CrackInstSynth：知识驱动的拓扑保持型合成增强，面向裂纹级基础设施检测

《ADVANCED ENGINEERING INFORMATICS》：CrackInstSynth: Knowledge-informed topology-preserving synthetic augmentation for crack-wise infrastructure inspection

　　

**摘要** 可靠的基础设施检测需要裂缝级别的逐条分析，而非粗糙的前景提取，因为实际评估依赖于保持裂缝连续性、分离相邻缺陷以及恢复几何属性，以支持后续的测量、状态评估和维护规划。然而，实例级裂缝检测的进展受到密集标注训练数据稀缺的限制。在本研究中，我们研究了合成增强作为检测先验引导的支持机制，用于逐条裂缝的基础设施检测，在数据生成过程中显式编码了与任务相关的结构知识。具体而言，我们考虑了四种互补的检测知识形式：尺度感知的裂缝布局、形态感知的结构变化、单条裂缝内保持拓扑的连续性，以及相邻实例间不合并的分离性。基于这一公式化，我们提出了CrackInstSynth，一个保持拓扑的合成增强框架，该框架集成了区域级实例放置、先验引导的骨架生成器和两阶段条件生成模块，以产生标签对齐的裂缝掩码和具有强结构保真度的检测图像。我们还引入了CrackInst1K，一个高分辨率的隧道衬砌基准数据集，包含像素级精确的裂缝实例标注，以支持在现实检测场景中的评估。在CrackInst1K和多个公开裂缝数据集上的实验表明，所提出的框架在不同模型架构上一致地改善了下游实例分割和面向测量的裂缝分析性能，同时生成了具有良好视觉真实感和结构一致性的合成样本。这些结果表明，检测先验引导的保持拓扑增强是在有限标注资源下支持逐条裂缝基础设施检测的有效策略。

**引言** 隧道[1]、[2]、桥梁[3]、路面[4]、[5]、[6]及其他基础设施表面的裂缝是材料退化、水渗入和渐进性结构劣化的重要指标[7]。在自动化基础设施检测中，及早且可靠的裂缝评估对于预防性维护至关重要，因为延迟干预可能加速损伤传播、增加修复成本并危及结构安全[8]。除了简单的裂缝定位外，实际检测日益要求逐条裂缝分析，即不仅要检测到每条裂缝，还要量化其长度、宽度、连续性和空间范围等几何属性。这些逐条裂缝属性为下游的状态评估、维护规划和纵向状态跟踪提供了可测量和决策相关的输入[9]、[10]、[11]。

现有的大多数裂缝分析方法仍然将任务建模为二值裂缝检测或语义分割。虽然这些方法对粗定位有效，但当需要分离、测量和长期跟踪相邻裂缝时，它们往往不够充分。相比之下，实例级裂缝分割为每条裂缝分配唯一标签并提供像素级精确的掩码，更适合逐条裂缝测量、路径追踪和面向测量的检测支持[1]、[12]。与仅返回边界框的检测方法相比，实例分割更好地保留了精细的裂缝几何形状，包括细分支、局部宽度变化和相邻裂缝之间的邻接关系。图1展示了典型的工作流程，其中高分辨率检测图像经过实例级裂缝分割和后续几何测量处理。

尽管近年来取得了进展，实例级裂缝检测的发展仍然受到密集标注的实例级裂缝数据有限可用性的强烈制约。CFD[13]、DeepCrack[14]和CRACK500[15]等公开裂缝基准数据集已经支持了裂缝检测和语义分割的重大进步，但其中大多数仅提供二值或语义标注，且包含的图像数量有限。在实际检测项目中，收集额外数据成本高昂，生成像素级精确的标注需要大量时间和领域专业知识[8]、[16]、[17]。实例级标注的稀缺性尤为突出，特别是在隧道衬砌场景中，逐条裂缝量化对结构状态评估至关重要[10]。因此，现有模型往往缺乏足够的训练数据来学习多样化的裂缝布局、分支模式、精细几何和在现实检测条件下的实例分离。

然而，从工程信息学的角度来看，挑战不仅在于数据稀缺本身，还在于合成新训练数据时应保留哪些与任务相关的结构信息。对于逐条裂缝基础设施检测，有用的合成数据不仅应看起来视觉真实，还应保留检测相关的先验，包括：(i) 尺度感知的布局合理性，即在采集尺度下裂缝的合理出现和空间排列；(ii) 形态感知的结构变化，即裂缝长度、曲率和分支的合理变化；(iii) 每条裂缝内保持拓扑的连续性；以及(iv) 相邻裂缝实例间不合并的分离性。现有的增强流程可以扩大训练分布，但它们往往优先考虑外观多样性或样本数量，而非显式保留这些检测先验，这限制了其对下游逐条裂缝分析和测量的价值。

为弥补这一差距，我们提出了CrackInstSynth，一个用于逐条裂缝基础设施检测的知识信息引导的保持拓扑合成增强框架。其核心思想是在合成过程中直接将检测相关的结构先验编码进去，而不是将生成仅视为外观增强。具体而言，CrackInstSynth集成了三个协调组件。第一，区域级实例放置（RIP）模块将一个或多个种子实例组合成多样化但具有尺度感知的空间布局。第二，先验引导的骨架生成器（PSG）通过约束骨架生长丰富裂缝形态，从而在保持合理曲线模式的同时扩大结构变化。第三，两阶段条件生成模块生成配对的裂缝掩码和检测图像，同时保持实例内连续性和实例间分离性。通过这一设计，CrackInstSynth产生标签对齐的合成样本，无需额外的人工标注。

为支持本研究，我们进一步引入了CrackInst1K，一个包含1025张图像（1024×1024）和像素级精确裂缝实例掩码的高分辨率隧道衬砌基准数据集。该数据集由多年多隧道收集的真实检测图像构建而成，并通过瓦片-马赛克预处理策略以去标识化的形式发布，在减少场景泄露的同时保留局部裂缝形态。在该数据集的采集尺度下，大约1000个像素对应衬砌上约1米，因此每张图像覆盖约1平方米。与主要针对二值或语义分割的广泛使用的裂缝数据集相比，CrackInst1K提供了细粒度的实例标注和显式的几何尺度，从而为逐条裂缝分析和几何感知评估提供了实用的基准。

我们在CrackInst1K上评估了所提出的框架，并进一步在包括DeepCrack[14]和CRACK500[15]在内的多个公开裂缝数据集上评估了其有效性。实验考察了合成样本的结构保真度及其在不同模型架构上的下游逐条裂缝分割和面向测量分析的有效性。结果表明，所提出的合成数据一致地改善了下游性能，同时产生了真实的裂缝外观和拓扑一致的结构。这些发现表明，知识信息引导的保持拓扑增强是缓解标注稀缺并支持在有限标注资源下更可靠的逐条裂缝基础设施检测的实际方法。

本文的主要贡献总结如下：
1. 我们提出了CrackInstSynth，一个结合区域级实例放置、先验引导的骨架生成器和两阶段条件生成模块的保持拓扑增强框架，用于生成标签对齐且具有结构保真度的配对裂缝掩码和检测图像。
2. 我们提出了CrackInst1K，一个包含1025张高分辨率图像和像素级精确实例掩码的隧道衬砌基准数据集，为逐条裂缝分析和几何感知评估提供了细粒度的资源。
3. 我们证明了合成数据在CrackInst1K和多个公开裂缝数据集上一致地改善了下游实例分割和面向测量的裂缝分析，支持了在有限标注资源下更可靠的逐条裂缝基础设施检测。

**章节摘录**

**逐条裂缝基础设施检测与实例级裂缝分析** 自动化裂缝分析在土木基础设施中已被广泛研究，但许多现有方法仍将任务建模为二值检测或语义分割，其中所有裂缝像素被视为单一前景类。这种建模方式对于粗定位是有用的，但对于需要逐条裂缝测量、分离相邻缺陷和长期跟踪单条裂缝的检测场景往往不够充分[9]、[10]、[11]、[12]。

**方法论** CrackInstSynth通过三个阶段生成拓扑一致的裂缝图像-掩码对，以解决实例级裂缝标注的稀缺问题，如图2所示。该框架以一个合格的已标注裂缝实例池作为种子数据；在我们的实验中，该池仅限于训练标注以避免数据泄漏。(a) 区域级实例放置（RIP）从合格的种子池中采样一到三个种子实例，并将其放置在布局画布上形成...

**实验目标与任务设置** 实验旨在验证所提出框架的四个方面：(1) 其在缓解逐条裂缝实例分割中标注稀缺方面的有效性；(2) 其生成结构一致的裂缝图像-掩码对用于下游检测任务的能力；(3) 其在主要隧道衬砌基准数据集之外的适用性；以及(4) 其相对于通用条件生成器、简单增强基线和近期特定裂缝增强方法的优势。

**实验结果与讨论** 在本节中，我们首先评估主要下游性能及其在不同数据集和架构上的通用性，然后考察CrackInst1K上的低标注和面向测量的性能，最后提供来自生成保真度、定性分析、消融和增强与结构先验的实际分析的支撑证据。

**结论** 本文提出了CrackInstSynth，一个用于逐条裂缝基础设施检测的知识信息引导的保持拓扑合成增强框架，以及CrackInst1K，一个包含像素级精确裂缝实例标注的高分辨率隧道衬砌基准数据集。通过显式地将尺度感知的布局合理性、形态感知的结构变化、保持拓扑的连续性和不合并的分离性编码到合成过程中，CrackInstSynth生成了标签对齐的裂缝...

**CRediT作者贡献声明** Qin Lei：写作—审阅与编辑，写作—原稿撰写，可视化，软件，方法论，形式分析，数据管理，概念构思。Zikang Yan：软件，数据管理。Xin Xiao：可视化，方法论。Yuming Yang：软件，调查，形式分析。Jiang Zhong：监督，资源。Zhenke Chen：验证，软件，资源。Hao Wu：监督，资源，项目管理，资金获取，概念构思。

**利益冲突声明** 作者声明他们没有已知的竞争性经济利益或可能影响本文报告工作的个人关系。

**致谢** 作者感谢国家自然科学基金（项目编号：62606062）、重庆市科学技术委员会2024年技术创新和应用发展重点项目、精准互动融合医疗服务技术研究与应用（项目编号：CSTB2024TIAD-KPX0046）以及技术创新和应用发展重大项目、关键技术和平台发展的财政支持。

Qin Lei | Zikang Yan | Xin Xiao | Yuming Yang | Jiang Zhong | Zhenke Chen | Hao Wu