随着我国基础设施建设的快速发展,桥梁作为其中必不可少的组成部分,对其检测和维护的需求也在逐渐增长。目前,桥梁表观病害检测工作仍然需要大量的人工,检测效率低且容易发生安全事故。随着计算机技术、智能控制技术的不断发展,以无人机辅助桥梁表观病害检测可以显著提升检测效率,解放劳动力。本文基于测绘行业级无人机,提出了针对桥梁表观病害一体化检测方案。根据桥梁精细、快速的巡检需求,结合桥梁结构复杂、遮挡严重等特点,设计并提出桥梁贴近摄影航线规划与数据采集、三维精细模型重建及桥梁表观病害检测与量化方案。通过无人机贴近摄影采集桥梁表观高分辨率影像,利用深度学习目标检测算法从海量贴近影像中快速查找发现具有表观病害的影像,然后利用深度学习语义分割模型对表观病害影像进行处理,实现表观病害信息精确提取与定量计算。通过实例验证了本文提出的桥梁表观病害检测方法的实用性与可靠性。主要研究内容包括:1、首先对桥梁进行无人机倾斜摄影,采集桥梁倾斜影像,建立桥梁概略三维模型。以桥梁概略模型为基础,分别对桥梁的梁板、盖梁和墩柱进行贴近摄影航线规划,然后生成桥梁无人机贴近摄影航线规划文件,上传至无人机进行贴近摄影,自动采集桥梁细部高分辨率影像。为了直观显示桥梁表观病害的实际位置和分布情况,对桥梁细部影像进行空中三角测量、影像密集匹配、自动纹理映射等操作构建精细桥梁三维模型。2、以YOLO V5目标检测模型为基础,针对桥梁表观病害多尺度、目标小的特性导致检测难度大、精度低的问题,通过优化C3注意力模块,引入PAN（Path Aggregation Network,PAN）加权跨层级联机制,选用SIo U替换CIo U损失函数,建立BPS＿YOLO V5目标检测模型。基于构建的桥梁表观病害样本数据集,对BPS＿YOLO V5进行测试和性能分析。结果表明,本文提出的BPS＿YOLO V5模型对裂缝、剥落、露筋等表观病害检测精度具有较大地提升,其中全类别平均精度（m AP）比YOLO V5模型提升3.7%,充分证明了BPS＿YOLO V5模型的有效性。3、提出了基于Mobile Net V2的轻量化Deeplab V3+分割模型,对裂缝、剥落、露筋三种病害进行像素级定性定量检测。将Deeplab V3+模型中的负责特征提取的主干网络替换为Mobile Net V2模型,通过融合Mobile Net V2轻量化与Deeplab V3+模型精度高的优点,使得该模型在保证精度的情况下大幅减少参数数量及计算量。将BPS＿YOLO V5检测得到的具有表观病害的影像,作为新的数据集,对病害影像进行分割,实验证明本模型对裂缝、剥落、露筋三种病害有较高的分割精度,并能利用分割后图像对病害进行量化。4、基于深度学习语义分割得到的桥梁表观病害像方信息,结合无人机贴近摄影空中三角测量结果即影像内外方位元素,将影像中的表观病害像方信息映射到桥梁精细三维模型中,便于养护人员更方便地确定桥梁病害的实际位置和分布,为后续养护提供依据。本文以山东枣庄某桥梁为研究对象,进行了实地试验,验证了本方法的可行性。本文所提出的桥梁表观病害检测方法可以极大提高桥梁养护人员的检测效率,降低桥梁养护成本以及养护人员的安全风险,具有重要的工程实际应用价值。