《ADVANCED ENGINEERING INFORMATICS》：Research on structural line shape recognition and deformation feature extraction based on large visual segmentation models
编辑推荐：
结构健康监测中提出SAM-SLD框架，集成多模块提升结构线条形状的自动化识别与量化能力，实验验证其在低光、高噪声及复杂场景下表现优异，混凝土梁检测IoU达0.9931，应用案例显示误差低于3.02%及0.18毫米。
徐刚|张英水|岳青瑞|刘晓刚
北京科技大学未来城市学院城市化与城市安全研究所，北京100083，中国
摘要
本研究提出了SAM-SLD，这是一种用于快速精确识别结构线形的新框架。在SAM架构的基础上，它整合了多个专用模块，包括点坐标可视化提取、图像融合、基于前景的掩膜提取、目标图像提取、基于GAN的超分辨率技术、滑动裁剪策略以及先进的掩膜边缘轮廓提取，以提高自动化程度、鲁棒性和适应性。实验结果表明，SAM-SLD模型能够在复杂环境中准确可靠地识别和量化结构线形。在混凝土梁的测试中，其交并比（IoU）达到了0.9931，在低光照和高噪声条件下仍保持了高精度。应用实例进一步显示，混凝土板监测结果与测量数据高度吻合，最大跨中变形误差仅为3.02%。对于波浪形锚的检测，最大误差仅为0.18毫米，相对误差为0.83%。这些发现证实了该模型在实际工程场景中的高精度、强鲁棒性和广泛适用性。
引言
结构线形的识别和变形特征的提取在结构健康监测中至关重要，直接影响工程结构的安全性和可靠性。随着城市化进程的加快和基础设施的扩展，现有建筑、桥梁等结构面临着来自复杂服务环境和日益增加的性能要求的前所未有的挑战。在长期使用过程中，建筑和结构不可避免地会发生塑性变形和损伤，这些是结构性能退化的关键指标[1]。因此，及时准确地提取结构线形和变形特征对于评估结构健康状况和预测安全性至关重要。
传统的检测方法，如固定点的总站测量或使用传感器的局部物理测量[2,3]，虽然在特定情况下能提供有限的数据支持，但在应用于大规模、复杂且需要频繁监测的结构时，常常面临成本高、效率低和精度不足的问题。环境因素、操作误差和设备限制进一步阻碍了这些方法满足现代建筑和基础设施健康监测的需求。此外，传统方法通常只关注单点测量，忽略了结构的整体完整性和复杂性。然而，许多工程项目，尤其是像桥梁这样的大型基础设施，其变形是全局性的且逐渐发生的，受到多种因素的影响。这就需要能够覆盖整个结构并提供连续、高精度数据的监测技术，以评估结构性能的退化，而不仅仅是依赖孤立的单点数据。
计算机硬件和智能算法的快速发展，特别是大规模视觉分割模型的出现[4]，使得基于机器视觉的方法能够高精度和全局覆盖地捕获和分析整个结构中的变形数据。这种方法不仅克服了传统检测方法的局限性，还显著提高了结构健康管理的准确性和效率，为建筑和基础设施的长期监测提供了强有力的技术支持。
相关研究
在结构线形识别和变形特征提取的研究中，图像处理、深度学习和3D激光扫描技术是最广泛使用的方法。以下部分对这些领域的当前研究进行了详细概述。
(1)图像处理技术
图像处理技术是最早也是最基础的结构线形识别和变形特征提取方法之一。早期的研究主要集中在
方法论
本文提出了一种名为SAM-SLD（Segment Anything Model–Structural Line Detection）的新框架，专门用于快速精确地识别和量化结构线形。与传统的分割方法不同，SAM-SLD将多种互补技术整合到一个统一的、端到端的自动化流程中，从而提高了分析复杂结构场景的准确性和效率。
像素单位转换
为了建立结构线形图像的像素尺寸与实际物理尺寸之间的比例关系，本文提出了一种使用校准板的像素转换方法。具体步骤如下：
首先，固定成像设备并调整焦距以捕获结构线形图像。然后，在被测结构的表面上放置一个包含四个圆形目标的校准板。这些目标均匀分布
结果与讨论
本节通过几个代表性案例研究了将SAM-SLD模型应用于结构线形检测的可行性：在复杂环境条件下对线形识别的鲁棒性分析、监测工程实践中常见的混凝土弯曲构件的线形，以及检测几何形状不规则的波浪形锚的线形。此外，还从多个方面评估了基于SAM-SLD的检测方法的性能
结论
本研究提出了SAM-SLD，这是一种用于快速精确识别和量化结构线形的新框架。该框架在SAM架构的基础上，整合了一系列专用模块，包括点坐标可视化提取、图像融合、基于前景的目标掩膜提取、目标图像提取、基于GAN的超分辨率处理、滑动裁剪策略以及先进的掩膜边缘轮廓提取。这些创新共同
作者贡献声明
徐刚：撰写 – 审稿与编辑、撰写 – 原稿撰写、可视化、软件开发、方法论设计、数据分析、概念构建。张英水：可视化、软件开发、数据分析、形式化分析、数据管理。岳青瑞：撰写 – 原稿撰写、项目监督、方法论设计、资金获取、概念构建。刘晓刚：撰写 – 审稿与编辑、撰写 – 原稿撰写、项目监督、方法论设计、资金获取，
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。
致谢
本工作得到了国家重点研发计划（项目编号：2024YFC3015200）和国家自然科学基金（项目编号：52192663、52192662）的支持。
