傅宇浩， 郭 沛， 刘鹏宇， 李瑶瑶， 陈善继， 王聪聪

(1.中咨数据有限公司，北京 100089; 2.空间信息应用与防灾减灾技术交通运输行业研发中心，北京 100089; 3.北京工业大学 信息学部，北京 100124; 4.先进信息网络北京实验室，北京 100124;5.计算智能与智能系统北京市重点实验室，北京 100124; 6.青海民族大学 物理与电子信息工程学院，青海 西宁 810007)

近年来，随着国家基础建设投资、重视程度的增加，我国山区公路里程呈平稳增长。我国山区公路边坡具有数量多、边坡角度陡峭、坡体表面裸露和稳定性差等特征，且坡体内部地质复杂，缝隙发育、稳定性等问题较为突出。在公路网络大规模建设的同时，山区公路在施工和运营中面临着滑坡、泥石流、崩塌等地质灾害的威胁，山区公路边坡稳定性问题将是一个不可忽视的问题。

滑坡的形成需要经历灾害孕育期、灾害成长期和灾害发生期3个阶段,随着灾害的不断累积叠加,最后产生明显的宏观变形,引起山体滑坡。裂缝是山体滑坡等大部分病害的早期症状，故安全监测集中在此阶段进行。当前边坡裂缝检测仍以人工检测为主，个别路段采用现场埋传感器[1]、GIS[2]等方法，但耗费大量人力物力，且检测精度和效率也不突出。

检测图像中的物体是计算机视觉的基本任务之一。近年来，随着深度学习的不断发展，基于深度学习的计算机视觉在目标检测与图像分割领域取得了令人瞩目的进展，计算机视觉方法逐渐应用到裂缝检测领域。本文提出……