无人机 RGB+热红外融合检测建筑裂缝与渗漏，34 层高楼约 2 小时

导读

住宅建筑的外立面检测传统上依赖人工——爬脚手架、挂绳索、拿检测仪逐面墙检查。一栋 34 层高楼，人工检测需要 2-3 天，覆盖率只有 40-60%，而且肉眼看不到墙体内部的渗漏。

深圳大学团队提出了一套无人机 RGB+热红外双模态检测方案：用 DJI Mavic 3 Thermal 无人机同时拍摄可见光和热红外图像，可见光用于检测裂缝，热红外用于检测渗漏（水分蒸发导致的温度异常）。在深圳三个住宅小区的实测中，裂缝检测 mIoU 达到 87.86%，渗漏检测 mIoU 达到 79.05%。一栋 34 层高楼的完整外立面检测约 2 小时完成，覆盖率  ≥95% 。

论文信息

• 标题：UAV and Deep Learning for Automated Detection and Visualization of Façade Defects in Existing Residential Buildings
• 作者：Yue Fan, Jinghua Mai, Fei Xue（通讯）, Stephen Siu Yu Lau, San Jiang, Yiqi Tao（通讯）, Xiaoxing Zhang, Wing Chi Tsang
• 机构：深圳大学（亚热带建筑与城市科学国家重点实验室、广东省城市信息学重点实验室）；香港大学建筑学院；香港都会大学；深圳物策地理信息技术有限公司

一、为什么需要两种模态？

建筑外立面有两类主要缺陷，单一模态各有盲区：

• 可见光能看到裂缝的几何形状（宽度、走向、分支），但看不到墙体内部的渗漏——水分可能已经渗入保温层但表面无明显痕迹
• 热红外能检测到渗漏区域的温度异常（蒸发冷却效应），但空间分辨率仅 640×512 像素，无法分辨细小裂缝

两种模态互补：RGB 负责裂缝，热红外负责渗漏。

图片

图片

图片来源于原论文

二、三阶段检测流水线

图片

图片来源于原论文

阶段一：墙体提取

用 SegFormer从无人机拍摄的图像中提取建筑墙体区域，排除天空、地面、植被等背景干扰。在 WHU 墙体数据集（900 张标注图像）上微调。

阶段二：裂缝检测（RGB）

对提取的墙体区域，用 K-Net + UPerNet做语义分割检测裂缝。采用滑动窗口策略——将高分辨率外立面图像切割为与训练分辨率匹配的小块，逐块检测后拼接。

训练数据：1,892 张公开裂缝数据集图像。

阶段三：渗漏检测（热红外）

同样用 K-Net + UPerNet对热红外图像做语义分割检测温度异常区域。标注数据经过可见光图像中的渗水痕迹/泛碱现象交叉验证。

训练数据：340 张自建热红外标注图像。

双模态配准与 3D 可视化

可见光和热红外图像通过单应性矩阵（手动选择 4 个以上匹配点）配准到统一坐标系。

论文的另一个重要环节是将检测结果映射到 3D 建筑模型上。整个数据采集分两步：第一步是粗略倾斜摄影（30m 高度拍摄，用于 SfM 三维重建获取建筑外轮廓和几何信息），第二步才是精细近距拍摄（5-25m，用于缺陷检测）。粗略阶段重建的 3D 模型作为载体，精细阶段检测到的缺陷通过坐标转换（WGS84 → UTM → ENU）映射到模型上，最终在 Grasshopper/Rhino 中实现参数化可视化——每处缺陷都有精确的三维坐标和面积。

三、硬件与飞行方案

无人机平台（规格来自 DJI 官方）

飞行参数建议

关键约束：拍摄距离超过 30m后，裂缝检测和低温差渗漏检测性能明显下降。

四、实验结果：深圳三个住宅小区实测

训练配置

检测精度

与传统方法对比

无人机方案在效率、覆盖率和人工参与度上大幅领先，但裂缝宽度测量精度（±1cm）远低于传统裂缝计（±0.1mm）——适合大面积筛查，不替代精密测量。

实测案例

在深圳三个住宅小区部署：

在深南花园识别出 4 处渗漏缺陷，面积分别为 0.16、0.25、0.47、0.92 m²，并在 3D 模型中定位了精确坐标。

图片

图片来源于原论文

五、总结与思考

这篇论文展示了一套完整的无人机双模态建筑外立面检测方案，从飞行规划到缺陷检测到 3D 可视化：

• 双模态互补：RGB 检测裂缝（mIoU 87.86%），热红外检测渗漏（mIoU 79.05%）
• 效率提升：单栋高楼从 2-3 天缩短到约 2 小时，覆盖率从 40-60% 提升到 ≥95%
• 定位为筛查工具：论文明确将方案定位为"第一阶段筛查"，识别重点区域后再做精密检测

值得注意的几点：

1. 只覆盖两类缺陷：裂缝和渗漏。建筑外立面还有脱落、空鼓、保温层损坏等缺陷类型未涉及
2. 热红外标注数据量有限：仅 340 张标注图像训练渗漏检测模型，泛化到更多建筑类型和场景需要更多数据验证
3. 环境因素敏感：热红外检测受立面朝向、材质、天气影响大。论文实测在深圳（亚热带气候），在北方寒冷气候下的热对比度特性可能不同
4. 双模态配准是手动的：需要人工选择 4 个以上匹配点做单应性配准，这限制了全自动化部署
5. 精度 vs 效率的定位清晰：论文没有声称替代传统精密检测，而是定位为大面积筛查工具——这个定位务实且合理