编织复合材料由于其低密度、高强度和优异的韧性，已在航空航天、汽车、海洋和风能应用中得到广泛应用[1]、[2]。在实际制造过程中，编织预制件必须经过多个加工步骤，包括编织、铺设、浸渍和固化，这些步骤不可避免地会引入诸如起皱、孔隙和纱线拓扑偏差等缺陷[3]。这些微观结构缺陷会显著降低材料的机械性能和整体寿命。因此，构建真实三维编织复合材料的高保真微观结构模型，并在此基础上进行机械性能预测和失效分析，已成为该领域的主要研究方向之一。
编织复合材料的介观尺度建模可以大致分为预测性和描述性方法[4]。前者依赖于WiseTex和TexGen等软件来生成理想化的纱线结构[5]、[6]，而后者则利用高分辨率X射线计算机断层扫描（CT）和语义分割来重建经纱、纬纱和基体的真实三维模型[7]、[8]、[9]，为虚拟机械测试和损伤分析提供了基础。同时，可靠性评估严重依赖于对孔隙、裂纹和夹杂物等缺陷的准确识别[3]、[10]。
无损检测（NDT）是检测编织复合材料内部缺陷的关键手段。常用的技术包括红外热成像[11]、超声波检测[12]、太赫兹检测[13]和X射线成像[14]。其中，CT由于其高分辨率的三维成像能力，被广泛用于孔隙检测和介观尺度建模[1]、[15]。传统的机器视觉方法通常遵循“手工特征提取 + 分类器”范式[16]、[17]，例如使用定向梯度直方图（HOG）和局部二值模式（LBP）等特征，并结合支持向量机（SVM）、主成分分析（PCA）和决策树等分类器。然而，这些方法的性能受到特征设计的限制：它们难以处理复合CT图像中的复杂纹理和多样的缺陷模式，泛化能力有限，且通常仅限于缺陷分类而非精确定位和分割。此外，在处理高分辨率CT数据时，这些方法难以在实时工程场景中应用。
近年来，深度学习在缺陷检测和分割方面取得了显著进展。与依赖手工特征的方法相比，深度学习可以通过深度架构自动提取复杂的图像表示，显著提高检测准确性和效率[18]、[19]。在缺陷检测和分割方面，深度卷积神经网络（DCNN）已被用于分类，并展示了强大的特征学习能力[20]。一系列定位方法[21]、[22]、[23]，以及基于区域的卷积神经网络（R-CNN）[24]、快速区域卷积神经网络（Faster R-CNN）[25]、一次看透（YOLO）[26]和单次检测多框检测器（SSD）[27]可以实现联合分类和定位，其中改进的YOLO变体在小目标检测方面表现突出[28]、[29]。在像素级别，U形网络（U-Net）已被证明可以显著提高低质量CT图像中的缺陷分割效果[30]，迁移学习可以进一步增强小缺陷的特征提取[31]。同时，深度学习还应用于纱线结构分割和编织复合材料的三维重建，其性能明显优于传统方法[32]、[33]、[34]、[35]。
然而，无论是缺陷检测还是纱线分割，对复合CT图像进行标注都极其耗时且成本高昂[36]。标注单个切片通常需要约20-30分钟，而像孔隙这样的小缺陷仅占像素的一小部分且相对稀少。近年来，生成对抗网络（GAN）在材料成像的数据增强方面显示出巨大潜力。在纺织品缺陷检测和热轧钢表面质量评估中，一些研究利用GAN直接生成包含真实缺陷的完整图像，并通过合成多样化的缺陷模式，显著提高了小缺陷检测的鲁棒性[37]、[38]、[39]。相比之下，编织复合材料领域的相关工作仍然有限。例如[36]指出，复合材料的像素级注释极其稀缺，因此使用真实的合成XCT图像来扩展纱线结构的训练数据。尽管这种策略显著缓解了纱线注释的短缺问题，但其生成目标主要关注纱线形态和表面纹理，没有明确模拟孔隙生成过程。由于孔隙是截面内罕见的小尺度结构，直接生成同时展示真实缺陷的完整图像具有挑战性。受此启发，我们提取了真实的缺陷区域（ROIs）作为直接生成目标，使模型能够专注于学习材料缺陷的真实形态。
在液态成型过程中，特别是树脂传递成型（RTM [40]）中，孔隙是所得复合材料中最常见且最容易观察到的内部缺陷之一[41]。这种普遍性主要归因于树脂注入和填充过程中的空气捕获等机制。孔隙通常被认为是复合材料中最常见的缺陷类型，并对其机械性能产生不利影响[42]。准确检测孔隙的几何形状和空间位置对于评估结构性能至关重要[43]，因为碳纤维增强聚合物中的孔隙含量对其实际应用性有显著影响[44]。虽然裂纹和分层等缺陷也很重要，但其形成机制和X射线计算机断层扫描（CT）成像特性通常与孔隙不同。Gigliotti [41]及其同事指出，孔隙分割相对简单，而裂纹分割则困难得多；当裂纹宽度接近体素大小时，裂纹的灰度强度通常介于空气和基体之间。同样，Yu等人[45]指出，分层、裂纹和周围树脂之间的对比度可能非常低，需要使用对比剂或区域生长算法等不同处理策略来处理这些缺陷类型。鉴于当前数据集中的缺陷主要是孔隙，因此本研究的方法验证仅使用孔隙缺陷进行。因此，所有后续实验中对“缺陷”的引用均特指孔隙。此外，现有的基于CT的深度学习方法在尝试在同一模型中同时分割经纱和孔隙时仍面临重大挑战。经纱和纬纱形成大规模的连接组件，而孔隙是小而不规则的物体，仅占像素的极小部分。这种尺度异质性使得单个网络难以同时平衡感受野大小、特征分辨率和损失权重。同时，含有孔隙的样本本身就非常稀少，其空间分布随机且稀疏，导致严重的类别不平衡和“少样本-小目标”问题。
为了解决这些挑战，充分利用深度学习在模拟复杂纹理方面的优势，并设计针对任务特征的数据增强和训练策略至关重要，以便模型能够从有限的注释中学习目标的鲁棒表示。基于这一思路，我们提出了一个用于三维编织复合材料的双分支语义分割框架。在该框架中，“纱线分割”和“孔隙分割”这两个尺度异构的目标被分解为在不同物理尺度上定义的两个子任务，并为每个分支设计了专门的增强和训练机制。最终通过结合它们的语义掩码来获得完整的三类分割输出。据我们所知，我们还构建并发布了首个为所有三类提供像素级注释的CT数据集，为复合材料的分割方法提供了一个可复现和通用的基准。
本工作的主要贡献总结如下：（1）我们设计了一种针对纱线结构的形状-强度协同增强策略，显著提高了模型对纱线形态变化和成像条件波动的鲁棒性，从而提高了纱线分割的准确性和稳定性。（2）我们开发了一种基于GAN的生成增强流程，明确考虑了孔隙的稀缺性和小目标特性，并将其与基于块的小尺度训练策略相结合，以提高微观孔隙的分割效果。（3）我们构建并公开发布了首个同时包含经纱、纬纱和孔隙像素级注释的CT数据集，为编织复合材料的语义分割提供了标准化基准。
