《ADVANCED ENGINEERING INFORMATICS》:Co-MixPL: An optimized semi-supervised learning method for tunnel water leakage detection
编辑推荐:
隧道渗漏检测中,针对复杂几何结构、环境多变及成像条件不均的挑战,提出半监督方法Co-MixPL,通过教师-学生框架迭代更新模型,结合混合伪标签策略与软回归损失优化,在Mendeley数据集上仅用1/7标注数据即达到SOTA性能,AP提升2.8%。
Xujie Long|Jing Teng|Zhiwei Zhu|Shaobo Zhao|Mengyang Pu|Ruifeng Shi|You Lv|Jonathan Li|Guoqing Jing
华北电力大学控制与计算机工程学院,中国北京102206
摘要 盾构隧道衬砌的复杂几何形状、环境变化以及不稳定的成像条件给漏水检测带来了巨大挑战。现有模型严重依赖于来自不同环境的丰富标注数据,以确保在各种场景下的可靠性能,但这在数据标注过程中耗费了大量时间和劳动力。为了减轻标注负担,我们提出了一种新的半监督学习方法Co-MixPL,该方法结合了带有伪标签的标注数据和通过混合伪标签(MixPL)策略生成的伪标签,以迭代更新教师模型和学生模型。具体而言,Co-MixPL在MixPL框架中增加了额外的头部结构,以提高编码器的判别能力,并引入了一种软回归方法来减轻伪标签中的固有定位偏差,通过自适应可靠性分数来优化伪标签的回归损失。值得注意的是,在公共“漏水”数据集Mendeley Data V1上的实验表明,Co-MixPL仅使用七分之一的训练数据就达到了最先进(SOTA)的性能水平,并且仅使用三分之一的标注量就比SOTA方法提高了2.8个AP分数。这些发现突显了Co-MixPL在显著减少标注量的同时提供更优检测性能的有效性,从而更好地满足了工程检测和维护的实际需求。代码可在以下链接获取:
https://github.com/LXJ010/Co-MixPL 。
引言 地铁隧道通常深埋地下或穿过地质复杂的区域,这导致频繁的漏水现象,可能会对隧道衬砌造成腐蚀和结构损坏[1]、[2]、[3]。此类漏水会降低承载能力并引起路基沉降[4]、[5]、[6],从而对列车运行和维护人员构成安全隐患[7]、[8]、[9]。传统的漏水检测主要依赖于人工检查,这种方法效率低下、耗时且需要大量劳动力。此外,由于隧道内照明条件较差,人工检查的准确性有限,难以区分漏水区域和正常表面,因此常常会忽略早期预警信号,这凸显了早期检测和及时维护的必要性。
与传统的人工检查相比,基于深度学习的方法在识别漏水方面提高了效率和准确性[10]、[11]、[12]、[13],从而增强了检查人员的安全性。现有的深度学习方法主要基于完全监督学习,首先收集高分辨率图像,然后手动标注漏水区域,最后训练并部署预定义的网络模型进行实时检测。然而,当标注数据稀缺或实际检测数据与训练数据集不同时,监督学习的性能会下降。这一限制是因为深度网络无法捕捉低标注场景中的数据多样性和复杂性,从而大大降低了模型的泛化能力。此外,由于隧道结构的变化和成像设备参数的不一致性,在特定环境中训练的漏水检测模型在新场景中的性能会大幅下降。现有解决方案通常需要对每个新环境进行大量的重新标注和重新训练,从而导致劳动力成本大幅增加。因此,控制每次重新训练的标注成本已成为漏水检测中的一个关键挑战。
为了减少对大量数据标注的需求,本研究提出了一种用于隧道漏水检测的协作式多任务半监督学习方法,称为Co-MixPL,其中“Co”表示协作,“MixPL”指的是所采用的半监督框架。具体来说,我们采用教师-学生框架和混合伪标签(MixPL)策略来共同利用标注数据和未标注数据。教师模型为未标注样本生成伪标签,这些伪标签与标注数据结合使用,以迭代更新学生模型和教师模型。此外,我们引入了一个辅助头部结构来改善小样本条件下的模型特征表示能力。为了减轻伪标签中的定位偏差,我们提出了一种软回归方法来优化伪标签的回归损失函数。总体而言,这种方法有效地整合了有限标注数据和大规模未标注数据的信息,显著提高了复杂隧道环境中的漏水检测准确性。
我们的主要贡献总结如下:
1. 提出了一种基于半监督学习的方法Co-MixPL,用于漏水检测,该方法显著降低了大量的人工标注成本,同时实现了更优的检测准确性。
2. 设计并整合了一个辅助头部结构到模型架构中,以提高编码器的判别特征表示能力。
3. 提出了一种软回归策略,通过自适应可靠性分数来优化伪标签的回归损失,从而减轻定位偏差。
部分内容 漏水检测 随着计算机视觉的进步,深度学习在工业和工程应用中的地位日益重要。Li等人[14]提出了一种基于YOLOv5的方法,用于实时检测和识别工业环境中的工人操作行为,有效减少了对手动监控的依赖,安全性得到了提高,mAP从88.2%提升到了92%。Hu和Zhu[15]提出了Sim-YOLOv5s,这是一种结合了SimSPPF的锂离子电池壳缺陷检测模型,具有更快的检测速度
概述 我们提出了一种基于均值教师(Mean Teacher)的半监督MixPL框架用于漏水检测,该框架由具有相同架构的教师模型和学生模型组成,如图1中的蓝色框所示。学生模型参数通过反向传播进行更新,而教师模型则通过学生模型的参数的指数移动平均(EMA)[28]进行同步参数更新。具体来说,在每个训练步骤之后,教师模型
数据集 本研究使用了一个高质量、公开可用的漏水检测数据集[10]。该数据集来自新建的上海地铁线路,收集时间为三个月,包含711张标注训练图像和200张验证图像。根据不同的背景,数据集可以分为五个类别,如图6所示。通过数据增强,原始数据集扩展了五倍,得到了3555张训练样本和1000张验证样本
结论 本研究创新地将半监督学习范式引入了漏水检测领域。基于MixPL框架,我们提出了Co-MixPL,这是一个协作式多任务驱动的半监督对象检测框架,它包含一个辅助头部结构,以增强编码器的判别能力并提高整体检测性能。为了解决伪标签数据中定位不准确的问题,我们提出了一种软回归方法
CRediT作者贡献声明 Xujie Long: 撰写——原始草稿、方法论、概念化、软件。Jing Teng: 撰写——审阅与编辑。Zhiwei Zhu: 数据整理。Shaobo Zhao: 软件开发。Mengyang Pu: 项目管理。Ruifeng Shi: 资源协调。You Lv: 资金筹集。Jonathan Li: 验证。Guoqing Jing: 监督。
利益冲突声明 作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。
致谢 本工作得到了国家自然科学基金 (编号:62373148和62301220)和中央高校基本科研业务费 (编号:2025JC005和2025MS024)的财政支持。