基于深度学习的裂纹检测方法具备视觉可解释性，适用于复杂环境中的岩体工程

《Advanced Engineering Informatics》：Deep learning-based crack detection with visual interpretability for rock mass engineering in complex environments

　　摘要
准确检测岩石裂缝是岩体工程结构健康监测的基础。然而，现有的检测方法受到地下裂缝形态的强非线性和多尺度变异性的影响，同时还要应对复杂地下环境的严重干扰。这些方法不仅难以实现高度可靠的裂缝检测，也无法有效提取编码裂缝工程语义的复杂几何特征。为了解决这一挑战，建立了一个专门的地下岩体工程裂缝基准数据集，并系统地评估了九种最先进的对象检测算法，从而为地下裂缝检测任务定义了一个全面的性能基准。为了应对裂缝特征提取的判别能力不足和在复杂地下条件下的识别精度不确定性问题，本研究设计了一个基于动态蛇形卷积的裂缝特征提取模块（CFEM），该模块能够自适应地捕捉具有复杂配置的裂缝几何特征，并将其嵌入YOLOv11-n骨干网络中，开发出专用于地下岩体工程裂缝检测的CMYOLOv11模型。实验结果表明，CMYOLOv11的mAP@50达到了79.37%，比基准YOLOv11-n高出7.46个百分点。t-SNE和UMAP可视化展示了出色的特征聚类性能和显著的类别间分离能力，而Grad-CAM图则证实了更精确的裂缝定位和模型可解释性的提升。最后，通过在两个地下矿井巷道中的现场测试进一步验证了所提出模型的适用性。

引言
广泛的研究和工程实践已经证实，岩体工程结构的不稳定性和失效源于原初裂缝在原位应力下的演变、扩展和汇聚[1]。全球典型的灾难性工程事故，如法国的Malpasset拱坝坍塌[2]和意大利的Vajont山体滑坡[3]，都直接与岩体内部裂缝的逐步扩展有关。作为岩体工程的典型应用场景，地下岩体工程极易受到沿裂缝网络渗透的地下水的影响。这些渗透通道可能会进一步引发水灾并导致支撑结构失效，严重威胁地下岩体工程的长期运行安全[4]。长期的岩体工程现场实践积累了大量关于裂缝检测、形态分析和风险评估的隐性工程知识。然而，这些知识长期以来仅以非结构化的经验形式存在，无法转化为可用于安全评估的定量和逻辑推断的工程知识体系。这种情况带来了双重挑战：一方面，宝贵的工程智慧仅被少数资深工程师掌握，由于人员流动，这些知识面临永久丢失的高风险；另一方面，尽管计算机视觉和深度学习技术凭借其强大的特征提取能力和端到端学习范式有效缓解了传统人工检查的高风险、低效率以及检测质量不一致等问题[5]、[6]、[7]，并在地面工程场景中展示了显著的应用效果和巨大潜力，但它们在地下岩体工程裂缝检测中的大规模应用仍然受到严重限制。从根本上讲，现有方法在复杂地下环境中难以在强烈噪声、遮挡和不均匀照明条件下稳定提取有效的裂缝特征，也无法将这些特征转化为支持工程安全决策的语义信息。为了解决人工检查的固有局限性，图像处理领域的早期努力产生了一系列基于传统图像处理算法的自动裂缝检测技术。代表性方法包括区域生长法[8]、小波变换[9]、改进的Canny边缘检测[10]和基于分形维数的识别方法[11]。此外，Wang等人提出了一种利用表面纹理的低秩特性和缺陷的内在稀疏性先验的无监督表面缺陷检测方法，展示了先验驱动建模在缺陷定位方面的潜力[12]。这些方法在照明均匀和背景简单的控制条件下能够获得可接受的性能。然而，由于它们依赖于手工制作的特征或手动设计的先验，在照明低、噪声高和纹理复杂的恶劣地下环境中表现较差。此外，这些方法主要关注低级视觉线索或像素级别的缺陷定位，而不是工程语义理解。因此，它们无法解释不同裂缝形态和分布所蕴含的工程含义，也无法将检测结果转化为对岩体工程实践的可操作决策支持[13]。

近年来，基于深度学习的对象检测算法，如R-CNN和YOLO系列，在裂缝检测方面取得了显著成果[14]、[15]，显示出比传统图像处理方法更高的准确性和鲁棒性。研究人员提出了多种新的工程裂缝监测模型，包括Mi等人提出的用于远距离道路裂缝检测的DirA-Net（通过方向感知增强模块提升检测性能[16]），Zhu等人构建的轻量级AutoCrackNet（通过U形架构和DPSO驱动的搜索策略实现了卓越的性能[17]），以及Xu等人开发的用于裂缝检测和结构变形监测的多任务框架（实现了混凝土裂缝检测和结构健康评估的同时进行[18]、[19]）。除了单个裂缝检测模型之外，相关研究还逐渐扩展到更高级的工程诊断，包括多源疾病识别、结构性能评估和系统缺陷特征化。Cheng等人开发了一种智能路基疾病识别方法，该方法将多源机械响应数据与基于注意力的iTransformer-LSTM和神经网络分类框架相结合，展示了数据驱动方法在将结构响应信息与工程疾病状态关联方面的潜力[20]。在结构性能和风险评估方面，Di Mucci等人提出了一个整合计算机视觉和概率分析的框架，用于快速评估受腐蚀影响的圆形钢筋混凝土桥墩的地震易损性和风险[21]。在系统缺陷特征化方面，Cardellicchio等人开发了一种结合图像拼接和深度学习的自动化流程，用于识别现有钢筋混凝土桥梁中的裂缝数量和方向，为结构健康评估和运营维护决策提供技术支持[22]。然而，两个关键挑战仍未解决：首先，大多数现有方法主要是为地上岩体工程结构（如大坝和混凝土结构）开发的，在照明低、噪声高和背景杂乱的地下条件下性能严重下降；其次，主流深度学习模型只能学习像素级别的视觉特征，无法建立特征与工程语义之间的映射关系。这一固有限制不仅阻碍了隐性岩体工程知识的显式表示和重用，还使得有效支持实际工程决策变得困难。为了应对这些不足，本研究专注于两个核心研究问题：在复杂地下岩体工程中的高精度裂缝检测，以及隐性工程知识的自动提取和形式化。

构建一个全面的地下岩体工程裂缝检测基准数据集及其相应的评估系统对于推进岩体工程安全监测的智能化发展至关重要。此类基准研究能够系统地评估最先进算法的性能，并为算法优化提供统一的定量标准，同时明确检测模型的特征提取能力与其工程知识提取潜力之间的内在联系。鉴于缺乏专用于地下岩体裂缝检测的标准化基准数据集，本研究建立了一个特定领域的基准数据集，涵盖了典型的复杂地下工作条件，包括低照明和图像模糊以及多样的裂缝形态，作为裂缝检测评估和工程知识提取的统一测试平台。

总之，为了解决上述研究 gap，本研究建立了一个专门的深度学习基准，并开发了一种适用于复杂地下岩体工程环境的专用裂缝检测方法。本研究的主要贡献如下：
- 建立了一个专门的地下岩体工程裂缝检测基准数据集。该数据集系统地整合了两种代表性的退化成像条件（低照明和图像模糊）、四种典型的地下岩体工程背景以及具有多样裂缝形态的丰富样本。在此基础上，系统地评估了九种最先进的对象检测算法，以建立全面的性能基准，并揭示了现有检测方法在复杂地下条件下的适用性和固有局限性。
- 开发了一种名为CMYOLOv11的专用裂缝检测模型，以增强几何形状复杂的裂缝的表示能力。将基于动态蛇形卷积的裂缝特征提取模块（CFEM）嵌入YOLOv11-n骨干网络中，实现了对细长、不规则和高度变化的裂缝结构的自适应特征化，同时提高了模型在地下条件下对抗严重环境干扰的鲁棒性。
- 进行了全面的验证，以评估模型的有效性和实际工程适用性。除了定量性能比较和消融实验外，还使用了t-SNE和UMAP降维方法来分析学习特征的分布特性和可分离性，而Grad-CAM可视化用于评估学习到的注意力是否集中在裂缝相关区域。最后，在两个地下矿井巷道中进行的现场测试进一步证明了所提出方法在代表性实际条件下的适用性，为地下岩体工程中的智能裂缝检测和维护决策提供了技术支持。

本文的其余部分组织如下：第2节概述了所提出的地下岩体工程裂缝基准数据集的获取、注释和构建流程及其质量验证。第3节详细介绍了用于基准评估的评估指标，以及所提出的裂缝特征提取模块（CFEM）和CMYOLOv11模型的架构设计。第4节介绍了系统的基准评估实验和实验结果的深入分析。第5节介绍了所提出模型在实际工程中的应用和现场评估。第6节对研究工作进行了全面讨论并概述了未来的研究方向。第7节总结了本研究的核心结论和关键见解。

**地下岩体工程裂缝数据集**
本节系统地介绍了所提出的地下岩体工程裂缝基准数据集的完整构建流程。使用两种互补方案对数据集进行了多维度质量验证：通过dHash算法[23]进行定量评估，以及基于UMAP[24]和t-SNE[25]的降维可视化。这个标准化的数据集为后续的开发、性能基准测试提供了坚实的基础。

**概述**
本研究旨在为选择有效的地下岩体工程裂缝检测算法提供一个坚实的框架，这些算法对于多项下游工程任务至关重要，包括基于无人机的地下岩体工程检测和地下岩体工程结构的安全状况评估。此外，为了解决传统固定卷积核受限于感受野范围小、无法完全捕捉信息的局限性，本研究旨在建立一个可靠的深度学习模型评估基准。

**比较实验**
本研究旨在为针对地下岩体工程裂缝检测的深度学习模型建立一个可靠的评估基准。基于本研究建立的地下岩体工程裂缝数据集，对主流的最先进对象检测算法进行了性能评估，同时评估了专门为地下岩体工程裂缝检测改进的YOLOv11-n变体CMYOLOv11。实验结果可以...

**工程应用和现场评估**
为了全面验证所提出的CMYOLOv11-i模型的工程泛化能力和跨场景适应性，本研究将模型应用于两个典型的实际任务：在极其复杂的地下工程条件和常规地下工程条件下进行裂缝检测。工业级无人机在常规地下工程中得到了广泛应用...

**CFEM模块核心组件的消融分析**
为了验证所提出的CFEM模块在地下岩体工程裂缝检测中的有效性，本节进行了一系列组件消融实验。通过依次移除GFM、SCFM1和SCFM2子结构，比较了不同模型变体之间的裂缝检测精度差异，以明确每个组件对整体检测性能的贡献。如表10所示，所提出的CFEM模块可以...

**结论**
本研究开发了一个地下岩体工程裂缝检测的基准。该基准使得训练和评估用于周围岩石检测和地下岩体工程结构安全评估的裂缝感知模型成为可能。总结来说，本研究的主要贡献如下：（1）据我们所知，所提出的数据集是首个专门针对地下岩体工程裂缝的的真实世界图像数据集。CRediT作者贡献声明如下：
商绍康（Shaokang Shang）：撰写 – 审稿与编辑、撰写 – 原稿撰写、可视化、软件开发、方法论研究、数据整理；
孙海（Hai Sun）：数据验证、研究监督、资金筹措、数据整理；
傅宇（Yu Fu）：研究监督、资金筹措、形式化分析、数据整理；
费小欧（Xiaoou Fei）：软件开发、研究参与、形式化分析、数据整理；
乔牧（Mu Qiao）：数据验证、项目管理工作、概念框架的构建；
隋金波（Jinbo Sui）：可视化技术实现、软件开发、项目管理。

作者声明他们没有已知的财务利益冲突或个人关系可能影响到本文的研究结果。

致谢
本研究得到了辽宁省教育厅项目（LJ212610148028）的支持。
作者名单：商绍康、孙海、傅宇、费小欧、乔牧、隋金波、史鹏、袁荃。