结构健康监测领域中，桥梁等结构表面裂缝的自动检测对保障结构完整性至关重要。传统有监督深度学习模型虽可预测裂缝尺寸与位置，但高度依赖海量精准标注数据，这一过程不仅耗时费力，在特定场景下也不具备可行性。更为关键的是，此类模型在面对全新或复杂数据集时，泛化能力与鲁棒性均较为有限。来自悉尼科技大学、西悉尼大学等机构的研究者们重点探究自监督模型DinoV2在裂缝检测应用中的潜力，尤其聚焦其作为高性能视觉特征提取器的能力。通过利用DinoV2提取图像中裂缝形态的纹理、形状、上下文等关键视觉特征，验证了该模型在无标注数据支撑的情况下，仍可高效实现裂缝检测。 研究搭配线性分类头，评估了DinoV2在多种复杂背景下识别裂缝的效果，并与多款主流有监督学习模型展开对比。实验结果表明，DinoV2不仅提升了裂缝检测性能（尤其在处理无标注图像时），在高噪声、不同材质纹理等复杂场景中更展现出显著优势。本研究凸显了自监督模型在解决实际工程问题中的应用价值，为未来结构健康监测技术的发展提供了全新思路。相关成果已发表于《机器智能研究（英文）》2026年第1期中，全文开放获取。http://t.cn/AXML7fc7 #机器学习[超话]##人工智能[超话]##自监督模型##视觉特征提取器#