数据库的负样本。在大尺度图裂缝检测中,通过实验对比基于人工设计特征结合BP神经网络的方法与基于深度学习卷积神经网络的方法。将LBP、HOG算法用于提取裂缝数据库特征并送到BP分类器进行训练和测试;用目前主流的深度学习卷积神经网络模型Faster R-CNN与YOLOv3分别对裂缝数据库进行训练和测试;对比两种方式在大尺度图中进行裂缝目标检测的效果。评价已经检测出来的裂缝。对已经检测出来的裂缝区域进行图像处理,针对裂缝提取过程中出现的裂缝断裂问题创新地提出了一种NEAR模型的外墙面裂缝连接算法;使用了基于投影特征的方法来对裂缝进行分类、量化及损伤程度评价。