WP-CrackNet：基于对抗互学习的弱监督路面裂缝像素级检测新方法

本文推荐一种创新性弱监督路面裂缝检测方法WP-CrackNet，该框架通过分类器（生成CAM）、重建器（评估特征可推理性）与检测器的对抗互学习，仅需图像级标签即可实现像素级裂缝定位。所设计路径感知注意力模块（PAAM）与中心增强CAM一致性模块（CECCM）显著提升检测精度，在三个自建数据集上达到媲美全监督方法的性能，为智慧基础设施运维提供重要技术支撑。

　　

亮点

• 我们提出WP-CrackNet，一种仅使用图像级标签进行训练的端到端弱监督像素级裂缝检测新方法。

• 采用三组件对抗互学习策略，显著提升学习稳定性与裂缝检测性能。

• 设计路径感知注意力模块（PAAM），有效融合高层语义信息与低层结构特征；提出中心增强CAM一致性模块（CECCM），通过高斯加权与一致性约束优化伪标签生成。

• 在三个自建数据集上验证表明，WP-CrackNet性能媲美全监督方法，并优于现有弱监督方法。

基于深度学习的路面裂缝检测方法

基于卷积神经网络（CNN）和Transformer的全监督方法已被广泛应用于路面裂缝检测，采用全卷积网络（FCN）、SegNet、Deeplab、U-Net等架构。其中Zou等人提出Deepcrack，通过融合SegNet多尺度特征获取层次化细节，实现精准像素级裂缝检测；Yang等人则提出基于特征金字塔的分层增强网络（HBN），通过级联特征细化模块提升裂缝边界识别能力。

架构总览

设道路图像训练集为$$，裂缝图像训练集为$$，其中$$代表非裂缝类别标签，$$代表裂缝类别标签。WP-CrackNet整体架构如图2所示，包含分类器$$、重建器$$与检测器$$。分类器通过图像级监督生成裂缝类激活图（CAM），突出裂缝区域；重建器通过特征重构能力评估增强结构感知；检测器则基于后处理CAM生成的伪标签进行像素级预测。三组件通过对抗训练形成闭环优化。

数据集

Crack500数据集包含$$张高分辨率道路图像（$$像素），均带有像素级标注。每张图像被分割为$$个非重叠区域，保留裂缝像素占比超过$$的区域，最终得到$$张训练集、$$张验证集和$$张测试集图像。该数据集涵盖四种裂缝类型，并包含阴影、遮挡、光照变化等挑战场景。全监督方法训练时所有图像统一缩放至$$像素。

结论

本文提出WP-CrackNet这一创新性弱监督路面裂缝检测方法，通过利用图像级标签显著降低对像素级标注的依赖，极大提升道路检测的可扩展性。该方法通过分类器与重建器的对抗学习优化CAM覆盖完整性，结合路径感知注意力模块（PAAM）与中心增强CAM一致性模块（CECCM）实现精准伪标签生成，为大规模基础设施智能巡检提供有效解决方案。