摘要:混凝土裂缝对结构承载能力、耐久性和防水性有负面影响, 因此早期裂缝检测具有重要意义. 大数据和深度学习的快速发展, 为裂缝智能检测提供了有效的方法. 针对裂缝检测过程中图像正负样本不平衡, 裂缝区域色彩深沉和低亮度的特点, 提出一种基于ST-UNet (Swin Transformer U-Net)和目标特征的裂缝检测方法. 该算法在网络中引入CBAM注意力机制, 使网络更加关注图像中对裂缝检测起决定作用的像素区域, 增强裂缝图像的特征表达能力; 使用Focal+Dice混合损失函数代替单一交叉熵损失函数, 处理样本图像正负样本分布不均的问题; 设计APSD正则化项优化损失函数, 针对裂缝区域色彩深沉、低亮度的问题, 降低检测的漏检率与误检率. 裂缝检测结果表明: IoU指标提升22%, Dice指数提升17%, 该算法是有效可行的.