随着深度学习的高速发展,语义分割技术在计算机视觉法中占有非常重要的地位。结构体在制造、运输和应用过程中容易产生危害很大的裂纹,这是由于结构体长时间承受了集中应力和交变载荷,结构体裂纹会对生产和生活产生直接影响。裂纹检测是混凝土结构维修的重要环节之一,它可以直接评判混凝土结构的安全性与耐久性。但是传统的裂纹检测方法费时费力,依靠人的经验和技术水平判断,因此自动裂纹检测对于快速、准确地检测和识别道路上的裂纹至关重要。语义分割可将裂纹完整的分割出来,在工程中有着较好的应用价值。首先,针对实现移动端设备在线实时分割为目标,对现有的深度学习目标检测算法进行分析,给出基于卷积神经网络的裂纹检测网络结构和设计方法,进行了基于深度学习Yolo V3的真实裂纹图像的检测算法实现。为更加真实的模拟实际采集情况,搭建了基于全向移动机器人的采集系统。其次,在保证图像裂纹分割精度的前提下,提高实时分割速度;重点研究深度学习DeepLab V3+算法,该算法直接采用DeepLab V3算法作为编码模块,DeepLab V3算法中输出的特征图是256通道的,其中包含了丰富的语义信息。通过控制该网络中空洞卷积的膨胀率,输出具有任意分辨率的特征图,从而平衡运行时间和精度。再次,针对裂纹图像(桥梁下方水气很重)中包含水雾干扰导致裂纹检测精度低的情况,使用暗通道去雾算法对图片进行去雾,增强复杂环境中图像的清晰度,提高图像裂纹的分割精度。接着,将深度学习中DeepLab V3+算法用于裂纹语义分割,在使用原始算法模型对混凝土裂纹进行分割时,由于语义信息不够强,混凝土裂纹的识别效果不够理想,精确度不够高,提出基于改进的DeepLab V3+的图像裂纹检测算法。使用FLOPs(Floating point operations)更小的Resnet-101基础网络,将改进DeepLab V3+算法用于裂纹语义分割;同时针对裂纹图片的正负样本不均衡,负样本占比较多,导致损失函数下降非常缓慢,以及分割准确率下降,使用Focal Loss代替Cross Entropy Loss,减少负样本对模型的影响,使Loss的减小速度提高。最后,设计并实现了基于DeepLab V3+的图像裂纹检测系统。实验结果表明:使用改进后的DeepLab V3+对混凝土裂纹检测时,检测精度有所提高,FWIo U提高了3.86%,MIo U提高了14.4%,实时性满足裂纹检测系统要求。