关键词:
RustNet
图像处理
腐蚀检测
多层注意力网络
骨架化
摘要:
腐蚀对钢结构基础设施的结构完整性构成了严重威胁,维护成本由劳动密集型的视觉检查推动,但这些检查缺乏一致性和精确性。为了应对这一挑战,本论文提出了一种统一的深度学习框架RustNet,旨在通过两个相互关联的研究,自动化地检测和量化不同类型的腐蚀。第一个研究聚焦于一般性腐蚀,第二个研究则针对细丝状腐蚀(FFC)―一种复杂的、线状的退化模式,传统检查方法难以检测。通过这两个研究,本论文将RustNet确立为一种多用途、高精度的解决方案,用于基础设施的主动维护。
RustNet架构结合了特征编码器-解码器结构和专门的多层注意力网络(MAN)。编码器采用卷积层和下采样生成多尺度空间特征,而解码器通过三个堆叠的残差块重建高分辨率的分割掩码。MAN模块通过优先关注纹理、色差和形态不规则性,隔离腐蚀特定模式,从而在不同光照条件下实现稳健的表现。对于一般性腐蚀,后处理结合了基于梯度的边缘检测和超像素关联的分割分析,能够以亚像素分辨率量化锈蚀区域。在一个大规模腐蚀图像数据集上进行验证,该方法实现了98.2%的分割精度,在检测早期锈蚀和动态绘制其空间传播方面优于传统方法。
该框架进一步适应了FFC问题,FFC是一种高风险的腐蚀变种,以细丝状的线程为特征,危害结构稳定性。在此,RustNet通过在专门的FFC数据集上进行定制训练,达到了比U-Net和特征金字塔网络(FPN)高12%的分割精度。检测后,采用一种新型骨架化算法提取细丝状模式的中心轴线,通过几何算法计算其长度,考虑到曲率和分支。这一双阶段的流程不仅量化了FFC的严重性,还识别了易发生断裂的局部应力点。实验结果表明,相比现有模型,计算延迟减少了40%,且对低对比度背景和微尺度细丝变化表现出较强的鲁棒性。
这两种方法在涵盖桥梁、海上平台和工业设施的真实世界数据集上进行了严格验证。对于一般性腐蚀,系统能够适应各种锈蚀形态——从点蚀到均匀表面退化——显示了其可扩展性。对于FFC,通过骨架化和几何分析的集成,提供了首个自动化工具,用于绘制细丝状腐蚀网络,这对于预测故障路径至关重要。两种应用的共同点是RustNet能够将语义分割与可操作的工程度量(如腐蚀面积、传播速率和细丝密度)结合,从而将原始图像数据转化为维护见解。
这项工作的实际意义深远。通过用AI驱动的分析替代主观检查,RustNet降低了生命周期成本,促进了早期干预,并减少了灾难性结构故障的风险。其计算效率和与边缘设备的兼容性为实时现场部署铺平了道路,普及了精确腐蚀监测的应用。未来的研究将集中在联邦学习上,以增强模型的通用性,并结合多光谱成像用于隐蔽腐蚀检测。总之,本论文推动了基础设施维护的范式转变,将AI确立为可持续资产管理的基石。