基于多波束声呐和PIST的桥梁水下裂缝检测方法：物理引导PINN+LGSwin-Transformer浑浊水体亚像素级检测

桥梁检测

《Ocean Engineering》：Underwater crack detection method for bridges based on multi-beam sonar and PIST

主要贡献：
• 提出了一种集合物理引导PINN与LGSwin-Transformer的PIST算法，用于水下裂缝检测。
• 通过轻量化窗口移动实现全局—局部解耦特征提取，增强了浑浊水体中的裂缝检测能力。
• 多波束声呐与PIST结合，在浑浊、深水及低能见度环境中实现了稳健的裂缝检测。

引言

随着经济增长加速，桥梁作为重要的交通基础设施，其安全性和耐久性直接影响社会稳定及人民生命财产安全。然而，在长期服役过程中，尤其是水下部分，桥梁易受水流侵蚀、海水腐蚀、化学降解及船只撞击等因素影响，产生裂缝等结构损伤。这些裂缝不仅会降低桥梁承载力，还可能导致严重安全事故。因此，早期且精准地检测与评估水下桥梁裂缝，对于保障桥梁安全运行至关重要。

近年来，随着技术的不断进步，声呐、水下机器人和人工智能等新兴技术已逐步应用于水下桥梁裂缝检测。这些方法通常包括基于深度学习的水下裂缝检测、基于深度学习的水下语义分割以及基于深度学习的声呐水下裂缝检测。

(1) 基于深度学习的水下裂缝检测

Jiang等人采用了一种基于深度长短期记忆网络（DLSTM）的非线性超声调制信号无参考损伤检测方法。首先，利用压电陶瓷超声换能器产生和测量超声信号。其次，构建并训练DLSTM网络以学习测量超声信号的内在序列模式。然后，仅使用当前超声信号而不使用完整状态下的参考超声信号，定义并计算绝对损伤指数（ADI）。

Li等人（2024a）采用了一种基于改进YOLOv8的水下裂缝检测方法。通过在骨干网络中添加全维度动态卷积（ODConv）网络，并将Gold-YOLO中的头网络替换为低聚合分布（low-GD）和高聚合分布（high-GD），提高了检测网络的性能。

Teng等人（2024）采用了一种集成光学和纹理信息的水下裂缝检测新方法。提出了一种双输入分支语义分割模型，以实现光学信息和纹理信息的融合，并引入了卷积块注意力模块（CBAM）来增强语义分割模型的性能。

Dai等人（2024）采用了一种基于轻量级卷积神经网络的水下工程裂缝识别方法。首先，采用深度可分离卷积替换开源高性能目标检测算法YOLOX网络中的普通卷积，减少模型的冗余参数。然后，采用Transformer视觉模块替换骨干网络末端的CSP结构。

Teng等人（2025a）采用了一种面向物理信息的双阶段预训练学习方法，即物理引导DeepLabv3+架构，该架构增强了跳跃连接、卷积块注意力模块（CBAM）以及混合Tversky-Dice损失函数，以解决浑浊水下条件下的类别不平衡和边界模糊问题。首次将局部标准差图作为物理引导集成，以放大与裂缝相关的强度变化，使得即使是最小的标注样本也能实现精确分割。

然而，上述方法仍存在环境适应性差、泛化能力不足和实时性差等问题。

(2) 基于深度学习的水下语义分割

Wu等人（2023）开发了一种基于改进实例分割模型的轻量级、实时、像素级裂缝检测方法。为了降低模型复杂度并保持其准确性，提出了一个轻量级骨干网络和新类型的高效原型掩码分支。该模型在每秒129帧（FPS）下的准确率为0.945。

Wu等人（2023）开发了一种考虑多重折射校正的水下桥墩三维形状视觉测量方法，并在空气和水中进行了重建结果的验证实验。建立了一套水下测量系统，并成功应用于水下混凝土桥墩曲面的测量。

Lin等人（2023）开发了DeepCrackAT：一种基于多尺度裂缝特征学习的有效裂缝分割框架。首先，在编码器—解码器的前三层中使用混合扩展卷积，以增加网络的接受域并捕获更多裂缝信息；其次，在编码器—解码器的最后两层引入标记化多层感知机（Tok-MLP），以标注高维裂缝特征并将其投影到低维空间；然后，连接编解码层的相应特征并生成裂缝图像的二值分割图。

Yu等人（2024）开发了一种水下裂缝检测及三维结构外观重建方法。通过语义分割、几何量化和三维重建等方法恢复实际结构表面。同时，通过标签传播算法确保裂缝的完整性，以全面展示结构的健康状况。

Yan等人（2022）开发了CycleADC-Net：一种基于多尺度特征融合的裂缝分割方法。它使用循环生成对抗网络将弱光裂缝图像转移到亮域，然后将输出输入到后续的编码器—解码器分割网络中进行最终检测。

然而，上述方法仍存在水下成像误差大以及裂缝宽度和面积的量化误差显著等问题。

(3) 基于深度学习的声呐水下裂缝检测

Cao等人（2024a）采用了一种基于前视多波束声呐与遥控潜水器（ROV）深度学习结合建筑信息模型（BIM）的快速水下裂缝检测与定位系统。建立了声呐姿态检测精度的目标函数，并引入麻雀搜索算法预设最佳声呐姿态。

Tan等人（2024）采用了一种深度学习辅助的高分辨率声呐检测方法。首先，使用多波束前视声呐进行现场实验，然后建立了包含各种结构表面损伤的深度学习数据集。接着，提出了一种结合通道注意力机制和空间注意力机制的分割网络。

Zhang等人（2024）采用了一种基于水下声呐点云数据识别水下桥梁结构损伤模式的方法。该方法分为两个阶段，即潜在损伤区域识别和精细损伤模式识别。

Zheng等人（2025）介绍了一种利用声呐和深度学习进行水下混凝土结构实时裂缝检测的方法，以克服光学成像在低光或浑浊环境中难以进行的局限性。首先，基于YOLOv5s架构的声呐图像裂缝检测模型，结合注意力机制和SIoU损失函数，提高了检测准确性。

综上所述，上述方法仍存在以下问题：(1) 环境适应性差：由折射和散射引起的浑浊度变化导致成像变化，模型的跨域泛化能力不足；(2) 量化误差大：未校正波束角、声线和姿态误差，裂缝尺寸偏差往往超过20%；(3) 实时性和工程性不足：添加去噪和坐标转换后，延迟较高，难以满足项目的实际验收要求。

PIST算法

针对水下桥梁裂缝单角度检测的问题，本文融合LGSwin-Transformer与PINN构建了PIST算法，实现了全局—局部解耦特征提取模块，并通过轻量级窗口位移与并行解码提升了复杂水下环境下的裂缝检测精度与实时性。

为了解决水下桥梁裂缝单角度检测的问题，创新地将物理引导的声波传播与散射机制引入设计的LGSwin-Transformer多尺度自注意力中，并融合到PIST方法中，通过轻量化窗口位移和平行解码实现全局—局部解耦特征提取模块。显著增强了复杂浑浊水体环境中的检测鲁棒性和实时性能。

为了解决单视角下的细节丢失和背景混淆问题，将Swin-Transformer的原始块拆分为"局部特征块"和"全局特征块"。局部块关注毫米级裂缝的边缘和纹理，而全局块捕获跨波束截面的上下文相关性。两者交替融合后，即使在浑浊水体、强散射和低对比度环境中，仍能准确锁定裂缝，实现了水下桥梁裂缝的亚像素级稳健检测。

为了解决由于声学失真和训练数据稀缺导致的水下检测泛化能力不足问题，PINN注入了三重物理约束先验：(1) PDE表征声波在水—固界面的折射和散射规律，以抑制浑浊水伪影；(2) 边界条件锁定桥墩几何结构和声呐入射角，校正由视角变化引起的边缘漂移；(3) 裂缝传播模型嵌入了断裂力学能量准则，以确保网络输出与真实裂缝尖端的向前方向一致。显著减少了标注依赖性，缓解了水下标注数据的稀缺问题。

实验与分析

本节主要验证本文所采用方法具有良好的性能。验证通过水下光学裂缝检测、水下裂缝分割检测、水下声纳裂缝检测实验以及消融实验进行。同时，采用准确率、精确率、召回率、F1分数、平均精度均值（mAP）和IoU阈值等常用评估指标进行评估。

结论

针对复杂水下环境中检测精度不足及实时性较差等问题，本文提出了一种基于多波束声纳与PIST的水下桥梁裂缝检测方法。该方法能够实时、快速且准确地检测水下裂缝，从而解决了复杂水下环境下裂缝检测的挑战。通过多角度的广泛实验对比，验证了该方法的有效性。

作者与致谢

作者：Xuyang Zhang、Yu Zhang、Linghui Peng、Jining Peng
致谢：本工作感谢江苏省研究生科研与实践创新计划资助，资助编号KYCX23_0511。

---

▶ 来源：生物通（Ocean Engineering 论文解读）
▶ 原文标题：基于多波束声呐和 PIST 的桥梁水下裂缝检测方法
▶ 原文链接：https://www.ebiotrade.com/newsf/2026-9/20260918001043051.htm
▶ 转载时间：2026-09-27