基于機器學習的裂紋識別研究現狀及發展趨勢*

彭建盛，李濤濤，侯雅茹，許恒銘

(1.廣西科技大學電氣與信息工程學院，廣西柳州 545000； 2.河池學院人工智能與制造學院，廣西宜州 546300)

0 引言

裂紋是指材料在應力和/或環境作用下產生的裂隙，它存在于道路、機械、建筑等各種結構中。裂紋是引起大型復雜結構被破壞的主要原因之一。早期初始的裂紋通常微小，隱匿而不易被發現，容易被人們忽略，但裂紋的深入擴展往往會導致重大災難性事故的發生，如航空災難、橋梁坍塌和油氣管線爆裂等，給國家和社會造成巨大的損失。因此，對早期初始微小裂紋的準確檢測至關重要。傳統裂紋識別主要依賴人工，存在成本高、耗時長和可靠性偏低等問題，而實現裂紋自動化、智能化檢測是目前裂紋識別領域的研究熱點。

裂紋的自動檢測主要分為兩個步驟，一是裂紋圖像的采集，二是裂紋圖像的識別。前者依賴于無人機、激光掃描和衛星等多種手段獲取，目前已有較多文獻對裂紋圖像采集進行介紹；針對后者，自動檢測算法通過對數據的處理，實現對裂紋圖像的自動識別。近年來機器學習技術飛速發展，并已被廣泛應用于自動檢測領域。傳統機器學習方法需要提前對特征進行定義，但不同的特征定義將影響著模型的準確性；與之相反，深度學習方法通過自動學習來獲取特征，不需要對特征提前定義，是當今裂紋識別的主流技術。目前，已有許多研究人員對裂紋識別領域的方法進行綜述。例如，Czimmermann等[1]從特征提取方法和分類網絡方面對近年來的裂紋識別技術進行綜述，但對深度學習技術介紹較少。Hsieh等[2]主要介紹機器學習中的深度學習方法，詳細對比了各種網絡的檢測性能，但對機器學習的其他算法介紹很少。Byunghyun等[3]對各種深度學習方法進行分析，選取具有代表性的網絡進行測試，但是僅對混凝土裂紋進行了研究。冉蓉等[4]對裂紋識別領域的機器學習方法和深度學習方法進行梳理，詳細介紹了基于深度卷積神經網絡的裂紋識別方法，同時也對傳統機器學習方法進行了描述，但是未對具體算法進行梳理分析。鑒于此，有必要梳理近年來機器學習方法在裂紋識別領域的研究進展。

本文主要從以下幾個方面進行闡述：首先，介紹機器學習和裂紋識別的背景知識；然后，從特征提取技術和分類器方面介紹傳統機器學習方法在裂紋識別方面的應用，分析近年來機器學習在裂紋識別領域的發展趨勢；其次，從數據集、應用對象和網絡結構方面介紹深度學習方法在裂紋識別中的應用及其性能，并結合文獻分析深度學習方法在裂紋識別領域的發展趨勢；最后，分析不同機器學習方法的優缺點，并對全文進行總結，以及對未來的研究方向進行展望。本文旨在綜述基于機器學習的裂紋識別算法的最新研究動態，確定機器學習在裂紋識別應用上的發展趨勢，并對不同模型性能進行評估，從而為科研人員提供潛在的研究焦點、發展方向及其研究思路。

1 傳統機器學習方法在裂紋識別方面的應用

機器學習尚未發展之前，研究人員利用圖像的像素特征和空間特征識別裂紋。李先沖[5]針對鋁合金機械鉸鏈中存在的裂紋，分析了圖像灰度直方圖，對圖像進行線性拉伸和去除噪聲，構建一階微分算子模板在圖像上移動，通過檢測異常值來確定是否存在裂紋。Tolba等[6]提出一種基于多尺度結構相似性指數(MS-SSIM)的識別方法，該方法識別裂紋的成功率為99.1%。Yuan等[7]針對Otsu算法在表面裂紋識別中閾值選擇效果不好的問題，提出一種加權目標方差的改進方法，該方法的檢測率為94%，誤報率為8.4%，準確率高于Otsu算法。這些識別方法不依賴任何先驗知識，不需要任何數據的支撐，通過去噪、濾波、邊緣檢測、形態學等一系列圖像處理中的基本操作，實現對裂紋圖像的識別。

隨著機器學習的發展，機器學習方法被廣泛應用于圖像識別。裂紋識別任務主要分為3類：裂紋分類、裂紋檢測和裂紋分割。裂紋分類的任務是將圖像分為裂紋圖像和非裂紋圖像；裂紋檢測則是在裂紋周圍產生包圍框；裂紋分割是將圖像中的像素分為裂紋和非裂紋。傳統機器學習方法的任務一般是對裂紋進行分類識別。

傳統的機器學習分類技術通過對圖像的預處理得到圖像的特征，之后通過分類器來完成圖像的分類。特征的提取與分類器的選擇將直接影響分類的準確性，可以選擇顏色、紋理、形狀等作為特征。應用比較廣泛的分類器有支持向量機(Support Vector Machine,SVM)、K最近鄰(K-Nearest Neighbor，KNN)、決策樹、隨機森林、神經網絡等。

1.1 評價指標

為評價算法性能優劣需要確定一套評價指標，對比預測圖像和真實圖像可以得到以下4個參數：

TP：準確預測裂紋圖像；

FP：非裂紋圖像預測為裂紋圖像；

FN：裂紋圖像預測為非裂紋圖像；

TN：準確預測非裂紋圖像。

根據以上4個參數可以得到下面幾個評價指標[1]。

Accuracy：對整個樣本空間中的樣本分類準確的比例，

(1)

Precision：被認為準確的樣本中，實際上有多少是正的，

(2)

Recall：原本為正的樣本中，有多少被準確識別，

(3)

F1：衡量二分類模型精確度的一種指標，兼顧分類模型的精確率和召回率，

(4)

1.2 基于支持向量機的裂紋識別

支持向量機是一種監督學習的分類器，已被廣泛應用于裂紋分類過程[8-11]。SVM在計算上更容易訓練，而且沒有局部極小問題，具有良好的圖像分類效果。但是，在處理大規模樣本時，SVM難以訓練，計算機會消耗大量的內存和運行時間。在特征選擇上，Zhang等[12]以RGB波段值作為特征值，使用SVM作為分類器對地表裂紋進行分類，但RGB波段值只能描述裂紋的像素信息，容易受到噪聲的干擾。Sindagi等[13]提出一種改進的局部二值方法，它通過提取裂紋的紋理特征來訓練SVM分類器，在148 905個樣本上進行裂紋檢測，取得93%的準確率。針對SVM在樣本有限的情況下識別效果不佳的問題，Dong等[14]提出一種半監督學習方法LapSVM，該方法將有監督的核方法和無監督的聚類方法相結合，既擁有SVM非線性處理能力，又能利用聚類解決數據量有限的問題，但是無監督的聚類方法的加入會增加算法的時間成本。

1.3 基于KNN算法的裂紋識別

K最近鄰算法是一種監督學習算法，常被應用于裂紋識別領域[15]。KNN算法通過不同特征之間的距離進行分類，即如果一個樣本在特征空間中的K個最相似(特征空間中最鄰近)樣本大多數屬于某一個類別，則該樣本也屬于這個類別。其中K值是分類的鄰居數量，K值的大小會影響分類的效果，但K值在選擇時只能依靠經驗。K值較小時，不同類之間的邊界比較清楚，但會出現分類噪聲，K值較大時正好相反。特征的選擇同樣重要，不同的特征會對分類的準確率造成影響。Mandriota等[16]使用Gabor濾波器提取特征并利用KNN算法檢查鐵軌表面的裂紋，討論K值大小對準確率的影響。López等[17,18]提取瓷磚碎塊的RGB信息和質地作為特征，通過KNN算法實現分類，準確率達到90%以上。單一算法提取到的特征有時無法滿足識別任務的要求，多種算法的混合可以很好地對特征進行提取。為從圖像特征的角度捕獲鋼材表面的紋理屬性，Wiltschi等[19]應用數學形態學、多通道Gabor濾波，通過線性比例空間中的自動比例選擇進行紋理測量的計算。Latif-Amet等[20]使用小波變換和灰度共生矩陣的混合算法進行特征提取，通過參數距離分類圖像取得不錯的效果。這些算法通過不同的特征提取方法完成對裂紋的識別，但都只能通過實驗法對K值進行選擇，這也是KNN算法的局限。

1.4 基于決策樹算法和隨機森林算法的裂紋識別

決策樹算法是一種逼近離散函數值的方法，其本質上是通過一系列規則對數據進行分類。作為一種典型的分類方法，決策樹算法首先對數據進行處理，利用歸納算法生成可讀的規則和決策樹，然后使用決策樹對數據進行分析。針對在裂紋特征提取中存在特征單一的問題，Kim等[21]使用一種基于空間自相關方法，提出廣義不確定決策樹模型，對不確定特征的芯片缺陷進行分類，該算法性能優于其他算法，但是僅能用于芯片缺陷，無法推廣。Chang等[22]提取圖像的幾何特征和強度特征構造決策樹，從而對木材表面裂紋進行分類，準確率達到94.1%，但是由于木材本身紋理的干擾，幾何特征無法很好地描述裂紋特征。此外，Sumesh等[23]和鐘映春[24]對焊縫裂紋使用決策樹算法進行分類識別，獲得了較高的正確率。

由于決策樹容易陷入過擬合，有學者提出了一種基于決策樹的隨機森林算法，即用多棵決策樹投票來改善決策樹過擬合問題。隨機森林算法具有訓練速度快、泛化能力強和分類準確率高等優點，因而被廣泛應用在裂紋識別領域[25,26]。Patel等[27]研究表明隨機森林算法能對鋼材表面裂紋進行有效檢測，但是單一算法在提取裂紋特征和分類時效果較差，精度無法滿足工業要求。Kwon等[28]使用圖像方差的方差(Variance of Variance,VOV)結合隨機森林算法實現了對表面裂紋的有效識別。Wang等[29]提出一種改進的最佳多特征融合(OMFF-RF)的混合算法并應用于鋼材表面裂紋檢測，結果顯示相較于支持向量機和隨機森林算法，混合算法的性能顯著提高(表1)，同時混合特征相較于單一特征表現出更高的準確率，但是會增加時間成本。針對樣本量較少的裂紋，何嘉林[30]使用隨機森林算法和貝葉斯結合的混合算法，實現了較高的識別率。因此，與單一算法相比，多種算法混合使用可以有效提升裂紋識別的檢測效果。

表1 不同方法的性能比較[29]

1.5 基于人工神經網絡的裂紋識別

人工神經網絡也是常見的分類器之一[31,32]，它是一種模仿人類神經元網絡行為特征，進行分布式并行信息處理的算法數學模型。Guo等[33]將提取到的特征輸入到神經網絡中，實現鋁合金裂紋的智能識別，但對噪聲敏感度和識別精度均偏低。為提高裂紋圖像的識別精度，姚楠等[34]對提取到的特征進行無量綱化處理，并使用人工神經網絡建立圖像識別模型，識別精度和速度均能滿足工作要求。張穎等[35]利用BP神經網絡對焊接冷裂紋進行識別，楊紹普等[36]使用概率神經網絡判斷橋梁的裂紋損傷位置，由于他們均只使用神經網絡對裂紋進行識別，因而識別精度較差。邱忠超等[37]針對鐵磁材料的微裂紋識別，采用主成分分析和神經網絡結合的混合方法進行檢測，取得較高的精度。譚衛雄等[38]使用人工蜂群(ABC)優化BP神經網絡權值和閾值，提出一種道路裂紋檢測的混合神經網絡，結果如表2所示，改進的混合算法在準確率、精確率、召回率和F1分數上均優于普通BP神經網絡和基本的ABC-BP算法。

表2 不同算法的結果對比[38]

1.6 已有報道文獻綜合分析

針對在裂紋識別領域幾種常用的機器學習方法，前文已從特征提取和分類器方面進行介紹，現對文獻進行綜合分析。以近20年為時間范圍(2000-2020年)，本文共搜索到31篇內容相關性較高的文獻。基于不同分類器進行統計(圖1)，關于KNN、SVM、決策樹、隨機森林和神經網絡等各種分類器研究的文獻數量相差不多。但從時間進程上看(圖2)，對于KNN算法的研究主要集中在十年以前，近些年來對此研究越來越少；另外，涉及KNN算法的文獻中，多數是使用KNN算法進行對比分析，而不是對KNN算法進行研究。其他分類器SVM、決策樹、隨機森林和神經網絡，最近幾年依舊是研究的熱門。

圖1 文獻中所使用方法的占比

圖2 不同方法每五年發表的論文數量

如圖3所示，關于在裂紋識別領域的機器學習方法，十年之前的研究熱點為單一算法。但近年來，單一算法已經無法滿足對裂紋高精度識別的要求，混合算法的研究已逐漸占據主流地位。例如，針對特征選擇和分類器優化，研究人員使用遺傳算法、人工蜂群算法和最佳特征選擇算法等多種算法進行研究，可以有效提升識別效果。

圖3 單一算法和混合算法在文獻中的比較

從特征提取方法來看，常用的特征提取方法有顏色直方圖、共生矩陣、局部二值模式、自相關和空間濾波等，他們的優缺點見表3。當單一特征無法準確描述裂紋特征，就需要用多個特征進行描述以增加識別率，同時特征選擇還應考慮不同的應用對象。

表3 常見的特征提取方法及其優缺點

圖4展示了裂紋識別中不同的應用對象。目前針對金屬裂紋研究最多，占比為65%，而金屬裂紋中，鋼鐵材料的裂紋識別占比最多。

圖4 裂紋識別中不同的應用對象

對于傳統機器學習中的裂紋識別任務，在特征提取的方法上存在通用性，無論是圖像的空間特征還是像素特征，都可以作為分類器的輸入進行識別，最終識別效果依賴于分類器學習的結果。與其他算法相比，KNN算法通過特征空間內不同樣本的距離進行分類，對簡單特征可以進行有效的分類，但對較為復雜的特征效果較差。同樣是通過特征之間的距離進行分類，SVM算法通過將樣本特征映射到高維空間進行計算，在處理裂紋識別任務時的效果要優于KNN算法。不同于KNN算法和SVM算法，決策樹算法通過對特征的歸納生成規則和決策樹，再利用決策樹對特征進行分類。隨機森林算法通過構造多棵決策樹進行分類，本質上同決策樹算法一樣，只是利用多棵決策樹處理數據。神經網絡有別于前面幾種分類器，通過模仿人類神經元的工作方式進行分類，神經元之間的加權連接由激活函數相關聯的輸入值進行調整。人工神經網絡中最常用的模型是BP神經網絡，其通過反向傳播和誤差校正學習算法進行學習。

2 基于深度學習的裂紋識別方法

2.1 深度學習介紹

深度學習是機器學習的一個研究方向，可以解決傳統機器學習方法無法解決的問題。前文主要綜述了幾種傳統機器學習方法在裂紋識別方面的應用，其重點在于對特征的提取，但傳統機器學習面對復雜對象時特征提取顯得較為困難。與傳統機器學習相比，深度學習可以通過學習獲取特征，這種能力解決了裂紋識別中復雜特征提取困難的問題。深度學習需要大量數據的支持，人類通過不斷地優化網絡模型提升網絡的學習能力，選擇不同的卷積核和優化參數來配置執行特征學習、模型構建和模型訓練，提升網絡性能。

卷積神經網絡(CNN)是一種前饋神經網絡，是深度學習中最常用的網絡，其根據仿生學原理模仿動物視覺組織，將圖片作為網絡輸入并使用神經網絡的分類結果作為輸出，因此CNN具有自動學習特征的優點。CNN網絡在訓練時通過特征提取器提取特征代替人為提取，其特征提取器由神經網絡組成，通過訓練不斷更新找到最優權重。圖5展示了CNN的網絡結構圖，它由一個特征提取網絡和一個圖像分類網絡組成，特征提取網絡由卷積層和池化層組成。卷積層通過卷積對圖像上的像素點進行運算，經過卷積層產生的新圖像包含了原本圖像的特征，被稱為特征圖。池化層可以縮小圖像尺寸，減少數據量。

圖5 CNN網絡結構示意圖

2.2 數據集

在訓練和評估學習網絡時，需要大量數據的支撐，而原始數據的獲取是一個問題。對于大裂紋，可以通過拍攝直接獲取；對于微裂紋，可以通過激光掃描的方法來獲取原始圖像[39-41]。隨著傳感器技術的進步，三維激光技術已經成為獲取高分辨率、全覆蓋三維數據的方法[42]。表4展示了幾種常用的裂紋數據庫。

表4 裂紋數據集

2.3 深度學習在裂紋識別中的應用

金屬裂紋的識別一直備受人們關注[57]。針對輕量級裂紋識別，楊晶晶等[58]基于深度學習方法和Single Shot MultiBox Detector (SSD)模型提出一種裂紋自動檢測算法。該算法通過擴充訓練模型空間分辨率，極大地提高了檢測效率，但是召回率較低。為尋找更適合裂紋識別的網絡，劉建紅[59]比較了各種深度學習方法，發現Faster_R-CNN-ResNet50-FPN相較于其他算法有較好的識別結果。范晨亮等[60]選取ResNeXt-101并添加金字塔網絡對Region-based CNN (RCNN)網絡進行改進，獲得更高的精度，但是識別速率有待提升。Manjurul等[61]提出一種基于遺傳算法與深度學習的方法，在遺傳算法中引入類內距離與類間距離之比的適應度函數和多通道異質特征模型，作為選擇判別特征集，然后結合Deep Neural Network (DNN)對裂紋進行分類并取得了很好的效果。

在自然環境中，由于風吹日曬，混凝土建筑極易開裂，對這些裂紋進行及時檢測可以減少事故的發生[62-64]。Cha等[65]提出一種Deep Convolutional Neural Networks (DCNN)結構用于識別混凝土裂紋，使用滑動窗口對圖像patch進行裁剪并作為分類器的輸入，實驗表明該方法優于傳統的邊緣檢測方法。Zhang等[66]提出一種基于DCNN的裂紋自動檢測方法，經過訓練的網絡能夠判斷輸入的圖像patch是否含有裂紋，而且該方法比傳統機器學習方法具有更高的分類精度。Islam等[67]提出了一種由全卷積神經網絡(FCN)和用于語義分割的編碼器和解碼器框架組成的網絡執行像素級分類，實驗驗證該方法對混凝土裂紋識別非常有效。Dung等[68]針對混凝土裂紋圖像的語義分割，提出一種基于全卷積網絡(FCN)的裂紋識別方法；在40 000幅227 × 227像素的混凝土裂紋圖像上，對FCN編碼器作為主干的3種預訓練網絡架構的性能進行評估，平均精度達到90%。Feng等[69]提出一種利用深度卷積網絡檢測大壩表面裂紋的方法(CDDS)，使用裂紋數據集對CDDS網絡進行訓練、驗證和測試；將預測結果與基于ResNet152、FCN、UNet和SegNet模型的結果進行比較，結果顯示CDDS網絡對壩面裂紋識別具有較好的性能，具體如表5所示。

表5 不同網絡對混凝土結構識別的性能對比[69]

掌握道路裂紋情況可為道路養護工作提供數據支持[70-74]。為將裂紋和背景進行區分，Li等[75]提出一種基于U-Net和交替更新團的卷積神經網絡的深度學習方法，對隧道圖像中裂紋與背景進行分離，雖然該方法在測試集中表現不錯，但是在實踐中效果并不好。Zhang等[76]提出一種基于遷移學習的路面裂紋識別方法，可區分裂紋與背景，即對預先訓練好的AlexNet中的kernel的權重和偏置進行轉移，將圖像patch分類為裂紋、封閉裂紋和背景區域。Liu等[77]為精確提取路面裂紋，提出一種基于卷積神經網絡的兩步檢測方法，在提取到路面裂紋后使用改進U-Net網絡對裂紋進一步分割，裂紋識別和分割準確率均達到90%以上。表6列舉了幾種有關道路裂紋的檢測模型，使用不同數據對這些檢測模型進行評估，評估中使用3種不同的評價指標：數據集上固定閾值的最佳f測度(ODS)、數據集上每個圖像最佳閾值的聚集f測度(OIS)和平均精度(AP)，其值越大代表性能越好。評估結果如表7所示，基于深度網絡裂紋識別網絡DeepCrack的效果優于其他網絡，表明更深的網絡可以更好地提取裂紋的深度特征。

表6 道路裂紋檢測模型

表7 不同方法在不同數據集上的性能對比

除此之外，許多學者使用深度學習方法對裂紋識別的其他問題進行研究[86-90]。Alipour等[91]利用深度全卷積模型(CrackPix)進行裂紋檢測，將網絡的全連接層轉換成卷積濾波器，從而實現像素級識別。Ren等[92]提出一種改進的深度全卷積神經網絡，稱為CrackSegNet，用于像素級裂紋分割：網絡由主干網絡、擴展卷積、空間金字塔池和跳過連接模塊組成，這些模塊可用于高效的多尺度特征提取、聚集和分辨率重建，并極大地增強網絡的整體裂紋分割能力。Wang等[93]針對訓練CNN網絡樣本過少的問題，使用一種兩階段的數據增強方法構造了一個裂紋檢測器，取得了96%召回率。Xu等[94]提出一種基于卷積神經網絡的裂紋識別模型，該模型利用傳統卷積、Atrous空間金字塔池(ASPP)模型和深度可分卷積的優點，在沒有預訓練的情況下實現了96.37%的檢測精度。王森等[95]針對裂紋識別實驗中FCN模型存在丟失局部信息和喪失部分精細化區分能力的問題，構建了Crack FCN網絡模型，該模型在提高檢測精度的同時可以有效地降低錯誤標記。

2.4 文獻分析

前述從網絡結構、數據集、應用對象等方面分析了深度學習在裂紋識別領域的應用，本節對相關文獻進行綜合分析。如圖6所示，近20年來在裂紋識別領域的相關文獻共81篇，其中機器學習31篇，深度學習50篇。隨著深度學習的發展，其在裂紋識別方面逐漸占據主流地位，尤其是最近五年，越來越多的人傾向使用深度學習方法進行裂紋識別的研究。

圖6 不同時段有關深度學習和機器學習的文獻數量對比

如圖7所示，基于深度學習的裂紋識別大都集中在道路、混凝土建筑和金屬上，他們的文獻數量占比分別為55%、26%和15%。深度學習需要大量數據的支撐，目前公開的建筑裂紋數據集多為道路裂紋和混凝土結構裂紋，而路面裂紋數據集較少，因其屬于常見的裂紋，數據采集比較容易。

圖7 深度學習應用對象

基于網絡選擇角度，裂紋識別使用了深度學習中常見的網絡，包括RCNN、DCNN、VGG、AlexNet和U-Net等。在本文綜述的50篇深度學習文獻中，使用單一網絡、混合網絡分別有21篇和29篇，可見目前深度學習網絡的研究以混合網絡為主。相比于單一網絡，混合網絡在裂紋識別上的效果更加出眾。在深度學習中引入遺傳算法、金字塔網絡等，或者將兩種或多種深度學習網絡進行融合，能有效提高網絡的識別精度。

在傳統機器學習方法中，需要人為地對裂紋圖像進行特征提取，特征的選擇需要人為把握。但是，深度學習方法在神經網絡中引入卷積操作，通過大小不同的卷積核學習圖像特征，使自動學習裂紋圖像特征成為現實，省去人為選擇特征步驟，而且往往比人為選擇的特征更加準確。深度學習方法中有眾多網絡，廣泛應用于裂紋識別領域的有RCNN、DCNN、VGG、AlexNet和U-Net等。這些網絡在本質上都是通過不斷地卷積學習裂紋特征，以便用于最后的分類，但他們的網絡深度和結構有差異。DCNN網絡學習深度最高，能更加準確地識別裂紋特征，因此其應用范圍也最廣。

3 展望

本文分別介紹了支持向量機、KNN、隨機森林、決策樹和人工神經網絡等多種機器學習方法，以及深度學習在裂紋識別的研究。由于機器學習方法的發展，近年來對KNN算法的研究越來越少，但KNN算法簡單易操作，精度依賴于對K值的選擇，因此研究自適應K值選擇方法依舊有意義。支持向量機作為一種常見的分類器被廣泛應用，可以很好地應對學習過程中過擬合問題和線性不可分的問題。決策樹算法簡單易懂，且不受數據縮放的影響，但是存在過擬合和泛化性能差的問題。隨機森林是由大量隨機初始化決策樹組成的分類器，可以判斷特征的重要程度及不同特征之間的相互影響，還具有不易過擬合、訓練速度快等優點，缺點是在某些噪音較大的分類或回歸問題上存在過擬合。與其他分類器相比，神經網絡的分類準確度有很大的優勢，但其對數據和算力的依賴性極大，而且訓練過程如同“黑匣子”，這意味著難以知曉如何產出結果及其原因。

基于本文的回顧，我們認為未來的研究方向有以下5點：

①傳統的機器學習方法依賴于特征的選取，其研究主要集中在如何獲得更準確的特征進行分類。未來可以針對某類的裂紋識別，比如金屬裂紋、道路裂紋等，建立統一特征提取模型和評估模型，為人工選擇裂紋特征提供參考。

②深度學習不需要人為選取特征，它會通過輸入的數據學習圖像特征。因此，構建優秀的學習模型，提高神經網絡的訓練效率和收斂能力一直是研究的重要內容。深度學習會消耗大量的計算資源，如何在減少資源消耗的同時,獲得良好的性能是一個需要解決的問題。

③無論是機器學習還是深度學習，兩者都依賴大量數據的支持，裂紋圖像的獲取相較于其他圖像更加困難。減少網絡對數據的依賴性或者對數據進行增廣也是一個研究方向，目前基于對抗神經網絡的數據增廣技術正在被研究[96]，未來可以應用于裂紋圖像。

④無論是機器學習還是深度學習，單一算法/網絡難以滿足裂紋識別任務的要求，越來越多的人使用混合算法/網絡，混合方法將是以后發展的方向。

⑤由于深度學習的發展，人們越來越熱衷于使用深度學習方法進行研究，傳統機器學習方法面臨巨大的挑戰。深度學習方法有諸多優勢，而傳統算法也有著不可忽視的作用，傳統算法與深度學習方法相互結合才是未來的發展趨勢。