一种基于无监督视觉增强的鲁棒低光照裂缝分割方法，用于检查照明不足的水坝廊道

《AUTOMATION IN CONSTRUCTION》：Robust low-light crack segmentation with unsupervised visual enhancement for underlit dam gallery inspection

针对低光照水工隧道裂缝检测难题，提出LL-CrackSeg框架，集成无监督Retinex分解增强网络URDE-Net与多级特征聚合网络MLFA-Net，构建GalleryLL-1240数据集验证其有效性，显著优于现有方法。

　　

任秋兵|冯景毅|李明超|于延涛|袁静月|史坤鹏

天津大学水利工程智能建造与运行国家重点实验室，天津 300350，中国

摘要

尽管对廊道裂缝的常规检查对于确保大坝结构安全至关重要，但廊道内的照明条件较差会降低裂缝与其周围环境之间的对比度，使得裂缝边界变得模糊，从而增加了视觉检测的难度。值得注意的是，大多数基于深度学习的方法主要针对光照良好的裂缝进行设计，在低光照条件下性能会显著下降。针对这一限制，本文提出了一种集成框架LL-CrackSeg，该框架包含两个主要组成部分。第一个组件是一个基于无监督Retinex分解的增强网络（URDE-Net），用于在光线不足的廊道中增强裂缝图像的质量，同时通过设计无监督损失函数和分解光照信息来抑制噪声。第二个组件是一个定制的多级特征聚合网络（MLFA-Net），用于实现鲁棒的裂缝分割，该网络利用双向路径聚合模块和双域注意力机制来增强增强后裂缝中的语义特征表示。此外，我们还创建了一个新的基准数据集（GalleryLL-1240）用于方法验证，该数据集包含四个不同光照水平的测试子集。实验结果表明，所提出的框架优于现有的最先进方法，显示出在低光照条件下的巨大潜力。

引言

本节介绍了在光线不足的大坝廊道中进行裂缝检测的动机和工程背景，指出了低光照条件下裂缝检测的实际挑战，并概述了本文的目标、主要贡献和组织结构。

大坝是重要的水资源保护基础设施，在防洪、水力发电和供水方面发挥着至关重要的作用。作为检查、维护和排水的关键通道，大坝廊道对大坝的整体结构稳定性至关重要[1]。光线不足的廊道中的裂缝对大坝的运行安全构成严重威胁，其形成与温度波动、水库水位变化、地基不均匀沉降以及施工缺陷密切相关。从形态上看，这些裂缝通常沿着廊道拱顶呈轴向或环向分布，也可能出现在楼板和侧壁上。裂缝可能表现为单一主导裂缝，也可能是多个几乎平行或相互交叉的裂缝模式[2]。大坝检查廊道中的裂缝会削弱周围的混凝土，降低大坝的整体耐久性和防渗性，并可能发展成渗透泄漏路径。在严重情况下，这种泄漏会危及大坝的结构强度和滑动稳定性[3]。因此，裂缝检测是一个关键过程，特别是在光线不足的廊道中，它能够及时识别裂缝，支持对其结构影响的准确评估，并为后续修复提供可靠的基础，从而在大坝的安全运行中发挥重要作用。

由于长期运行，光线不足的大坝廊道会面临设备老化、潮湿引起的腐蚀和线路损坏等问题，导致照明不足且光线昏暗，给人工裂缝检测带来了巨大挑战。图1展示了光线不足的大坝廊道内部情况，其传统的荧光照明系统早已超出设计使用寿命。在大坝内部的潮湿环境中，该系统容易出现故障，如水渗入灯具、灯具损坏和线路短路[4]，进一步降低了工作表面的照明水平和均匀性。这种恶劣的照明条件导致裂缝图像曝光不足、对比度低且边界模糊，使得准确判断结构损伤情况变得困难，严重影响了裂缝检测算法的准确性和鲁棒性。低质量的图像数据会影响检测算法，导致误判和漏检，阻碍了对具有不同形态和轮廓的裂缝缺陷的稳定识别。在这种情况下，裂缝检测的准确性和鲁棒性无法得到保证。此外，传统的人工方法无法满足实际的工程需求[5]，这凸显了迫切需要更准确、高效和鲁棒的检测技术。

已经研究了几种基于视觉的裂缝检测方法来提高检测的准确性和效率。早期的基于图像的方法[6]、[7]、[8]以及机器学习模型[9]、[10]在复杂的工程环境中的鲁棒性有限。近年来，深度学习成为人工智能领域的一个主要研究方向[12]、[13]、[14]。这些研究主要采用卷积或基于注意力的深度神经网络从数字图像中学习层次化的裂缝特征，从而提高了检测的准确性和鲁棒性。由于深度学习能够通过多层神经网络提取层次化特征，它在大坝表面和其他土木结构的裂缝检测中显示出显著优势。然而，光照变化、阴影干扰和噪声会大幅降低这些算法在真实低光照环境下的性能，这促使研究人员探索将低光照增强与裂缝分割相结合的方法。鉴于低光照增强本质上是一个一对多的映射问题，大多数模型[15]、[16]、[17]依赖于成对的正常光照图像来建立稳定的学习目标并实现有效训练。然而，在工程应用中，尤其是在光线不足的大坝廊道中，获取同一位置的成对图像极具挑战性，从而限制了这些方法的实际应用范围。此外，大多数现有数据集来自交通领域，如桥梁和道路[18]、[19]，因此无法捕捉到狭窄、光线不足的大坝廊道特有的照明特征。因此，这些廊道中的复杂阴影、不均匀照明和墙体渗漏继续对准确的裂缝分割构成重大且持续的挑战。受这些挑战的启发，本文开发了一个实用的、鲁棒的低光照裂缝检测框架，通过集成无监督增强和高性能裂缝分割来支持可靠的现场检测。在所考察的应用场景中，检测人员使用传统的便携设备（例如个人数字助理（PDA）在廊道内捕获裂缝图像。相比之下，所提出的框架负责图像增强、裂缝分割和后续分析。因此，这项工作属于半自动化检测范畴，旨在在不改变现有检测工作流程或需要特殊照明硬件的情况下，实现对低光照廊道裂缝的可靠识别。

此外，本文还基于从实际廊道环境中收集的真实裂缝图像，创建了一个包含四个不同光照水平的专用数据集，以解决现有方法在光线不足的大坝廊道裂缝检测中的局限性。同时，我们提出了一个专为光线不足的大坝廊道低光照裂缝检测设计的集成分割框架LL-CrackSeg。

本文的主要贡献总结如下：

• (1)
  开发了一个专门用于低光照大坝廊道裂缝图像的基准数据集GalleryLL-1240。该数据集涵盖了多种裂缝形态和多种光照水平，为模型训练和验证提供了全面的样本支持，确保了在实际应用中的高效性和鲁棒性。
• (2)
  提出了一种基于无监督Retinex分解的增强网络（URDE-Net）。URDE-Net能够在没有成对训练样本的情况下，有针对性地分解和增强低光照裂缝图像中的反射率和光照成分，从而在光线不足的大坝廊道复杂照明条件下实现亮度提升。
• (3)
  设计了一种改进的语义分割模型，称为多层特征聚合网络（MLFA-Net）。该模型结合了双向路径聚合模块和双域注意力机制，能够提取多尺度下的裂缝特征。此外，注意力机制增强了细节表现，使MLFA-Net能够更好地适应光线不足的大坝廊道裂缝检测的特点和要求。
• (4)
  将所提出的集成框架应用于实际混凝土大坝廊道中的裂缝检测任务。实验结果证明了LL-CrackSeg框架在复杂超低光照条件下的现场检测场景中的有效性。

本文的其余部分安排如下。第2节回顾了低光照图像增强和基于深度学习的裂缝检测的相关文献，并指出了现有研究的不足之处。第3节详细介绍了所提出的LL-CrackSeg框架的设计。第4节报告了实验验证结果，包括数据集构建、实现细节、增强效果和分割结果，并与主流方法进行了全面比较和消融研究，以证明所提出方法的有效性。第5节讨论了本文的局限性并指出了未来研究的方向。

相关研究

相关工作

本节从低光照图像增强和基于深度学习的裂缝检测两个角度对现有文献进行了全面回顾。在此基础上，总结了当前研究的主要局限性，并阐明了本文所要解决的关键挑战。

方法论

本节介绍了所提出的LL-CrackSeg框架的整体设计，随后详细介绍了其两个核心组件：低光照增强子网URDE-Net和裂缝分割子网MLFA-Net。最后，介绍了用于分阶段性能评估的评估策略和指标。

实验验证

本节对所提出的LL-CrackSeg框架进行了实验验证。首先介绍了GalleryLL-1240数据集的构建和两阶段训练策略的实现细节。然后系统地评估了增强和分割结果，随后进行了对比实验、消融研究以及在真实光线不足的大坝廊道中的现场应用。

局限性と今後の研究方向

尽管所提出的LL-CrackSeg框架在对比验证和现场实验中表现出令人鼓舞的性能，但从工程角度来看，仍存在一些研究局限性：

(1)

该框架采用了分离的两阶段设计，其中低光照图像增强和裂缝分割是独立优化的。虽然这种模块化架构提高了训练稳定性并便于实际应用，但缺乏联合优化

结论

在大坝廊道中进行低光照裂缝检测对于确保结构安全和提高检测准确性至关重要。为了解决传统方法在低光照环境下常见的边界模糊、噪声放大和可见度严重下降问题，本文提出了一种两阶段增强分割框架LL-CrackSeg，并在按光照水平分类的定制裂缝数据集上对其进行了验证。主要发现总结如下：(1)

一个完全

CRediT作者贡献声明

任秋兵：撰写 – 审稿与编辑、验证、方法论。冯景毅：撰写 – 原始草稿、软件开发、调查。李明超：项目管理、资金获取。于延涛：监督、资源协调。袁静月：可视化、数据管理。史坤鹏：验证、形式分析。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了国家自然科学基金（资助编号：52409170）、国家重点研发计划（资助编号：2024ZD1000402）、香港研究资助委员会主题研究计划（资助编号：T22-606/23-R）和广东省基础与应用基础研究基金（资助编号：2022B1515130006）的共同资助。