基于圖像處理的遠距離裂縫檢測智能平臺開發

余 欣，許益獎，李 薇，石 威，劉曉宇

(四川大學 機械工程學院，成都 610000)

0 引言

隨著國家社會經濟的高速發展，眾多關系到國民生產的各行業及人們的日常生活大型建筑物，如隧道、橋梁、水壩、大樓等的數量快速增長，而由于老化以及各種各樣的原因，建筑物很容易產生裂縫。裂縫不僅影響建筑外表的美觀，更影響建筑的安全使用壽命，存在較大的安全隱患，甚至可能會給社會造成重大的經濟損失和人員傷亡。為了確保這些建筑物的使用安全，必須定期對其進行裂縫識別及檢測，準確評估建筑物的裂縫發展情況，從而制定科學合理的建筑修護方案。

傳統的裂縫檢測方式主要依靠人工近距離作業的方式，多利用傳感器(如超聲波傳感器)進行裂縫檢測，超聲波檢測是利用超聲波的特性，通過檢測出脈沖波在被測物中的傳播時間以及接收波的振幅和頻率，從而確定建筑物表面裂縫的有無、大小和位置等信息[1]。這種方式由于硬件發展水平的限制，檢測精度難以進一步提升，而且對于隧道和橫跨山河的橋梁等大型建筑，近距離作業使得檢測難度大、危險系數高，故常常需要使用遠距離檢測的方式。

目前，用傳統的人工作業的方式進行裂縫檢測已經越來越無法滿足工程的需求，同時隨著硬件設備性能的提升以及大規模數據集的出現使得深度學習技術在目標檢測，實例分割等視覺領域已取得顯著成果[2-4]，基于圖像處理的智能識別檢測的新方法應運而生。這種智能化裂縫檢測方法實現了數字化、自動化，極大地提高了檢測精度與效率[5]。

此外，隨著深度學習技術在計算機視覺領域的蓬勃發展和在交通及工業生產等場景的廣泛適用，基于深度學習技術的裂縫智能檢測平臺為大勢所趨，選擇合適的深度學習平臺部署深度學習網絡模型進行大型建筑物表面的裂縫圖像識別檢測至關重要，目前國內外研究人員主要基于嵌入式[6-9]和微型PC終端[10-11]研發遠距離裂縫檢測智能平臺，然而由于大多數深度學習算法占用內存大且運算復雜度較高，而嵌入式、PC終端等邊緣設備資源空間、功耗和計算能力等受限，這為深度學習的部署開發帶來了一定的難度和局限性。因此，性能更加強大的裂縫智能檢測平臺的研發有待完善和發展。

近年來互聯網的云計算、云存儲等云端技術日益成熟，采用云服務器實現云數據的聚合和分析，可以最大程度地整合與裂縫相關的信息和數據，實現資源的靈活擴展[12]。

因此本項目以裂縫檢測領域迫切需求的對大型建筑物表面裂縫進行遠距離檢測為導向，基于圖像處理和深度學習搭建依托于微信小程序和云服務器的遠距離裂縫智能檢測平臺，可實現更方便、更快捷、更智能化的裂縫檢測。

1 系統結構與原理

1.1 基于云端的遠距離裂縫檢測方案

首先利用遠攝變焦鏡頭采集圖像并通過微信小程序上傳到云端服務器，其中微信小程序與云端服務器間的通信基于TCP/IP協議，以https通信方式進行數據交互；然后進行裂縫檢測；最后將分析結果及裂縫特征參數信息等存儲到云端，同時微信小程序將該分析結果進行解析渲染展現給用戶。

方案原理如圖1所示。

圖1 基于云端的遠距離裂縫檢測方案

1.2 智能平臺架構

1.2.1 展現層和通訊層

展現層實現用戶交互，負責圖像的輸入、渲染與展示。通訊層為系統前端(展現層)與后端(功能層、數據庫)的數據傳輸，基于HTTP/HTTPS協議和POST/GET請求。

1.2.2 業務層

通過調用業務數據接口，實現相應的功能，包括裂縫檢測、數據存儲等。

業務層由服務類組成，并使用數據層提供的服務實現展現層所需業務數據的處理，為實現安全服務、接口服務、數據分析、數據處理、日志消息、狀態信息等提供支持[13]。

1.2.3 數據層

提供底層數據，實現原始數據存儲、數據緩存、數據分析讀寫以及文件存儲等功能。

圖2 遠距離云端裂縫檢測智能平臺架構

2 系統設計與實現

2.1 微信小程序前端

如今，智能手機全面普及，微信小程序是一種全新的連接用戶與服務的方式[14]，其背靠微信用戶量大的優勢，可共享微信生態，同時具有優秀的用戶體驗；微信云開發提供了原生 Serverless 云服務，無需搭建服務器，降低了運維成本[15-17]；依托于微信小程序的開放接口，可以構建移動端的裂縫檢測應用平臺，同樣可實現與后臺算法的交互；用戶使用時無需下載，使用便捷，并且通過微信小程序自帶的云數據庫實現對用戶數據的存儲。

微信小程序采用wxml、wxss、JavaScript進行開發，本質是一個單頁應用，所有的頁面渲染和事件處理，都在一個頁面內進行，但又可以通過微信客戶端調用原生的各種接口。

1)程序結構。微信小程序由js、json、wxss和wxml四個文件組成。.js是文件應用程序是邏輯文件，.json文件應用程序是配置文件，.wxss應用程序是定義公共樣式，.wxml是用于定義.wxss公共樣式的外觀，比如大小、形狀和顏色等。通過配置這四個文件可以實現預期程序的產出。

2)小程序與云服務器交互。小程序端調用wx.uploadFile實現小程序向后端服務器發送一個POST請求，將用戶數據上傳至云服務器；云服務器收到數據后調用算法進行檢測，之后返回相應的值。由于返回的值微信小程序不能直接展示，需要通過JSON.parse將返回值轉換為可識別的值，之后微信小程序便可將轉換后的數據展示在界面上，實現前后端數據的交互。

3)程序界面設計。根據需求，本項目設計了登錄界面、初始界面、檢測界面、建議反饋界面以及作者介紹界面。在js、json頁面下定義相應函數實現所需要的功能，再在wxss和wxml頁面設計各界面的樣式，以達到美觀效果。

4)程序主要功能。程序登陸界面用于獲取用戶的數據，以便于實驗統計；授權后會進入到初始界面，初始界面包含了三個功能按鈕，分別為“開始檢測”按鈕、“建議反饋”按鈕以及“關于我們”按鈕。點擊“開始檢測”按鈕便可進入檢測界面，之后即可上傳裂縫圖片進行檢測，小程序會跳轉到檢測結果界面；點擊“建議反饋”按鈕進入到建議反饋界面，用戶可向開發者提供建議，以便開發者對程序的進一步優化；點擊“關于我們”按鈕進入到團隊介紹界面，可便捷地了解開發者團隊。如圖3所示為微信小程序總體流程圖。

圖3 前端流程設計

2.2 云服務器端

云服務器(ECS，elastic compute service)是云計算服務的重要組成部分，是面向各類互聯網用戶提供綜合業務能力的服務平臺，平臺整合了傳統意義上的互聯網應用三大核心要素：計算、存儲、網絡。由于云服務器屬于互聯網基礎設施的范疇，用戶可根據個人或群體的需求隨時、定量地使用其計算資源，做到高效、便捷地使用云服務器。與傳統服務器相比，用戶使用云服務器不僅無需購買硬件實體，降低了運營成本，而且可在短時間內依據需求創建或釋放多臺云服務器，實現性能擴充，簡單高效[18]。

本項目的后端使用Python語言編程，采取Nginx+uWSGI+Flask應用的方式部署，算法模型部署在Flask上。微信小程序向服務器發起https 請求，Nginx首先接收到請求并轉發給uWSGI，server(uWSGI服務器)根據自身的uwsgi和WSGI協議，找到對應的Flask框架，Flask框架下的應用進行邏輯處理后，將返回值發送到uWSGI服務器，然后uWSGI服務器再返回給Nginx，最后Nginx將返回值返回給微信小程序進行渲染顯示給用戶。云服務器部署流程如圖4所示。

圖4 云服務器部署流程

2.2.1 Web服務器配置

Nginx代理服務器處理靜態文件和索引文件效果非常高；其設計在保證較高效率的同時所占用內存也較小；此外，Nginx不僅穩定性高，而且配置簡潔。而uWSGI做為一款優秀的Python應用服務器，更擅長處理動態請求。故從安全性和可擴展性方面來講，使用Nginx+uWSGI是最佳方式。

其中Nginx服務器通過修改Nginx配置文件實現https訪問和反向代理，它可根據服務器的負載情況將請求分配給不同的服務器進行處理，且在響應處理過程中，客戶端無法得知真正服務器的IP地址，保證了服務器性能和安全。

uWSGI服務器實現uwsgi協議和WSGI協議，分別定義了傳輸信息的類型和保證了不同Web服務器可以和不同的Python程序之間相互通信。在WSGI中，Web服務器端被稱為server，會先收到用戶請求，依據一定的規范要求調用應用程序端，即Web框架(如Flask)，執行結果會被封裝并返回到客戶端。

2.2.2 Flask框架

Flask 是一個輕量級Python Web 框架，因其簡潔、輕巧、擴展性強等優勢大受歡迎[19-20]，由兩個依賴(Werkzeug和Jinja2)和第三方庫組成。Flask性能上基本滿足一般Web開發的需求, 并且靈活性以及可擴展性上要優于其他Web框架, 對各種數據庫的契合度都非常高。

主要功能：接受并處理小程序傳來的數據；部署裂縫檢測算法模型；編寫POST類型請求的API；存儲裂縫檢測前后圖像及裂縫數據。

表1展示了Flask程序文件的目錄結構。

表1 Flask程序文件目錄結構

2.3 裂縫檢測模型

輸入圖像以后，首先使用卷積神經網絡對圖像進行分類，判斷是否存在裂縫目標。對存在裂縫的圖像進行預處理，再使用語義分割網絡進行圖像分割，提取裂縫區域。最后使用傳統的圖像處理算法提取裂縫的像素數據。根據鏡頭數據與測量距離計算像素解析度，將像素數據與像素解析度相乘，便可以得到實際的裂縫數據。

裂縫檢測流程如圖5所示。

圖5 裂縫圖像處理流程

2.3.1 圖像采集及像素解析度計算

使用長焦鏡頭采集圖像，使用激光測距儀測出相機與裂縫區域的距離。

根據透鏡成像原理，有：

(1)

(2)

式中，L為物距；f為鏡頭焦距。設A為目標實際尺寸，即裂縫實際物理尺寸，A′為成像尺寸，則有：

(3)

(4)

代入得：

(5)

成像尺寸A′為：

(6)

得到像素解析度為：

(7)

式中，A″為成像的像素數；d為圖像傳感器長邊物理尺寸;D為圖片傳感器長邊像素數。

相機成像表面與裂縫表面若存在夾角θ，需要測出這個夾角，從而對像素解析度進行修正。李清鑫等提出了一種測θ角的方法[21]，使用三點激光測距儀，利用三束激光之間的幾何關系計算得到θ角。

修正后的像素解度：

(8)

θ為成像平面與裂縫表面的夾角。

2.3.2 圖像分類

2019年谷歌研究出了一種卷積神經網絡模型—EfficientNet[22]。這個網絡模型創新地使用一個簡單而高效的復合系數從網絡深度、網絡寬度和輸入圖像分辨率三個維度來放大網絡，網絡精度更高，參數量更少。

本文使用EfficientNet-B0作為圖像分類網絡。EfficientNet-B0包含16個移動翻轉瓶頸卷積模塊(MBConv)、2個卷積層、1個全局平均池化層以及1個分類層[23]。與ResNet-50相比，該網絡速度提升了將近十倍，網絡參數僅有其大約五分之一。通過該圖像分類網絡，可以對輸入的圖片進行有效分類，判斷是否存在裂縫。

2.3.3 圖像預處理

對輸入的裂縫圖像進行預處理，步驟主要有三步：圖像灰度化、圖像對比度增強、圖像濾波去噪[24]。

鏡頭采集得到的圖片是三通道的RGB圖像，需要通過灰度化將三通道變為單通道。本文使用加權均值平均值算法進行灰度化，公式如下所示：

f(x,y)=WRR(x,y)+WGG(x,y)+WBB(x,y)

(9)

式中，f(x,y)是灰度圖像素值，R(x,y)，G(x,y)，B(x,y)分別為彩色圖像中的紅、綠、藍三種顏色通道中的像素分量,WR、WG、WB為R(x,y)，G(x,y)，B(x,y)的權值。權值選擇以人眼對色彩的敏感性為根據，實驗表明，當WR=0.299、WG=587、WB=0.114時，能獲得最符合人眼視覺感受的灰度圖圖像[25]。

采集到的圖像需要提高其對比度，以便表現圖像的細節。本文使用伽馬校正的方法增強對比度，通過對圖像像素值的非線性變換，可以放大局部低光區域，放大圖像細節。其數學表達式如下：

LOUT=I1/gamma

(10)

LOUT是輸出圖像，I是輸入圖像，gamma為伽馬指數[26]。

本文通過實驗，發現gamma指數小于1時，圖像對比度增強，gamma指數大于1時，圖像對比度減弱。同時，當gamma指數較低時，如gamma=0.1，圖像對比度較高，但同樣存在加強了背景噪聲的問題。通過對多張圖像進行對比度增強，發現在gamma從0.1逐漸增大至1.0的過程中，對比度增強的力度逐漸減弱，當gamma=0.6時，對比度較高，而噪聲目標未明顯增強，矯正效果最為理想。因此，本文中伽馬指數取0.6。

對比度增強后的圖像有各種噪聲包括椒鹽噪聲和高斯噪聲。使用中值濾波去除椒鹽噪聲，使用雙邊濾波去除高斯噪聲。中值濾波的公式如下：

f(x,y)=Med{h(m-p,m-q),(p,q∈M)}

(11)

式中，f(x,y)表示輸出像素,取鄰域內像素像素灰度的中值；h(m,n)表示原始圖像中心位置像素點的灰度值；m表示鄰域窗口的大小；h(k-p,l-q)就是各個像素點的灰度值。

雙邊濾波的輸出像素值是鄰域像素值的加權和，其加權系數有兩部分，一部分是高斯距離權重，另一部分是高斯相似度權重，公式分別如下：

c(ξ,x)=e-1/2(d(ξ,x)/σd)2

(12)

s(ξ,x)=e-1/2(σ(f(),f(x))/σr)2

(13)

融合距離和亮度信息去濾波，得到最后的公式如下所示：

h(x)=k-1∑f(ξ)c(ξ,x)s(ξ,x)

(14)

其中：k(x)=∑c(ξ,x)s(ξ,x),∑表示用于濾波的鄰域矩陣的大小，f(ξ)表示原始像素點，圖像預處理前后效果對比如圖6所示。

圖6 圖像預處理前后效果對比圖

使用雙邊濾波的好處是在去除了噪聲的同時保護了邊緣，有利于裂縫區域的分割。

2.3.4 圖像分割

本文使用SegNet[27]語義分割網絡進行圖像分割，如圖7所示。

圖7 SegNet網絡分割效果

SegNet包含編碼(encoder)和解碼(decoder)兩個部分。在編碼器中，包含了 VGG16 中的 13 個卷積層.同時編碼器中存在5個最大池化層，其下采樣操作可以縮小圖像。同時存儲池化操作中最大值的索引位置。在解碼器中進行上采樣操作。解碼器中也有 13 個卷積層。與編碼器不同，解碼器中有 5 個上采樣層，用于將特征圖還原至原來的大小。上采樣操作采用轉置卷積的方式。解碼器后是一個softmax分類層,接收最后一個卷積層的輸出，對每個像素獨立分類，輸出有K個通道，每個通道代表一個類別。最終實現圖像語義分割。

2.3.5 裂縫特征提取

通過圖像分割得到裂縫區域后，將圖像轉化為二值圖像，圖像中，白色區域就是裂縫區域。

圖像分割可能會使連續的裂縫邊緣發生斷裂，使用形態學運算中的閉運算對這些裂縫邊緣進行連接，并使用開運算去除毛刺。

同時，二值圖像中可能存在一些噪聲，要想提取出完整的裂縫特征還需要對圖像進行濾波。利用裂縫的圓度較低，面積較噪聲大的特點對噪聲進行了濾除。

由于裂縫區域連通性較好，連通域面積較大，而噪聲區域多為孤立點，面積較小，可以設立一個閾值，將低于此閾值的連通域視為噪聲區域，從而進行初步去噪。然后利用連通域的圓度大小進行進一步去噪。

圓度用于描述區域接近圓形的程度，如果區域越接近圓形，則它的圓度越接近于1。

本文采用Halcon中關于圓度的定義來計算圓度，計算公式如下：

(15)

C為圓度，F為區域面積，max為區域中心點到輪廓點的最大值。

噪聲點的圓度一般較大，裂縫區域的圓度一般較小，通過對多張裂縫圖片進行去噪處理發現，將圓度大于0.1的白色連通域視為噪聲進行濾除后，可以比較完整地提取出裂縫區域，提取效果如圖8所示。

圖8 裂縫特征提取效果

2.3.6 裂縫參數計算

經過特征提取之后，所得白色連通域便是裂縫區域。統計所有像素值為255的像素點的個數，便可以得到裂縫的像素面積。通過中軸變換算法，得到裂縫骨架，即一條只有一個像素點寬的直線，統計這條直線的像素點的個數便可以得到裂縫的像素長度。同時，中軸變換過程中還會返回中軸線上的所有點與中間點的距離，可以利用此距離得到裂縫寬度的像素寬度。將以上數據乘以像素解析度便可以得到實際的裂縫數據。

3 實驗結果與分析

3.1 圖像分類實驗

3.1.1 數據預處理

數據集Concrete Crack Images for Classification中含有20 000張帶有裂縫的圖像和20 000張不帶有裂縫的圖像，每張圖像的大小為227×227，是裂縫檢測相關研究中使用較為廣泛的數據集。從此數據集中挑選出1 000張帶有裂縫的圖像和1 000張不帶有裂縫。在數據預處理階段，將數據集中的圖片進行中心裁剪，裁剪至224×224。其中224×224是EfficientNet-B0的標準輸入尺寸[16],同時，由于裂縫一般位于圖像中間，中心裁剪可以減少一部分背景噪聲。之后再通過歸一化、以0.5概率隨機翻轉等操作以增強數據。

3.1.2 模型訓練

網絡模型使用EfficientNet的BO版本，訓練的參數如下表所示，輸入圖像尺寸為224×224，每批數據量為32，學習率為0.001，epoch為100次，動量參數設為0.9，權重衰減為0.000 1。使用SGD優化器和交叉熵損失函數。

在模型訓練過程中，損失函數值隨訓練次數增加而衰減，當訓練至100次時，模型基本收斂，損失函數值約為0.016 72。

3.1.3 實驗指標

本實驗針對圖像分類模型進行評估，衡量分類模型的性能。主要實驗指標:精確率(precision)、召回率(recall)、F值[28]和FPS(frames per second) 指標。計算精確率和召回率時還需使用以下參數：TP(true positives) 表示裂縫樣本被正確分類為裂縫的樣本數，TN(true negatives) 表示非裂縫樣本被正確分類為非裂縫的樣本數，FP(false positives) 表示非裂縫樣本被錯誤分類為裂縫的樣本數，FN(false negatives)表示裂縫樣本被錯誤分類為非裂縫的樣本數。

精確率表示被正確預測為裂縫的圖像占預測為裂縫的圖像的比例，定義如下：

(16)

召回率表示被正確預測為裂縫的圖像占全部裂縫圖像的比例，定義如下:

(17)

F值用于綜合反映整體的指標。定義如下：

(18)

FPS表示每秒處理的圖片數，用于衡量檢測算法的檢測速度。

3.1.4 測試結果

使用算法模型對250張帶有裂縫的圖像和250張不帶有裂縫的圖像進行測試測試結果如表2所示。

表2 分類網測試結果

實驗結果表明圖像分類模型精確率和召回率均比較高，算法模型精度較高，且每秒可以處理將近5張圖片，可以滿足實時分類的需求。

3.2 圖像分割實驗

3.2.1 數據預處理

同樣從數據集Concrete Crack Images for Classification數據集中挑選出1 000張帶有裂縫的圖像，使用labelme工具標注出圖像中的裂縫區域。

3.2.2 模型訓練

訓練的參數如表3所示，輸入圖像尺寸為256×256，每批數據量為32，學習率為0.001，epoch為100次，權重衰減為0.000 1。使用Adam優化器和二值交叉熵損失函數。

表3 分割網MIoU值

在模型訓練過程中，損失函數值隨訓練次數增加而衰減，當訓練至100次時，模型基本收斂，損失函數值約為0.043 24。

3.2.3 實驗指標

平均交并比MIoU值是一個衡量圖像分割精度的重要指標，定義是預測值和真實值的交集與并集之比的平均值。MIoU越接近于 1，說明分割模型分割效果越精確。計算公式如下：

(19)

其中:P表示預測值，G表示真實值，K表示總類別個數。

3.2.4 測試結果

對測試集的500張裂縫圖像使用labelme標注出裂縫區域，并將它們分為5組，分別使用使用分割網模型對另外進行分割，計算平均交并比MIoU。

如表3所示，測試集的MIoU穩定在89.20%左右，裂縫分割效果較好。

3.3 裂縫處理實驗

3.3.1 長度計算實驗

本文使用NikonD7500相機拍攝裂縫圖像，其CMOS傳感器的尺寸為23.5 mm×15.7 mm，鏡頭焦距范圍為18～140 mm，拍攝的照片尺寸均為5 568×3 712。拍攝時，保持成像平面與裂縫表面平行，測量拍攝時的物距并記錄焦距。

同時，對于這種尺寸較大的圖像，本文先將圖像縮小至原來的十分之一，圖像通過算法模型后，再將數據包括數值與圖像放大至10倍，從而加快圖像處理過程，并得到與原圖直接處理相一致的數據。其中，縮小和放大圖像時，插值方法選擇OpenCV中的基于像素區域關系的插值算法(INTER_AREA)，這種方法可以避免產生波紋現象，插值效果較好。實驗數據如表4所示。

表4 裂縫長度計算 mm

計算的長度與實際長度的相對誤差平均值為7.83%，分析誤差產生的原因，一個主要原因是在提取裂縫骨架時會出現許多分叉，而在實際測量時，測量的是主骨架的長度，不包括分叉，如圖9所示，因而產生了誤差。

圖9 長度計算實驗

3.3.2 遠距離裂縫區域提取

使用同樣的相機對遠距離的建筑物表面裂縫進行處理，提取裂縫區域。處理結果如圖10所示。

圖10 提取裂縫區域

拍攝時，物距保持在10～20 m。經過處理后，可以較為完整地從圖像中提取出裂縫區域。遠距離裂縫圖像處理的精度受圖像采集設備的影響更大，使用焦距更高、性能更優的采集設備可以采集到成像質量更高的圖像，有利于提取裂縫區域與計算數據。

3.3.3 智能平臺效果展示

在“程序首頁”界面能夠直觀地了解本小程序的所能實現的功能，在“建議反饋”界面用戶可以上傳自己的建議到微信小程序自帶的云數據庫，在“開始檢測”界面用戶能夠上傳圖片進行裂縫檢測，最后“檢測結果”界面展示所檢測到裂縫的形狀以及相關參數。如圖11所示。

圖11 智能平臺效果展示

4 結束語

本文針對目前市場緊缺大型建筑物遠距離裂縫檢測智能儀器的現狀，開發了基于微信小程序和Python Flask的智能檢測平臺，通過對裂縫特征的提取，得到裂縫圖像以及其長度、面積等相關信息，之后依據相關標準對其進行綜合評價，從而實現對大型建筑物健康狀況的評估，在一定程度上規避了較大安全隱患。同時，以微信小程序為依托進行人機交互，在保證高檢測精度、高工作效率的同時提高了該檢測平臺的智能化和市場競爭力。

通過對本項目程序進行的實驗，可以看出由移動端與部署了裂縫檢測算法的云服務器搭建的裂縫檢測智能平臺能夠以較高的精度實現對大型建筑物裂縫的檢測，并達到了以下效果。

1)簡便快速:基于微信小程序搭建的智能平臺無需下載，使用移動設備即可登錄微信訪問，用戶上傳圖片即可進行檢測。

2)效率高:微信小程序可以直接訪問用戶相冊，并且由于算法質量高使得檢測時間短，用戶檢測一張裂縫圖后可以很快速地檢測下一張。

3)高精度:云服務器可實時檢測，并同步進行圖像處理算法模型的在線訓練，不斷提高檢測的精度，以適應更加復雜的應用場景。

4)云數據庫存儲:調用微信小程序自帶的云數據庫可以實現對用戶檢測圖片的儲存以及收集用戶反饋信息。

5)實現長期裂縫數據跟蹤儲存:云服務器存儲空間可無限擴容，因此通過云服務器可存儲不同時期裂縫檢測的數據，形成連貫裂縫跟蹤，便于觀察裂縫是否繼續擴大、擴大的速度是怎樣的，從而更好預測什么時候該對裂縫進行處理。

同時，未來還將進一步完善算法，并不局限于微信小程序，擴展平臺類型如APP、網站等。當前，工程方面對遠距離的，能夠實時檢測的、高精度的檢測設備的需求較大，這樣的設備能夠滿足對社會上建筑測量智能化的需求，本研究對于建筑物裂縫智能化檢測、鑒定、評估工作具有重大意義。