《Pattern Recognition》：CrackLite: Lightweight Concrete Crack Segmentation with Direction-Guided Topology Aggregation and Local Geometry Refinement
编辑推荐：
•CrackLite 是一个拥有 332 万参数的拓扑感知裂缝分割网络。•DGTA 和 NLGR 将裂缝路径聚合与局部几何细化解耦。•仅训练时的结构监督不会增加推理时的开销。•CrackLite 在 Bridge Crack 和零样本 PCHUN 上取得了最佳的 mIoU。•
- •
CrackLite 是一个拥有 332 万参数的拓扑感知裂缝分割网络。
- •
DGTA 和 NLGR 将裂缝路径聚合与局部几何细化解耦。
- •
仅训练时的结构监督不会增加推理时的开销。
- •
CrackLite 在 Bridge Crack 和零样本 PCHUN 上取得了最佳的 mIoU。
- •
Jetson Orin NX 推理达到 7.529 FPS，峰值内存为 0.735 GB。
引言
老化基础设施的自动化检查日益得到计算机视觉、深度学习和无人平台的支持 [1,2]。模式识别研究也探索了紧凑型分割模型的关系和边界知识迁移 [3]。对于裂缝评估，像素级掩膜能够提取长度、宽度、面积、连续性和破碎度等形态描述符，这些无法从图像标签或边界框中获得 [[4], [5], [6]]。
现场裂缝分割仍然很困难，因为裂缝细、对比度低、稀疏，且容易与阴影、污渍、接缝、孔隙和粗糙骨料混淆。仅靠重叠精度是不够的：破碎的路径会偏向长度和连接性，而模糊或膨胀的边界会扭曲宽度估计。因此，实用模型必须同时保持长程连续性和局部几何形状 [2,[7], [8], [9], [10], [11]]。
早期的流程依赖于阈值化、边缘检测、形态学、纹理描述符和路径后处理，但对光照和手动选择的参数敏感 [7]。Cha 等人 [12] 展示了基于 CNN 的裂缝识别，而上下文感知和全卷积分割模型 [13,14] 改善了像素级 delineation。Kang 等人 [15] 随后在复杂场景中将裂缝分割与定量分析相结合。
Wang 和 Su [16] 研究了基于 Transformer 的裂缝分割，而 Kang 和 Cha [17] 开发了一种高效的基于注意力的编码器 - 解码器。Liu 等人 [18] 引入了一种边界感知双流网络，Ding 等人 [19] 将无人机图像与 Transformer 建模相结合，Chen 等人 [20] 使用多任务学习进行分割和量化。这些研究表明，全局上下文、尺度交互和形态感知监督对于真实的裂缝图像很重要。
这些增益通常依赖于重型主干网络、多分支融合或全局交互，增加了内存和延迟。最近的研究包括小数据卷积模型 [21]、双主干 Transformer [22]、基于渲染的高分辨率分割 [23]、多尺度轻量级架构 [24]、Mamba 引导分割 [25] 和设备端部署 [27]。动态图建模也已用于分支曲线分割 [26]。在背景干扰下高效保持连续性和局部几何形状仍未解决。
本研究提出了 CrackLite，它将面向拓扑的聚合与面向几何的细化解耦。DGTA 估计局部方向并聚合切向/法向响应以减少路径破碎；NLGR 使用法向线索细化几何形状并抑制纹理噪声。仅训练的辅助分支正则化中心线和边界预测，并在推理时移除。
实验涵盖三个域内数据集、向 PCHUN 的零样本迁移以及工作站/Jetson 效率剖析。图 1 总结了八种模型在 Bridge Crack 上的精度 - 复杂度权衡。评估从分割精度、结构连续性、跨域鲁棒性和部署成本方面刻画了 CrackLite，而不是单纯追求指标上的主导。
本研究的主要贡献总结如下：
- (1)
介绍了 CrackLite，一种轻量级拓扑感知网络，用于在精度 - 效率约束下进行现场导向的裂缝分割。
- (2)
拓扑 - 几何块结合了用于置信门控方向聚合的 DGTA 和用于法向线索局部细化的 NLGR。
- (3)
仅训练的中心线/边界监督增加了结构正则化而没有推理开销；多数据集、零样本和 Jetson 评估刻画了精度、拓扑、鲁棒性和效率。
章节摘要
设计原理和整体架构
细裂缝分割必须在紧密的计算下保留长程连接性和局部几何形状。曲线结构的拓扑保持细化 [28]、基于条带的长轴上下文聚合 [29] 和拓扑敏感 clDice 优化 [30] 促使将路径聚合与局部几何细化分离。因此，CrackLite 将方向感知聚合与法向校准细化解耦。
图 2 展示了一个具有分层特征和跳跃的编码器 - 解码器
实验
本节详细介绍了用于评估区域级精度、拓扑敏感行为、跨数据集鲁棒性、部署效率和组件贡献的方案。
结果与讨论
报告了域内精度、零样本迁移、定性行为、效率、消融实验和局限性，重点关注区域重叠、结构连续性和部署成本。
结论
CrackLite 是一个轻量级拓扑感知网络，其中 DGTA 聚合候选方向，NLGR 细化法向几何形状，仅训练的辅助监督正则化结构而没有推理开销。
在统一评估方案下，CrackLite 在 Bridge Crack 上获得了最高的 F1/Dice 和数据集级 mIoU，并在报告的零样本 PCHUN 评估中获得了最高的 F1/Dice 和 mIoU，同时在 Crack500 和 Concrete-Crack-Segmentation 上保持竞争力。配对
资助
这项工作得到了内蒙古自治区自然科学基金（批准号：2025QN05118）和内蒙古科技大学科教计划（批准号：KJJH2024973）的支持。
CRediT 作者贡献声明
包龙生：方法论。陈思：形式分析、数据管理、概念化。包雨阳：软件、资源。李宝仙：资源。赵家康：资金获取。于玲：监督。
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，这些可能影响本文报告的工作。
包龙生 | 陈思 | 包雨阳 | 李宝仙 | 赵家康 | 于玲
