基于频率监督傅里叶轮廓的原生轮廓桥梁缺陷检测与紧凑数字归档

《AUTOMATION IN CONSTRUCTION》：Contour-native bridge defect detection and compact digital archiving with Frequency-Supervised Fourier contours

　　

•FS-FSD 将人工智能桥梁检测输出转化为可重用的傅里叶轮廓记录。
•频率监督学习直接预测紧凑的矢量化缺陷轮廓。
•统一的多边形空间协议公平比较边界框、掩膜和轮廓。
•在包含 42,346 个缺陷的 3767 张无人机图像上，FS-FSD 达到了 86.93%/55.08% 的 S2P mAP。
•132 字节的原生记录实现了快速恢复、WebGL 审查和边缘部署。

引言
桥梁是交通基础设施的关键组成部分，其安全性和适用性直接影响交通效率、经济活动和公共安全 [1], [2]。随着桥梁网络的不断老化，结构健康监测和定期状况评估在研究和工程实践中变得越来越重要，同时自动化越来越多地被用来补充人工桥梁检测 [2], [3]。近年来，无人机扩大了航空成像在基础设施检测中的应用 [4]，而它们与深度学习的结合显著提高了自动化桥梁检测和缺陷识别 [5], [6]。这些发展使得自动化识别常见可见缺陷类别（如裂缝、剥落、渗漏、泛碱和腐蚀）变得越来越可行。然而，图像级缺陷检测只是实际桥梁维护的初步步骤。更大的工程价值在于将检测输出转化为几何明确、可追溯和结构化的记录，以便在面向维护的信息工作流程和长期资产评估中存档、查询和重用。数字化桥梁管理强调检测信息的组织和重用 [1]，而基于 BIM 的缺陷集成和桥梁数字孪生工作流程将此类信息与结构化且可重用的基础设施记录联系起来 [7], [8]。因此，本文将桥梁缺陷识别视为检测问题和输出表示问题。具体而言，它关注两个主要目标：提高模型输出缺陷轮廓的准确性，并减少存档、恢复和重用这些轮廓在下游检测数据工作流程中所需的存储和计算成本。

从这一工程角度来看，主流计算机视觉输出与桥梁检测实践的数据需求之间仍存在表示不匹配 [7], [9]。传统的目标检测器通常使用水平或定向边界框来表示缺陷。虽然对于粗略定位是高效的，但边界框不可避免地包含背景冗余，并且无法保留缺陷的边界几何形状，而缺陷的标注范围通常是细长、破碎、不规则和任意形状的 [5], [6]。实例分割通过像素级掩膜提供更密集的形状信息 [10], [11]；然而，掩膜仍然是一种栅格化表示，其存储成本随图像分辨率缩放，其边界通常必须转换为矢量形式，才能支持紧凑存档、几何导向查询或分辨率无关渲染 [12], [13]。这些局限性表明，桥梁缺陷输出理想情况下应该是轮廓保真的、紧凑的且可直接恢复的，而不是局限于基于边界框或基于栅格掩膜的形式。

现有研究表明，傅里叶描述符提供了一种紧凑的平面闭合曲线建模方法 [14], [15]。学习轮廓变形提供了另一种轮廓原生方法，用于在实例分割中恢复对象边界 [16]。特别是，傅里叶级数检测 (FSD) 将有限阶傅里叶系数直接纳入对象检测，并证明了轮廓原生预测可以作为边界框和栅格掩膜的替代输出范式 [17]。然而，现有的傅里叶轮廓研究尚未充分检查桥梁检测场景，在该场景中，模型输出必须同时支持准确的缺陷检测、边界级轮廓恢复和紧凑存档/恢复。这留下了一个未解决的问题：当预测的桥梁缺陷预期进入检测数据库、审查环境和长期信息工作流程时，什么几何形式应作为原生图像空间记录。

基于这一差距，本研究引入了频率监督傅里叶级数检测 (FS-FSD)。FS-FSD 主要是一种桥梁缺陷检测方法：它从检测图像中预测缺陷类别、置信度和实例级几何结构。相对于传统的基于边界框和基于栅格掩膜的方法，其独特的输出特征是检测到的实例边界直接由有限阶傅里叶轮廓描述符表示。这种轮廓原生表示与 FSD 共享并从 FSD 继承；因此，它不是区分 FS-FSD 和 FSD 的特征。对于描述符阶数 nf，每个缺陷实例由 D=4nf+2 个傅里叶系数编码，从中可以直接重建闭合的图像空间轮廓。在这个意义上，FS-FSD 也是一种紧凑的轮廓表示方法，其输出可以作为视觉识别和桥梁检测信息系统之间的中间表示层。

基于这种共享的轮廓原生表示，FS-FSD 在检测器侧定位公式和表示对齐的傅里叶学习设计方面与 FSD 不同。具体而言，FSD 使用基于锚点的检测器公式，而 FS-FSD 将傅里叶分支与无锚点 DFL 风格头集成，保留检测器侧的边界框/类别输出用于样本分配、检测器监督和非极大值抑制。该框架进一步结合了网格单元频域监督、阶数感知系数归一化和闭式谐波相位对齐。这些组件旨在提高多尺度检测架构中傅里叶轮廓学习的准确性和稳定性，特别是对于不规则、细长和破碎的桥梁缺陷。

实验设计围绕上述两个主要目标进行组织。首先，为了评估跨异构输出形式的模型输出轮廓准确性，建立了一种表示感知多边形空间评估协议。该协议将基于边界框、基于掩膜和基于轮廓的输出转换为共享几何域，以便评估可以专注于边界保真度和几何一致性，而不仅仅是原生输出类型。其次，为了评估存档存储和计算效率，纳入了面向数据库的存档/恢复基准测试和边缘侧部署。这些实验检查有效负载大小、记录大小、恢复延迟、路由吞吐量和设备端可执行性。浏览器端可视化仅作为辅助概念验证保留，以证明紧凑的图像空间轮廓记录可以被恢复和交互式检查，而不是作为研究的主要目标。

本研究专注于视觉识别和下游桥梁检测信息系统之间的表示层。除非有外部校准或配准元数据，所有几何输出都被视为图像空间或归一化图像空间记录。因此，工作流程实验评估了所提出表示的紧凑性、可恢复性、可视化可行性和设备端可执行性，而不是物理尺度计量或全资产管理部署。

总之，主要研究目标是设计和评估一种轮廓原生桥梁缺陷检测器，其原生傅里叶级数输出改善了边界级缺陷表示，同时为存档和下游重用提供了紧凑且计算高效的图像空间记录。

主要贡献总结如下。
1. 提出 FS-FSD 作为一种具有紧凑傅里叶输出的轮廓原生桥梁缺陷检测方法。对于每个检测到的缺陷实例，FS-FSD 预测一个有限阶傅里叶轮廓描述符，而不是依赖边界框或密集栅格掩膜作为原生几何表示。描述符包含 D=4nf+2 个系数，可以直接重建为闭合的图像空间轮廓。进一步引入了一种表示对齐的训练公式，包括网格单元频域监督、阶数感知系数归一化和闭式谐波相位对齐，以提高多尺度桥梁缺陷场景中傅里叶轮廓学习的稳定性和准确性。
2. 通过统一的多边形空间协议评估模型输出轮廓准确性。提出的评估协议在共享几何域中比较基于边界框、基于栅格掩膜和基于轮廓的输出。其目的不是替代原生检测或分割指标，而是为跨范式评估提供补充的几何导向视角。在此设置下，FS-FSD 比代表性的检测和分割基线表现出更强的多边形空间几何保真度，特别是对于不规则、细长和破碎的桥梁缺陷。
3. 在表示 - 路由级别评估存档存储和计算效率。面向数据库的存档和恢复基准测试用于量化轮廓原生傅里叶编码相对于掩膜衍生替代方案的有效负载大小、记录大小、恢复延迟和路由吞吐量。边缘侧部署实验进一步检查了所提出表示的设备端可执行性。浏览器端可视化仅作为交互式图像空间审查的辅助概念验证包括在内。这些验证表明，FS-FSD 可以作为下游桥梁检测数据处理的紧凑、可恢复和计算实用的中间表示层。

章节片段
相关工作
智能桥梁缺陷检测研究逐渐从损伤检测发展到使损伤信息在资产管理工作流程中更具可用性 [18], [19]。表 1 将此研究与智能桥梁缺陷检测中两条主要研究流相对定位。提出的框架专注于基于视觉的缺陷识别和 AEC 信息工作流程之间尚未充分开发的表示层。现有研究可以广泛地组织为两类

方法论
为了将桥梁缺陷输出从以图像为中心的视觉证据升级为紧凑、可恢复和可重用的检测记录，FS-FSD 基于单阶段检测框架构建轮廓原生傅里叶输出。继承的检测器提供高效的多尺度特征提取、候选定位和类别判别，而提出的傅里叶分支直接为每个缺陷实例预测固定维度的轮廓描述符。本节的重点是

实验与几何评估
本节展示用于评估 FS-FSD 的实验设计和几何评估。它首先描述实验平台和数据集构建，然后定义表示感知评估协议和训练配置，报告与代表性基线的定量比较，最后通过消融研究检查所提出训练组件、傅里叶阶数和轮廓采样密度的影响。

工作流程验证
前几节在统一的基于多边形的评估协议下建立了 FS-FSD 的图像空间几何准确性。本节通过预测后数据处理和组件级可部署性的概念验证扩展了评估，超越了预测准确性，而不是全检测管理系统部署。验证涵盖两个互补方面：通过 SQLite 存储、系数恢复等进行预测后存档和重用，以及

结论
本文研究了人工智能辅助桥梁缺陷检测和识别中的输出表示问题。核心问题不仅是缺陷是否可检测，而是预测的几何结构在推理后是否保持紧凑、可恢复和可重用。为解决这一问题，开发了 FS-FSD 作为一种轮廓原生检测器，预测有限阶傅里叶描述符以及缺陷类别和置信度输出。方法论贡献在于

CRediT 作者贡献声明
Jin Liu：方法论，调查，资金获取，数据管理，概念化。Wang Wang：写作 – 审查与编辑，写作 – 原始草稿，监督，项目管理，资金获取，形式分析，数据管理，概念化。Hongxu Pu：可视化，验证，数据管理。Zhen Cao：写作 – 审查与编辑，数据管理。Yasong Wang：可视化，数据管理。Hu Wang：写作 – 审查与编辑，验证，数据管理。Kunming Luo：写作

写作过程中生成式 AI 和 AI 辅助技术声明
在本工作的准备过程中，作者使用了 GPT5.4 pro 以改善语言。使用此工具后，作者根据需要审查和编辑了内容，并对出版物的内容承担全部责任。

竞争利益声明
作者声明，他们没有已知的竞争经济利益或个人关系可能影响本文中报告的工作。

致谢
这项工作得到了山西省重大科技专项（“揭榜挂帅”项目）、营运高速公路交通基础设施数智化关键技术与装备开发（项目编号：202201150401020）的支持。

Jin Liu|Wang Wang|Hongxu Pu|Zhen Cao|Yasong Wang|Hu Wang|Kunming Luo