本文探讨了多模态视觉算法在建筑结构健康监测中的应用，特别是裂缝检测。提出了一种结合YOLO11和QWEN-VL的两阶段检测框架，前者用于实时裂缝检测，后者负责结果审核和报告生成。这种方法提升了检测效率和可解释性，为智能运维提供了新方案。