《Expert Systems with Applications》：HACNet V2: Rethinking the full-resolution architecture for pixel-level crack detection
編輯推薦：
在基礎設施健康監測中，準確高效的像素級裂縫檢測至關重要。研究人員針對傳統編碼器 - 解碼器架構的不足，開展 HACNetV2 研究。結果顯示其在多方面優于近期模型，還支持實時推理。這為裂縫檢測提供了更優方案。
在基礎設施領域，隧道、橋梁、道路等工程如雨后春筍般不斷涌現，它們的安全與人們的生活息息相關。然而，這些結構在長期使用過程中，不可避免地會出現各種缺陷，其中裂縫是最為常見的一種。想象一下，一條看似不起眼的裂縫，如果不能及時發現和處理，隨著時間的推移，可能會逐漸擴大，最終威脅到整個結構的安全，就像一顆隱藏的定時炸彈。傳統的人工檢測裂縫方式，不僅耗費大量的人力和時間，而且對于一些細微的裂縫，很容易遺漏。
隨著科技的發展，基于數字相機的檢測系統應運而生，它憑借成本低、部署靈活等優勢受到廣泛關注。但要實現精準的像素級裂縫檢測，仍然困難重重。不同材料表面的裂縫特征差異很大，比如混凝土、瀝青和鋼材上的裂縫就各有特點；光照條件的變化，像陰影、反射和眩光等，也會讓裂縫的檢測變得更加復雜，還容易出現誤判或漏判的情況。同時，檢測出的裂縫尺寸必須符合工程標準，這無疑又增加了檢測的難度。
在這樣的背景下，深度學習技術的興起給裂縫檢測帶來了新的希望。卷積神經網絡（CNN）被廣泛應用于裂縫分割領域。早期的 CNN 方法多基于補丁分類，之后發展出了端到端的編碼器 - 解碼器架構。不過，傳統的編碼器 - 解碼器架構在處理細微、低對比度的裂縫時，容易出現分割錯誤，因為編碼階段會損失空間分辨率，即便采用一些技術手段，在解碼時也難以完全恢復這些信息。為了提高檢測精度，一些研究嘗試采用更深的 CNN 架構或復雜的多尺度方法，但這又導致模型變得龐大復雜，在實際應用中，尤其是在資源受限的測量儀器上部署時面臨困難。
為了解決這些問題，研究人員開展了關于 HACNetV2 的研究。該研究由未知研究機構的研究人員進行，最終取得了令人矚目的成果。HACNetV2 在公共 BCL 和 CHCrack5K 基準數據集上表現卓越，優于近期的模型，在保持僅 0.52M 參數的輕量級結構的同時，獲得了更高的平均交并比（mIoU）和 F1 分數，并且支持實時推理，能以 47 幀每秒（FPS）的速度處理 480×480 的圖像。這一成果對于基礎設施健康監測意義重大，它為像素級裂縫檢測提供了一種高效、精準且實用的解決方案，大大提高了裂縫檢測的準確性和效率，有助于及時發現潛在的安全隱患，保障基礎設施的安全運行。該研究成果發表在《Expert Systems with Applications》上。
研究人員在開展這項研究時，運用了多種關鍵技術方法。首先，采用了一種雙分支結構，將全分辨率和高分辨率處理相結合，在保證空間細節的同時降低計算負擔。其次，提出了混合空洞空間金字塔注意力模塊（HybridASPA），在擴大感受野的同時降低計算復雜度；還設計了裂縫感知注意力模塊（CrackAM），增強對細微和復雜裂縫特征的敏感度。通過這些技術，有效提升了模型的性能。
研究結果
- HACNetV2 架構設計：HACNetV2 采用雙分支結構，整合全分辨率和高分辨率處理，避免了傳統架構中因下采樣導致的空間分辨率損失，能更好地保留裂縫的空間細節，為精準檢測提供基礎。
- 關鍵模塊的作用：HybridASPA 模塊通過整合 CrackAM，實現了高效的多尺度特征聚合，在擴大感受野的同時降低計算復雜度。CrackAM 模塊利用通道注意力機制，對不同通道的特征響應進行重新校準，突出細微和細長的裂縫細節，提升了模型對裂縫特征的捕捉能力。
- 模型性能評估：在 BCL 和 CHCrack5K 基準數據集上進行實驗，HACNetV2 的 mIoU 和 F1 分數表現出色，優于其他模型。同時，該模型參數少，結構輕量，計算成本低，還具備實時推理能力，能快速處理圖像，滿足實際應用需求。
- 數據集的構建：研究人員整合 11 個高質量的公開數據集，構建了大規模的 CHCrack5K 裂縫檢測基準數據集。這個數據集包含 5014 個帶標簽的圖像樣本，涵蓋了多種材料、裂縫結構和光照條件，為模型訓練和評估提供了更豐富、更具挑戰性的數據，有助于提高模型的泛化能力。
研究結論和討論
HACNetV2 作為一種可擴展且高效的高分辨率架構，為像素級裂縫檢測帶來了新的突破。它在不依賴下采樣和上采樣的情況下，實現了計算效率和分割性能的良好平衡。通過引入 CrackAM 和 HybridASPA 等創新模塊，有效提升了模型對裂縫特征的表示能力，使其在不同場景下都能準確檢測裂縫。同時，CHCrack5K 數據集的構建，為裂縫檢測領域提供了更具代表性的研究資源，推動了相關研究的發展。
從更廣泛的角度來看，HACNetV2 的成功應用，不僅為基礎設施健康監測中的裂縫檢測提供了可靠的技術支持，也為其他類似的圖像檢測任務提供了新思路和方法。未來，隨著技術的不斷進步和研究的深入，有望進一步優化模型性能，提高檢測精度，拓展應用場景，為保障基礎設施的安全和可持續發展做出更大的貢獻。
