《Developments in the Built Environment》：Uncertainty-aware framework for reliable underwater bridge inspection with interpretable defect attribution
编辑推荐：
水下桥梁检测常因浊度与光照畸变等环境干扰而退化，导致不可靠的缺陷预测及潜在误导性决策。为提升可靠性，研究人员提出一种融合不确定性量化与归因分析的不确定性感知贝叶斯分割框架（Bayesian segmentation framework），用于水下桥梁缺陷
水下桥梁检测常因浊度与光照畸变等环境干扰而退化，导致不可靠的缺陷预测及潜在误导性决策。为提升可靠性，研究人员提出一种融合不确定性量化与归因分析的不确定性感知贝叶斯分割框架（Bayesian segmentation framework），用于水下桥梁缺陷检测。该框架量化认知不确定性（epistemic uncertainty）与偶然不确定性（aleatoric uncertainty），以评估水下干扰下的预测可靠性。进一步开发了基于归因的解释策略（attribution-based interpretation strategy），识别不确定性的物理来源，并探究环境干扰对检测可靠性的影响。在混合水下数据集上的实验表明，该框架实现了高分割MIoU（Mean Intersection over Union），同时提供了良好校准的不确定性估计。归因分析揭示了环境干扰与缺陷检测可靠性之间的关系：水浊度与生物附着主要影响暴露钢筋检测，而粗糙混凝土纹理主要干扰剥落识别。所提框架通过提供可解释的可靠性信息，增强了不确定性感知的水下检测，支持基于风险评估的维护决策。
### 论文解读文章
**研究背景与问题**
桥梁作为建成环境中的关键交通基础设施，其水下结构（如桥墩与基础）长期暴露于水力环境，遭受冲刷、腐蚀、船舶撞击等多种不利因素，易产生剥落、钢筋暴露、缩颈、空洞等典型缺陷，威胁结构安全与耐久性。传统检测依赖人工潜水或声学成像，但光学成像因其丰富的纹理与色彩细节成为主流。然而，基于深度学习的方法在水下环境中面临显著挑战：水下光照与浊度的高度非平稳性导致测试样本偏离训练分布，传统确定性模型易产生过度自信但错误的预测，可能引发漏检或误判，延误维护或浪费资源。此外，现有不确定性量化方法（如MC-Dropout）采用全局固定丢弃率，无法适应像素级噪声变化；且缺乏对不确定性来源的解耦与归因，限制了工程决策的可解释性。因此，亟需开发一种自适应贝叶斯框架，实现不确定性量化与归因，以提升水下桥梁检测的可靠性。
**研究内容与结论**
本研究提出一个不确定性感知的缺陷分割与归因框架，用于水下混凝土桥梁结构检测。该框架集成可学习伯努利丢弃（Learnable Bernoulli Dropout, LBD）模块、异方差损失函数（heteroscedastic loss）及循环学习率（Cyclical Learning Rate, CLR）策略，实现认知与偶然不确定性的联合建模。同时，开发了U-SegRISE不确定性归因方法，通过像素级热力图揭示环境因素（如浊度、光照）对检测不确定性的影响。在实验室模拟与现场实拍混合数据集（共669张图像，包含剥落与钢筋暴露两类缺陷）上的实验表明：所提框架在分割MIoU上达到0.752，同时PAvPU（Patch Accuracy vs. Patch Uncertainty）达到0.936，ECE（Expected Calibration Error）降至0.262，NLL（Negative Log-Likelihood）降至0.427，优于多种基线方法。归因分析表明，水浊度与粗糙纹理是预测不确定性的主要物理驱动因素，且不同缺陷类型对环境干扰的敏感性存在显著异质性：钢筋暴露检测受浊度影响最大，剥落识别则主要受粗糙纹理干扰。反事实分析验证了归因的因果有效性，掩蔽高不确定性区域后平均不确定性降低4.048%。该研究将水下桥梁检测从确定性缺陷识别推进至可靠性感知与不确定性知情评估。
**主要关键技术方法**
研究人员采用的关键技术方法包括：（1）基于DeepLabv3+架构的贝叶斯分割模型，在骨干网络（Xception）、ASPP模块及解码器中嵌入LBD模块，自适应估计认知不确定性；（2）引入异方差损失函数，通过预测像素级噪声方差显式量化偶然不确定性；（3）采用余弦退火循环学习率（CLR）结合Adam优化器，避免贝叶斯网络在复杂损失景观中陷入局部最优；（4）开发U-SegRISE，一种基于随机掩码的归因解释方法，通过遮掩输入图像并监测认知不确定性变化，生成像素级不确定性归因热力图。样本来源包括实验室模拟数据集（10个缩尺圆柱桥墩试件，浊度10 NTU，360张图像）与现场数据集（中国26座混凝土桥梁水下桥墩实拍，309张图像），混合后按8:1:1划分为训练、验证与测试集。
**研究结果**
**5.2 评估分割性能与不确定性量化**
通过对比U-Net、PSPNet、DeepLabv3+、SegFormer、Mask2Former、SAM等模型，DeepLabv3+（Xception骨干）获得最高MIoU（0.691），选为基线。LBD布局实验表明：ASPP-LBD配置最优（MIoU 0.738），而骨干LBD因破坏预训练特征导致性能下降。CLR策略相比传统里程碑衰减（MD）显著提升性能，ASPP+Adam+CLR达到MIoU 0.752。消融研究显示，ASPP-LBD主要提升剥落检测（IoU增加3.9%），CLR显著提升钢筋暴露检测（IoU增加4.8%），集成模型实现协同增益（MIoU 0.752）。不确定性校准方面，ASPP-LBD-CLR在PAvPU曲线上形成上包络，ECE和NLL均最低（0.262, 0.427）。可视化显示，认知不确定性集中于缺陷边界，背景不确定性低；偶然不确定性呈现“边缘高、内部低”的物理一致模式。
**5.3 混合数据集影响**
混合数据集相比单一实验室或现场数据集，获得最高MIoU（0.752）、PAvPU（0.936）及最低ECE（0.262）和NLL（0.427），且训练损失曲线稳定，表明域平衡未影响不确定性估计。
**5.4 不确定性归因分析**
U-SegRISE归因热力图显示：钢筋暴露检测中，高不确定性集中于钢筋边缘、轮廓过渡区及镜面高光与浊度伪影区域；剥落检测中，高不确定性沿缺陷边界呈线状或块状分布，粗糙混凝土表面与环境碎屑（如生物附着）引发显著干扰。统计67张测试图像发现，粗糙纹理与水浊度是主要不确定性源，其中粗糙纹理对剥落影响更大，水浊度对钢筋暴露影响更大；光照异常与共存缺陷贡献中等；低照度仅引起局部波动；环境碎屑（如卵石、水生植被）对钢筋暴露干扰更频繁。
**5.5 反事实分析**
对U-SegRISE识别的深红色高不确定性区域进行掩蔽后，模型平均不确定性下降4.048%，验证了归因方法的因果有效性。
**讨论与结论**
讨论部分指出，该框架通过不确定性量化支持物理可解释的可靠性分析，U-SegRISE作为离线解释模块不影响现场检测效率。识别出的高不确定性区域可指导自适应检测策略（如调整照明、优化相机位置、表面清洁）。但框架在极端浑浊或密集生物附着条件下仍受限于视觉信息缺失，需未来融合互补传感模态（如成像声纳）或开放集识别策略。
研究结论部分翻译如下：
本研究提出了一种用于水下混凝土桥梁结构检测的不确定性感知缺陷分割与归因方法，明确关注复杂水生环境下的不确定性量化、解释与归因。通过集成可学习伯努利丢弃（LBD）、像素级异方差偶然不确定性建模及循环学习率（CLR）训练策略，所提框架在提供校准且可解释的不确定性估计的同时，实现了可靠的缺陷分割。其有效性在包含实验室控制与现场实拍场景的混合数据集上得到验证。主要发现如下：（1）提出了针对水下缺陷的贝叶斯增强DeepLabv3+模型，利用LBD自适应估计认知不确定性，规避固定丢弃率的限制，并纳入异方差建模显式捕捉由浊度、不均匀光照等环境噪声引起的偶然不确定性。（2）实施CLR策略优化模型训练，利用周期性热重启有效避免贝叶斯网络在复杂损失景观中过早收敛，提升泛化能力与收敛速度。LBD与CLR的集成显著提升了缺陷识别精度，将钢筋暴露检测的IoU提升至0.711（增加4.8%），剥落检测提升至0.622。此外，改进模型在PAvPU不确定性校准指标上表现更优。（3）开发了U-SegRISE，一种用于语义分割的不确定性归因方法，实现像素级不确定性来源的可视化与定量归因。首次在水下场景中明确识别水浊度与粗糙纹理为预测不确定性的主要物理驱动因素。反事实分析进一步验证了这些归因的因果有效性：掩蔽高不确定性区域后平均不确定性降低4.048%。（4）通过阐明“环境-缺陷”敏感性耦合机制，验证了所提框架的可解释性。U-SegRISE归因分析揭示：水浊度与环境碎屑是钢筋暴露检测高不确定性的主要触发因素，而粗糙纹理是剥落检测的主导干扰因素。与直觉相反，低照度仅引起局部波动而非全局不确定性。这些发现将水下桥梁检测从确定性缺陷识别推进至可靠性感知与不确定性知情评估。通过明确识别预测不确定性的物理来源，所提框架为下游工程决策（包括检测质量评估、自适应成像增强及高不确定性区域优先复检）提供了实用支持。不确定性不再仅是辅助预测输出，而是可作为可量化的可靠性信息，支持更可信、更可解释的水下基础设施检测。
