基于深度学习的有限样本检测与分割技术，用于识别岩石裂缝中的红外辐射异常区域

《ADVANCED ENGINEERING INFORMATICS》：Limited-sample deep learning-based detection and segmentation of infrared radiation anomaly zones in rock fractures

　　

邵康尚|于福|龙黄|刘东阳|李继伟

摘要

岩石断裂过程中产生的红外辐射异常区域是地质工程安全监测的重要指标。然而，在样本量有限的情况下，准确检测和分割这些异常区域仍然具有挑战性。现有的端到端实例分割模型严重依赖于成本高昂的像素级注释，在这种环境下泛化能力有限，尤其是在包含细微裂纹的低对比度红外图像中，检测与分割任务之间的特征竞争导致高漏检率和低分割精度。传统的手动测量方法容易产生主观误差，无法满足工程应用的精度和效率要求。为了解决这些问题，本研究构建了一个专门用于岩石断裂红外辐射异常检测的有限样本基准数据集，并在样本量有限的条件下系统评估了十一种目标检测模型和八种分割算法，为该领域的模型选择和性能比较提供了参考。此外，我们提出了一种针对上述有限样本场景定制的级联检测-过滤-分割框架，该框架显著减少了对像素级分割注释数据的依赖，同时实现了红外辐射异常区域的高精度检测和分割。基于分割结果，我们整合了同步获取的机械数据和声发射监测数据，构建了一个跨模态相关性分析框架，将视觉特征与机械-声学多源响应联系起来。本研究不仅为样本量有限的条件下红外辐射异常识别提供了有效的技术解决方案，所提出的级联框架也为相关工程领域的视觉检测和分割任务提供了有价值的参考范例。最终，该模型在真实的下游采矿场景中得到了验证。