《Engineering Applications of Artificial Intelligence》：A lightweight deep learning architecture for crack segmentation in structural health monitoring
编辑推荐：
：本文提出了一种用于基础设施检测的轻量级裂缝分割架构，在保持高性能的同时显著降低了参数量和计算成本。该架构结合了深度可分离卷积（DSConv）、轻量级空洞空间金字塔池化（Lite-ASPP）和通道注意力机制，实现了在边缘设备上的实时推理，可应用于基础设施检测机
：本文提出了一种用于基础设施检测的轻量级裂缝分割架构，在保持高性能的同时显著降低了参数量和计算成本。该架构结合了深度可分离卷积（DSConv）、轻量级空洞空间金字塔池化（Lite-ASPP）和通道注意力机制，实现了在边缘设备上的实时推理，可应用于基础设施检测机器人。在OmniCrack30K基准测试中，该架构以仅2.826百万（M）的可训练参数实现了最高的最优图像尺度（OIS）指标0.489，而CrackFormer-II虽达到相近的OIS（0.480）却需要4.962 M参数和显著更高的计算复杂度（40.925 GFLOPs）。该架构在分割精度、模型尺寸和计算复杂度之间实现了最优平衡。
论文解读文章
一、研究背景与问题
工程结构在服役期间必须确保最高水平的安全性，这一目标贯穿于设计和维护阶段。在结构服役生命周期中，最常见的缺陷之一是裂缝的形成，它会降低结构的承载能力、刚度和密封性。裂缝加速结构退化和钢筋腐蚀，极端情况下可能导致工程灾难。渐进性破坏过程还因加固投资、极端情况下重建受损构件或整个结构的支出而增加能耗和碳足迹。经济层面，英国2023年维护支出估计为964.6亿英镑，约占GDP的3.5%，而腐蚀相关退化估计约占全球GDP的3.4%。这些经济和安全影响凸显了更有效的预防性检测需求，以实现早期损伤检测并限制进一步恶化。
二、研究缺口与动机
尽管轻量级裂缝分割架构取得了进展，包括HrSegNet、AutoCrackNet、L-DANet和EfficientCrackNet等，但精确保留细薄和低对比度裂缝仍然具有挑战性，原因是前景极度稀疏和视觉对比度弱。此外，许多轻量级裂缝分割模型主要在代表单一表面类型的数据集上评估，限制了其在异质基础设施材料和真实检测场景中的泛化能力。现有轻量级架构因此不能同时满足精细裂缝细节保留和边缘部署的计算约束。基于此，研究人员提出研究问题：LACE-Crack能否在降低计算复杂度和推理成本的同时，实现具有竞争力的裂缝分割性能？假设是：通过轻量级特征提取、高效通道注意力（ECA）、Lite-ASPP上下文聚合和多尺度特征融合，LACE-Crack能够保留精细裂缝结构，同时显著降低计算复杂度和推理延迟。
三、关键技术方法
研究人员提出了LACE-Crack架构，采用四尺度编码器-解码器拓扑结构，空间分辨率逐级减半并在解码器中对称恢复。核心组件包括：特征增强块（FEB），由1×1压缩卷积、Transformer风格特征块（EFMB）和1×1投影及残差跳跃连接组成；高效特征混合块（EFMB），集成通道仅高效通道注意力（ECA）与深度可分离多层感知机（MLP），实现为逐点-深度-逐点（PW-DW-PW）块；轻量级空洞空间金字塔池化（Lite-ASPP）模块，采用深度可分离卷积的并行分支，膨胀率r∈{1,2,3}，结合全局平均池化分支；局部注意力掩码（LA masks）提供空间变化门控机制；多尺度融合采用可学习的全局softmax权重。训练使用Adam优化器，初始学习率1×10?3，余弦学习率调度，批大小为4，采用随机256×256裁剪，使用交叉熵（CE）损失配合深度监督，主头权重0.60，辅助头权重递减分配（0.16,0.12,0.08,0.04）。训练数据来自OmniCrack30K基准数据集，包含30,017张图像，涵盖20个命名子集，按75/10/15比例划分为训练/验证/测试集。
四、研究结果
4.1 基准性能比较
在OmniCrack30K基准上，LACE-Crack在F1@0.5（0.569）、mIoU（0.694）、IoU_FG（0.398）、OIS（0.489）和ODS（0.425）指标上均取得最佳结果，显著优于CrackFormer-II、L-DANet、YOLOv11n、OED、UltraFastCrackSeg、EfficientCrackNet和ECSNet等对比方法。统计分析显示，与CrackFormer-II相比，LACE-Crack在ODS和OIS上的改进具有统计学显著性（p值分别为0.004和0.016）。
4.2 计算效率分析
LACE-Crack仅需2.826 M可训练参数和14.689 GFLOPs（256×256输入），远低于CrackFormer-II的4.962 M参数和40.925 GFLOPs。计算成本主要集中在高空间分辨率模块，而Lite-ASPP上下文模块贡献835,648参数但仅0.385 GFLOPs。在NVIDIA Jetson Orin Nano平台上评估了内存和能耗效率，包括推理延迟、进程RAM使用、峰值CUDA内存分配、Jetson RAM利用率、GPU利用率和功耗。
4.3 跨域泛化评估
在Sun520、Rain365和BJN260三个挑战性数据集上评估了鲁棒性，涵盖不同日光条件、雨后路面和夜间人工照明场景。在Crack500、GAPS384和CrackTree200基准上使用原始评估设置进行验证，并在CRACK500、CrackTree200和GAPS384上施加合成退化（高斯噪声、运动模糊和JPEG压缩伪影）以评估鲁棒性。
五、讨论与结论
LACE-Crack通过系统整合已建立的组件，在统一轻量级设计中平衡了精细裂缝描绘与严格的延迟和参数约束。该架构结合了轻量级注意力、空间和通道混合、残差学习和特征细化。高效卷积运算降低计算成本，多尺度处理捕获不同尺度的裂缝，轻量级注意力增强信息特征。研究结论表明，LACE-Crack在分割精度、模型尺寸和计算复杂度之间提供了最有利的平衡，实现了竞争性的分割性能，同时满足边缘部署的计算约束，为基础设施检测机器人提供了实时推理能力。该研究填补了轻量级架构在保留精细裂缝连续性和维持竞争性分割精度方面的研究空白，并在边缘部署约束下实现了稳健的跨域泛化。
