本研究提出了一种结合卷积神经网络（CNN）和高效子像素卷积神经网络（ESPCNN）的框架，以提高基础设施图像的分辨率，从而提升裂缝检测的准确性和资产管理的效率。

本研究提出了多样化道路损伤数据集（DRDD）和新模型RDD4D，通过优化特征的Attention4D模块，显著提升了大规模道路裂缝检测的平均精度至0.458，对基础设施维护具有重要影响。

本研究提出了一种新方法MSCrackMamba，通过融合红外与RGB通道，显著提高了结构健康监测中的裂缝检测性能。在Crack900数据集上，该方法的mIoU比最佳基线提高了3.55%，具有重要的实用价值。

本研究探讨了混凝土结构裂缝检测的自动化，比较了多时间数据与单时间数据在裂缝分割中的效果。使用多时间数据训练的Swin UNETR模型显著提高了分割质量，IoU达到82.72%，F1-score达到90.54%，为混凝土结构的长期监测提供了有效解决方案。

本文比较了多种深度学习模型在道路表面裂缝检测中的表现，发现基于transformer的模型如SwinUNet训练更易、准确率更高，但内存消耗较大。研究提出结合领域知识的算法，能在少量数据下实现良好性能，并针对砖砌缝隙和钢桥裂纹的检测，提出新的数据集和自动化方法，推动了路面病害检测的进展。

本文提出了一种高效的道路病害识别方法，利用图像自动化技术和深度学习模型（如ResNet和VGG16）进行裂缝检测，精度高达98%。研究还开发了GPR-MVFD框架，优化了基床病害检测。YOLO9tr模型在道路损坏检测中表现优异，适用于实时监测，为道路基础设施维护提供了有效解决方案。

过去十年中，开发了自动化方法来更高效、准确和客观地检测裂缝。UP-CrackNet是一种无监督的逐像素道路裂缝检测网络，通过生成多尺度正方形掩膜并从中随机选择一些，来破坏未损坏的道路图像。通过计算输入图像和恢复图像之间的差异生成误差图，实现逐像素裂缝检测。UP-CrackNet表现出可比或更好的性能和卓越的泛化能力。