面向水力钢结构腐蚀评估与三维可视化的闭环边缘 - 服务器协同智能框架

《AUTOMATION IN CONSTRUCTION》:Closed-loop edge-server collaborative intelligence framework for corrosion assessment and 3D visualization of hydraulic steel structures

【字体: 大 中 小 】 时间:2026年10月22日 来源:AUTOMATION IN CONSTRUCTION 12.6

编辑推荐:

   •YOLO26-CorroSeg结合DSFM增强了细粒度特征表示能力。•级联腐蚀分割框架在Jetson设备上实现70 FPS。•基于空间同构的主动样本选择实现了低成本的迭代。•优化的3DGS实现了腐蚀缺陷的快速三维空间映射。1. 引言大坝在防洪、水力发电和水资源管理方面发挥着

  

•YOLO26-CorroSeg结合DSFM增强了细粒度特征表示能力。•级联腐蚀分割框架在Jetson设备上实现70 FPS。•基于空间同构的主动样本选择实现了低成本的迭代。•优化的3DGS实现了腐蚀缺陷的快速三维空间映射。1. 引言大坝在防洪、水力发电和水资源管理方面发挥着关键作用[1],[2]。如图1所示,水力钢结构(HSS),如闸门和拦污栅,是支撑这些功能的关键部件,其运行状态直接影响系统的安全性和可靠性。长期暴露于恶劣的运行环境中,包括高湿度、干湿循环和水力冲刷,会加速保护涂层的劣化和失效,导致局部腐蚀[3],[4]。若不及时干预,腐蚀会显著降低这些结构的承载能力和耐久性,危及防洪作业和大坝安全。下载:下载高分辨率图像(762KB)下载:下载全尺寸图像图1. 典型水力钢结构:(a) 中国金沙河表面溢洪道的弧形闸门;(b) 中国长江上某节制闸结构的检修闸门;以及(c) 腐蚀的拦污栅。目前,水力钢结构的现场腐蚀检查仍主要依赖人工目视检查[5]或传统无损检测方法,如超声波检测[6]和磁粉检测[7]。然而,人工目视检查具有主观性,而传统检测方法在水力钢结构表面腐蚀的综合评估和空间可视化方面提供的支持有限。因此,难以建立可量化和可追溯的运维(O&M)决策基础。随着边云计算与人工智能的深度融合,基于物联网(IoT)的结构健康监控(SHM)正经历向分布式智能转变的范式变革[4],[8]。在这一总体趋势的驱动下,开发高效、精准且可现场部署的自动腐蚀检测和三维可视化系统,已成为结构维护现代化的关键路径。尽管现有计算机视觉技术在表面缺陷识别领域取得了显著进展,但将这些方法转化为适用于水力环境的现场可部署闭环智能检测系统仍面临四个关键挑战:1. 实时推理与细粒度分割之间的两难困境:复杂的现场环境噪声(如污渍、阴影和碎片附着物)严重加剧了对细微缺陷的漏检风险。同时,受边缘设备极为有限的计算资源制约,轻量化网络往往难以在实时推理速度与高保真分割之间找到最佳平衡。2. 高昂的标注成本和主观分级壁垒:直接构建多类别像素级分割数据集不仅需要高昂的细粒度标注成本,还容易在分级过程中引入标注者的主观认知偏差。3. 长期运维中的"数据孤岛"效应:长期检查产生大量高度冗余和同质化的数据。采用全量标注和重训练范式将使系统面临过高的维护成本,亟需建立高价值"困难样本"的主动采集机制。4. 快速现场三维可视化:传统的二维单帧检测方法无法完整捕捉结构缺陷的空间和物理分布,从而严重限制了工程决策所需的宏观视角。此外,现有的二维图像拼接技术容易产生透视畸变,而传统的三维重建技术在密集重建和网格生成阶段会产生巨大的计算开销。因此,这些传统方法难以满足快速现场可视化的关键需求。为解决上述工程瓶颈,本研究提出并构建了一套面向水力钢结构的自动化腐蚀检测闭环系统,涵盖"边缘智能感知、主动数据迭代和三维可视化"范式。本研究的主要贡献如下:1. 提出一种频域增强分割网络YOLO26-CorroSeg。通过将原始C3k2模块替换为自定义设计的双分支空间-频率模块(DSFM),引入高频信息流和自适应门控融合机制,增强了复杂背景下对细微腐蚀目标的分割能力。进一步结合轻量化迁移学习,增强了对现场数据的适应性。2. 开发了一种级联分割框架。采用"先分割、后分级"范式,将像素级分割与图像级分类解耦,从而消除了多类掩码相关的主观认知偏差。在显著降低数据集构建成本的同时,通过TensorRT加速在Jetson边缘终端上实现了每秒七十帧的实时推理。3. 设计了一种基于空间同构的主动样本选择机制。利用分割网络和分类网络之间的特征重叠度量,定义了可靠性系数,实现了低置信度"困难样本"的自动筛选。因此,在固定标注预算下提高了训练效率,并将部署后的标注成本降至最低。4. 建立了一种基于优化的三维高斯泼溅(3DGS)的快速空间映射流程。针对水力维护面固有的稀疏视角特性,对3DGS[9]的超参数和损失函数进行了优化。这实现了二维语义分割结果向三维空间拓扑的快速映射,为工程决策提供了直观的三维可视化支持。本文其余部分组织如下:第2节回顾了与本研究相关的现有工作。第3节详细阐述了所提出检测系统的整体架构的三层核心结构及各组件的具体细节。第4节介绍了实验设置,包括构建的数据集、评估指标以及软硬件环境。第5节讨论了系统核心组件的实验结果,包括YOLO26-CorroSeg的性能评估和结果分析、级联分割架构的优势分析和部署效果,以及主动样本选择机制的验证。最后,第6节提供了案例研究,展示了水力钢结构在现场和实验室环境中的三维可视化。2. 相关工作本节回顾了与本研究密切相关的现有文献和技术进展,包括腐蚀分割、轻量化网络、腐蚀分级、主动学习和三维可视化。2.1. 腐蚀分割腐蚀分割技术的演变已从传统数字图像处理转向深度学习。传统方法主要依赖颜色空间转换[10]、边缘提取[11]和纹理工程[12]等浅层特征。尽管这些方法在受控环境中表现出一定的可行性,但当面对水力现场环境的非均匀光照和复杂背景干扰时,其鲁棒性往往无法满足实际工程需求。近年来,得益于计算机视觉的突破性进展,基于深度学习的像素级分割成功克服了传统图像处理方法的局限性,成为腐蚀区域检测的主导范式[4],[13]。在全卷积网络的架构层面,Hoskere等人[14]提出的MaDnet实现了多种损伤类型的联合识别。Jiang等人[15]针对暗场环境设计的FAU-net通过多级特征聚合增强了表示能力。此外,为应对边界拟合的挑战,Katsamenis等人[16]探索了一种将深度语义特征与颜色特征相结合的融合策略。Liu等人[17]将卷积块注意力模块引入实例分割框架,从而增强了对自然环境中金属缺陷的提取效果。尽管上述方法展示了有效性,但在水力场景中仍面临严峻挑战:腐蚀形态高度多样化且密布细微目标,复杂背景干扰经常掩盖这些缺陷的基本特征。因此,在保持轻量化架构的同时通过增强高频细节感知来实现精准腐蚀分割,仍是一个关键挑战。2.2. 轻量化细节增强网络近年来,对基础设施实时检查的需求推动了轻量化缺陷检测网络的发展。在道路[18]、大坝[1]和桥梁[19]等场景中,研究人员致力于在受限计算资源下实现高精度分割。Chu等人[20]通过轻量化Transformer编码器结合基于渲染的MLP增强了裂纹边缘的表示。Li等人[21]将注意力机制引入改进的U-Net架构,优化了无人机平台下大坝缺陷的检测性能。此外,Huang[22]和Cheng等人[23]分别利用FasterNet和优化后的U2-Net结构,试图在降低计算复杂度的同时保持细粒度缺陷的边缘识别精度。然而,现有方法在实际工程应用中仍面临严峻挑战。第一个挑战是部署兼容性;许多"理论上轻量化"的模型由于不受支持的操作符而无法在边缘推理框架(如TensorRT)中实现预期的加速。第二个挑战是精度与噪声之间的权衡;极致的轻量化不可避免地导致细粒度纹理的丢失[24],而传统的多尺度融合[25]、注意力机制[26]或高频轮廓先验[27]容易在复杂水力环境中放大噪声,从而破坏训练稳定性。最近的研究表明,将标准YOLOv5[28]和YOLO11[29]模型部署在HoloLens 2上可实现令人满意的实时性能,用于结构裂纹检测任务。虽然这种直接部署范式非常高效,但标准网络架构往往缺乏必要的感知灵敏度,难以在复杂水力钢结构背景下准确识别细粒度的、低对比度的腐蚀。为克服这一局限,本研究在C3k2架构基础上提出了一种双分支空间-频率模块(DSFM)。通过集成残差式高频信息流和可学习的注意力门控机制,DSFM显著增强了网络捕捉细微腐蚀边界的能力。关键在于,在实现这一感知提升的同时,该模块严格保持了操作符的兼容性,以确保增强后的框架保留了现成应用所具有的高推理速度。2.3. 腐蚀等级评估水力结构表面缺陷的精准量化是精细检查的核心。目前,主流的腐蚀分级方法主要分为三类:多类语义分割[30]、图像级全局分类[31],[32],以及基于滑动窗口的局部分类[33]。然而,上述方法在实际工程部署中表现出显著局限性。虽然多类语义分割能够同时实现定位和分级,但它严重依赖大规模的像素级掩码标注。这不仅产生了高昂的数据成本,还容易受到人工主观偏差的影响,阻碍了团队协作和大规模数据集的构建。图像级全局分类在标注方面较为简化,但缺乏空间定位能力,且其分级精度容易受到复杂背景干扰的影响。滑动窗口策略在标注成本和定位之间取得了平衡;然而,其密集采样计算导致过高的计算开销,无法满足实时现场检查的要求。为解决这些挑战,本研究提出了一种基于感兴趣区域(ROI)的级联分割框架,采用"先分割、后分级"的解耦策略。首先,利用轻量化网络提取腐蚀区域;随后,在裁剪的ROI内确定严重程度等级。这种策略通过任务解耦屏蔽了无关背景干扰,并将分割标注流程与分级分类工作流程分离开来。因此,它显著降低了多类别数据集构建的门槛,更好地满足了工程应用中长期增量迭代的需求。2.4. 主动学习与样本选择在长期检查中,冗余数据的积累使得标注所有采集数据并在完整数据集上重新训练模型变得成本极高。基于不确定性的主动学习[34]根据模型不确定性选择样本,而困难样本挖掘(HEM)和在线困难样本挖掘(OHEM)[35]利用训练损失识别困难样本。然而,即使对于远离训练数据的输入,神经网络也可能产生过度自信的预测[36],这可能限制了基于置信度的样本选择的可靠性。此外,HEM和OHEM需要标注数据来计算训练损失,使其难以直接应用于新采集的、未标注的检查数据。Pantoja-Rosero等人[37]提出了一种用于语义分割的部分标注主动学习策略,通过识别具有信息量的图像区域进行标注,从而在保持分割性能的同时减少标注工作量。然而,该策略主要关注所选图像内的区域级标注。对于长期水力检查,还需要从大量冗余未标注数据中高效筛选高价值图像。虽然本系统从根本上依赖于使用人工标注数据训练的初始基础模型,但所提出的主动样本选择机制在后续的增量学习阶段运行。该机制对传入的数据流不需要标注先验知识,能够从海量未标注图像中自动识别具有高迭代价值的困难样本。2.5. 结构健康监控中的三维可视化虽然二维视觉模型可以检测和分割单张图像中的缺陷,但工程决策通常需要结构尺度上的缺陷空间分布信息。

为了满足这一需求,既往研究已采用三维重建技术来空间定位和可视化大坝缺陷 [38]。例如,基于无人机摄影测量的研究已证明了将二维缺陷分割结果映射到三维大坝模型上的可行性 [39]。最近的研究进一步开发了自动化工作流,将缺陷分割结果映射到建筑信息模型 (BIM) [40] 和桥梁信息模型 (BrIM) [41],以支持结构健康监测中的缺陷定位和可视化。此外,集成摄像头和激光雷达的智能地面机器人系统已被用于结构损伤的自动化三维映射和可视化 [42]。传统三维缺陷映射主要依赖于利用运动恢复结构 (SfM) 或多视图立体 (MVS) 技术生成的点云进行投影显示 [43]。最近的研究已成功将语义分割与基于 SfM 的三维结构模型相结合,为基础设施检查生成增强型损伤视觉表征 [44]。然而,这些传统摄影测量流水线在基于 MVS 的密集重建和网格生成阶段不可避免地产生巨大的计算开销,从而限制了它们在紧急工程场景中的效率。

为了克服传统显式重建的局限性,神经辐射场 (NeRF) [45] 凭借其强大的隐式场景表征能力展现了巨大的潜力。例如,Kim 等人 [46] 使用基于深度注意力的修改版 Nerfacto 架构,实现了结构裂缝的三维像素级损伤映射。尽管取得了这些显著进展,NeRF 固有的高昂计算开销和缓慢的渲染速度仍难以满足现场水工检查中“即时审查”的严格时效性要求。

与传统流水线不同,3DGS 从根本上绕过了与密集重建和网格生成阶段相关的高昂计算开销,仅依赖于初始相对较快的 SfM 阶段导出的稀疏点云和相机位姿。必须明确指出,对于严格的计量测量目的,3DGS 重建可能仍包含摄影测量噪声,并且通常不如地面激光扫描等主动传感技术准确。然而,所提出的 3DGS 流水线的主要优势在于其卓越的可视化质量和快速渲染速度。这与现场水工检查中宏观损伤映射的“即时审查”要求完美契合。为了满足现场快速重建的必要条件同时保持高保真度,迭代预算被压缩至 7000 步,并结合超参数的自适应调整。与此同时,通过自动化脚本无缝集成必要的预处理阶段,建立了一条高效、全自动、端到端的三维重建流水线。

3. 提出的系统

本节详细介绍了提出的用于高强钢 (HSS) 腐蚀评估和三维可视化的闭环边缘 - 服务器协同智能框架。首先介绍整体系统架构,随后详述轻量级分割网络、级联框架、主动样本选择机制以及三维重建优化的具体结构设计。

3.1. 整体系统架构

为了满足高强钢腐蚀的高精度实时分割、低成本网络迭代以及三维可视化的工程需求,构建了一个现场级边缘 - 服务器协同智能腐蚀评估系统。如图 2 所示,该系统在逻辑上划分为以下三层:

下载:下载高分辨率图像 (671KB) 下载:下载全尺寸图像
图 2. 边缘 - 服务器协同智能腐蚀感知与三维空间映射系统的闭环框架。

1. 边缘智能感知层
作为系统的边缘感知单元,该层通过将级联腐蚀分割框架集成到便携式检测设备中,对现场检查视频流进行实时处理。利用 TensorRT 深度加速技术,它以高频持续执行缺陷区域的像素级分割和严重程度分级。

2. 服务器端三维重建与可视化层
部署在携带至现场的高性能笔记本电脑上,该层主要负责处理从边缘终端通过局域网传输的带有语义掩码的视频序列。基于优化的 3DGS 算法,它执行场景重建任务,以实现腐蚀空间分布的高保真三维可视化。

3. 数据驱动的网络演化层
该层是确保系统长期泛化性能的核心。在初始阶段,使用人工收集的数据完成网络预训练。一旦系统进入正常运行状态,部署在服务器端的主动样本选择机制会自动从边缘终端聚合的大量视频数据中筛选出高贡献度的“困难样本”以构建增量训练集。最后,通过轻量级迁移学习策略,实现网络权重的持续微调与版本管理。这种方法降低了维护成本,打破了“数据孤岛”,并完成了系统感知能力的闭环迭代。

3.2. 轻量级腐蚀分割网络

本节介绍了所提出的 YOLO26-CorroSeg 网络的设计与实现。详细阐述了整体轻量级架构、用于增强细粒度缺陷感知的定制设计 DSFM,以及用于在有限样本条件下加速模型收敛的轻量级迁移学习策略。

3.2.1. YOLO26-CorroSeg 架构

为了在现场终端设备的计算约束与缺陷像素级定位的实时需求之间取得最佳平衡,选择了一种支持端到端推理且无需非极大值抑制的轻量级分割网络 YOLO26n-seg [47] 作为基线模型。根据图 3 所示的 COCO 数据集上的性能评估结果,该 Nano 版本仅具有 270 万个参数,并在边缘 GPU 上实现了低至 2.1 毫秒的推理延迟。与更深层次的变体(如 s 版和 x 版)相比,后者参数量显著增加且精度收益递减,该版本特别适合在受限于硬件条件下进行高效部署。

下载:下载高分辨率图像 (320KB) 下载:下载全尺寸图像
图 3. YOLO26-seg 变体 (n, s, m, l, x) 在 COCO 数据集上的性能比较。

然而,基线网络的超轻量级主干架构在一定程度上限制了其特征表征能力,使其难以完全适应水工环境中的复杂背景干扰和细微腐蚀目标。为了解决这些瓶颈,提出了一种改进的网络 YOLO26-CorroSeg。如图 4 所示,在保持宏观“主干 - 颈部 - 头部”架构不变以确保算子兼容性的前提下,原有的 C3k2 模块被完全替换为 DSFM。通过引入高频细节信息流,该设计在不显著增加计算开销的情况下,增强了网络对细微腐蚀目标和复杂边界的感知能力。因此,它为后续基于 TensorRT 的边缘部署和持续模型迭代提供了可靠的架构基础。

下载:下载高分辨率图像 (279KB) 下载:下载全尺寸图像
图 4. YOLO26-CorroSeg 架构。

3.2.2. 双分支空频模块

尽管原生 C3k2 模块具有强大的轻量级局部语义聚合能力,但在复杂背景下的高强钢表面腐蚀分割任务中,其对细粒度高频纹理的表征仍显不足。为此,构建了 DSFM 以同步建模语义上下文和高频细节信息,同时确保与终端推理设备的算子兼容性。如图 5 所示,DSFM 采用并行双分支架构。

下载:下载高分辨率图像 (138KB) 下载:下载全尺寸图像
图 5. 双分支空频模块 (DSFM) 的结构。

空间分支:保留标准的 C3k2 架构,以确保高效提取深层语义特征。
频率分支:既往研究表明,显式利用频域信息可显著增强语义分割任务的性能 [48]。为此,我们基于深度可分离卷积 (DWConv) 构建了一种自适应空间滤波架构,并开发了可学习高频提取器 (LHFE)。与刚性固定的高频算子不同,LHFE 根据任务需求动态调整其核权重,实现对腐蚀特征的高频细节自适应增强。此外,它保持了较低的计算复杂度和卓越的算子兼容性,从而完全满足边缘设备上的实时部署要求。

为了实现双分支特征的自适应融合并减轻初始训练阶段高频噪声造成的干扰,设计了一种基于压缩 - 激励 (SE) [26] 注意力模块的可学习残差门控 (LRG) 机制。具体而言,对门控缩放因子采用零初始化策略,使网络能够在训练过程中平滑地学习高频信息的注入比例。因此,这增强了低对比度腐蚀区域与复杂背景之间的特征可分离性,严格确保了模型在极端环境下的分割稳定性。

给定输入特征图 ?? ∈???×??1×??×??,DSFM 的主要计算过程表述如下:
(a) 空间分支
空间分支利用 C3k2 模块提取空间特征和语义信息,其计算过程可表述为:
(1)????????????????=????3????2?(??)
其中,???????????????? ∈???×??2×??×??,????3????2 表示 C3k2 模块的非线性变换。

(b) 频率分支
频率分支首先利用配备复制填充的 3 × 3 深度可分离卷积 (记为 DWConv),随后沿通道维度进行投影。其计算过程可表述为公式 (2) 和 (3):
(2)????????=???(BN?(DWConv3×3?(??)))
(3)??????????=Conv1×1?(????????)
其中 BN 表示批归一化,σ 表示 SiLU 激活函数,?????????? ∈???×(??1/2)×??×?? 表示降维后的高频特征图。

随后,高频特征图被送入配备可学习缩放因子 (记为 SEWeight) 的通道注意力机制。其计算过程可表述为公式 (4) 和 (5):
(4)??=??sig?(??2????(??1?GAP?(??????????)))
(5)??????????=??????????⊙(1.0+?????)
其中 GAP 表示全局平均池化。W1 和 W2 分别代表 SEWeight 模块内两个 1 × 1 卷积层的权重。σsig 表示 Sigmoid 激活函数。⊙ 表示特征图的元素级乘法,α 表示初始化为 0 的可学习增益参数。

(c) 融合与输出
空间分支特征 Fspatial 和动态加权的高频特征 Ffreq 沿通道维度进行拼接。随后,利用 1 × 1 卷积执行跨通道融合。最后,在满足维度对齐的前提下,融合结果与输入特征叠加形成残差结构。计算过程可表述为公式 (6) 和 (7):
(6)??????????=Conv1×1?(Concat?(????????????????,??????????))
(7)??={??????????+??,if shortcut is True and??1=??2 ??????????,otherwise

最终,?? ∈???×??2×??×?? 代表 DSFM 的最终融合输出特征。

3.2.3. 轻量级迁移学习策略

为了克服架构修改导致的权重不兼容问题以及在全量 COCO 数据集上重新训练的高昂成本,我们提出了一种轻量级迁移学习策略。具体而言,模型参数初始化依赖于由 Samet 等人 [49] 构建的 Mini-COCO 数据集(COCO train2017 的 20% 子集)。研究表明,该子集能以显著降低的时间开销复制出与全量数据集高度一致的收敛趋势。该策略预计能补偿因结构优化导致的特征先验损失,从而为在有限腐蚀样本数据集上微调 YOLO26-CorroSeg 提供鲁棒的初始权重。

3.3. 基于改进 YOLO26 的腐蚀评估

本节提出了级联腐蚀分割框架 (CCSF),旨在以显著降低的维护和标注成本实现多级腐蚀评估。此外,详细阐述了该框架在实时边缘部署中的实际实现。

3.3.1. 级联腐蚀分割框架

为了减少多类像素级标注相关的高昂成本和主观偏差,提出了一种 CCSF。该架构通过 YOLO26-CorroSeg(负责目标定位)和 YOLO26-CorroCls(负责严重程度评估)的协同工作来运行。值得注意的是,YOLO26-CorroCls 丢弃了多尺度特征融合颈部,直接将主干网络连接到分类头(图 6(a))。它负责输出四个腐蚀等级,同时保留类激活图以支持后续的样本选择机制。

下载:下载高分辨率图像 (773KB) 下载:下载全尺寸图像
图 6. CCSF 的整体组成及架构细节。

CCSF 的运行机制包含两个不同阶段:独立训练和级联推理。
训练阶段(图 6(b)):系统分别使用单类掩码数据集和低成本图像级分类数据集独立微调双网络。这种轻量级解耦策略有效地规避了复杂联合标注的高门槛,显著增强了工程实施的可行性。
推理阶段(图 6(c)):输入图像首先通过 YOLO26-CorroSeg 进行全局腐蚀掩码提取。随后,每个腐蚀连通组件被裁剪为感兴趣区域 (ROI),并以批模式输入 YOLO26-CorroCls 进行并行分级标签获取。最后,系统融合两个阶段的输出,在一帧内实现高效的多目标腐蚀分割和分级可视化。

3.3.2. 边缘部署实现

为了验证系统在水工检查场景下的便携性和实时性能,构建了一个集成 CCSF 的边缘检测终端原型。该原型以 NVIDIA Jetson Orin Nano 作为核心计算平台,其外观如图 7 所示。

下载:下载高分辨率图像 (192KB) 下载:下载全尺寸图像
图 7. Jetson Orin Nano Super 开发者套件。

该平台配备了基于 Ampere 架构的 1024 个 CUDA 核心,具有强大的边缘智能计算能力。

结合使用 Python 开发的可视化 GUI 检测软件,该原型实现了从现场数据采集到结果反馈的独立运行能力。终端原型的整体视图如图 8 所示,其主要硬件配置详见表 1。

图 8. 边缘检测终端原型。

表 1. 边缘检测原型的硬件组成及关键规格。
| 模块 | 型号/规格 | 功能与描述 |
| :--- | :--- | :--- |
| (a) 计算单元 | NVIDIA Jetson Orin Nano Super Developer Kit (8GB) | 运行所提出的腐蚀检查分割 - 分级级联的核心计算平台,包括图像预处理、模型推理和后处理;使用 TensorRT 进行加速部署。 |
| (b) 成像单元 | 摄像头模块(最大分辨率 3840 × 2160,最大帧率 60 fps) | 捕获目标表面的图像/视频,并为检查算法提供高质量视觉输入,满足精细细节成像和动态采集的要求。 |
| (c) 电源单元 | UPS 电源模块(输入 15–19 V);电池组:3 × 21,700 锂离子电池,每节 5000 mAh | 提供便携电源和电源管理;充电管理 IC 处理电池充放电并支持动态电源路径切换,以在系统运行和电池充电之间自动分配电源,提高现场稳定性。 |
| (d) 用户界面 | 5 英寸电容触摸屏(分辨率 800 × 480) | 显示实时分割覆盖层、腐蚀等级预测和系统状态,用于现场观察和交互。 |

算法的边缘部署遵循“服务端训练与边缘端推理”的流水线范式。如图 9 所示,在服务器上完成模型训练后,YOLO26-CorroSeg 和 YOLO26-CorroCls 被导出为 ONNX 格式,作为统一的中间表示。随后,利用 NVIDIA TensorRT 针对 Jetson 平台的硬件特性进行计算图优化和层融合。在部署阶段,系统通过 TensorRT 引擎实现显存缓冲区复用,并支持半精度 (FP16) 推理,从而在保证精度的同时将推理延迟降至最低。借助 JetPack 6 软件栈提供的端到端加速环境,该方法有效地消除了冗余计算开销,并确保系统在复杂现场环境中的实时响应能力。

图 9. 权重转换工作流及在 Jetson 上的部署。

3.4. 主动样本选择机制

腐蚀形态经常发生动态演变,中性盐雾测试验证了这一现象,如图 10 所示。为应对这种动态变化并持续增强网络的适应性,系统必须在应用阶段持续收集现场样本以微调网络。然而,海量检测数据带来的高昂标注成本已成为系统工程实施的主要瓶颈。

图 10. 中性盐雾测试后腐蚀钢板形态变化:(a) 初始状态,(b) 暴露于空气中 1 天,(c) 3–5 天,以及 (d) 7–21 天。

为克服这一挑战,我们提出了一种主动样本选择机制。当包含腐蚀目标的图像输入到 CCSF 架构时,假设推理结果是可靠的,分割网络生成的像素级分割掩膜(图 11(e))与使用 Grad-CAM [50] 输出的分类网络热图的高激活区域(图 11(b))之间应该存在“空间同构”。两者之间的显著空间偏差表明背景干扰导致漏检或误检的可能性很高。因此,系统通过定义和计算可靠性系数 R 来量化两者的空间同构性,从而自动过滤掉 R 值较低的图像。这些图像被识别为具有最高优化价值的“困难样本”,并优先纳入迭代训练。该机制可以在一定程度上排除冗余数据,从而以显著降低的标注成本推动网络性能进化。

图 11. 可靠性系数 R 的计算示意。

我们通过以下数学关系定义这种“空间同构”。如图 11 所示,给定输入图像 I,YOLO26-CorroSeg 生成二值分割掩膜 Bu ∈{0,1}H×W(其中腐蚀像素标记为 1,背景标记为 0);同时,YOLO26-CorroCls 利用 Grad-CAM 输出类别激活热图 H ∈[0,1]H×W。可靠性系数 R 的主要计算过程如下:

(a) Grad-CAM 二值化
设定阈值 tcam(其中 tcam=0.2)以导出二值化热图:
(8) Bcam(p) = I(H(p) ≥ tcam), p ∈ Ω
其中 Ω 表示像素集合,I(·) 表示指示函数。

(b) 相关区域与无关区域识别
通过计算二值化 Grad-CAM (Bcam) 和分割掩膜 (Bu) 的交集来推导相关区域:
(9) Ar = {p ∈ Ω | Bcam(p) = 1 ∧ Bu(p) = 1}
此外,位于热图激活区域内但分割掩膜之外的部分被定义为无关区域:
(10) Air = {p ∈ Ω | Bcam(p) = 1 ∧ Bu(p) = 0}
显然,热图总激活区域 A 满足 A = Ar ∪ Air,其中 A = {p | Bcam(p) = 1}。

(c) 相关区域比例
相关区域的比例计算如下:
(11) RA = |Ar| / |A| = |Ar| / (|Ar| + |Air|)

(d) 可靠性系数公式化
为了将 Grad-CAM 激活强度纳入可信度评估,进一步引入热图的逐像素加权来定义可靠性系数 R:
(12) R = (∑(p∈Ar) H(p)) / (∑(p∈A) H(p))

当分类网络的主要注意力集中在分割区域内时,R 值接近 1,表明检测高度准确。这些可靠的图像直接输出用于下游 3D 可视化和分级。相反,如果大量注意力落在分割区域之外,R 值下降,表明准确性不足。此类图像会被自动标记为高价值的“困难样本”并保存到本地服务器。为了提供准确的真值监督,这些特定图像会被手动重新标注,随后纳入训练数据集以微调网络。

3.5. 基于 3DGS 的场景重建优化

为满足工程评审的快速发展 3D 可视化需求,边缘终端输出的腐蚀分割视频被引入 3DGS 进行重建,如图 12 所示。该过程将 2D 图像中的腐蚀区域映射到 3D 空间中,渲染出场景的交互式高斯表示。

图 12.3DGS-Improved 算法的自动化重建流水线。

针对原生 3DGS 默认 30,000 次迭代导致的效率瓶颈,提出了一种加速的 3DGS-Improved 范式。迭代预算压缩至 7000 步,并重新配置优化损失函数 L = (1?λ)·L1 + λ·LD-SSIM 及其超参数。具体来说,为实现快速收敛而不牺牲渲染质量,实施了以下两项关键修改:
1. 增加透明度重置频率:将 opacity_reset_interval 从 3000 缩短至 1500。此修改缓解了短周期优化期间的局部遮挡和伪影,保持了复杂表面的几何一致性。
2. 增强结构保真权重:将 D-SSIM 的权重 λ 从默认的 0.2 提高至 0.4。此调整迫使网络在快速收敛期间优先抑制结构失真,从而确保腐蚀形态和边界的重建保真度。

为严格证明这些工程优化的必要性,与当前最先进的 Nerfacto 框架在本地硬件约束下的全面对比分析详见第 5.4.1 节。3D 可视化模块部署在服务器端,接收从边缘传回的分割结果,在数字空间内提供腐蚀区域的结构尺度体积表示。值得注意的是,如果相机重复覆盖同一损坏区域,3DGS 流水线不会简单地按顺序覆盖初始映射信息。相反,它使用所有重叠帧进行联合优化,这有效地融合了多视角的语义掩膜,并缓解了任何单帧的潜在检测噪声。

4. 实验设置

为严格评估所提出系统的性能,设计并进行了全面的实验。本节详细描述了实验配置,包括定制腐蚀分割和分级数据集的构建、用于定量评估的评估指标,以及用于模型训练的硬件和软件环境。

4.1. 腐蚀分割数据集

在现场维护工程师的协助下,我们构建了一个包含 214 张真实世界图像的专用腐蚀分割数据集。基于此数据集,建立了单类和多类腐蚀分割数据集。使用 LabelMe 工具对腐蚀区域进行像素级掩膜标注,数据集按 8:2 的比例划分为训练集和测试集。单类腐蚀分割数据集的示例如图 13 所示。多类数据集的示例如图 14 所示,其中 B 级、C 级和 D 级分别使用蓝色、黄色和红色掩膜识别。值得注意的是,不同标注者之间难免存在一定程度的主观偏差。

图 13. 单类腐蚀分割数据集样本图像。
图 14. 多类腐蚀分割数据集样本图像。

为缓解有限样本量引起的过拟合并增强模型的泛化能力,对训练集应用了混合数据增强策略,其效果如图 15 所示。该策略有效将样本量扩大了五倍。具体增强操作包括:

图 15. 数据增强样本结果。
- 随机翻转(水平、垂直和对角,概率 50%)。
- 随机旋转(?45°至 45°,概率 70%)以模拟多样化拍摄视角。
- 随机缩放(0.8×至 1.2×,概率 50%)以增强多尺度鲁棒性。
- 随机亮度和对比度扰动(±20%,概率 50%)以克服复杂现场光照干扰。

4.2. 腐蚀等级分类数据集

利用级联分割架构的“任务解耦”优势,以最小的图像级标注成本构建了腐蚀分类数据集,有效规避了等级标注固有的主观偏差。以 ISO 8501-1 [51] 标准的四个等级为基准,并结合实际工程条件,数据集采用“最严重等级优先”准则来确定单张图像的全局类别标签,样本如图 16 所示。

图 16. 腐蚀分级数据集样本图像。

数据集中所有等级的图像按 8:2 的比例划分为训练集和测试集。为增强模型的泛化性能,对训练集应用了包括随机旋转、缩放和亮度扰动的复合数据增强策略,有效将数据集扩展至原来的五倍。数据集类别的最终定量分布详见表 2。

表 2. 腐蚀分级数据集中的图像分布。
| 数据集 | 子集 | 类别 | 原始数量 | 增强后数量 |
| :--- | :--- | :--- | :--- | :--- |
| 腐蚀严重程度分类数据集 | 训练集 | Grade A | 49 | 72485 |
| | | Grade B | 382 | 1910 |
| | | Grade C | 286 | 1430 |
| | | Grade D | 318 | 1590 |
| 验证和测试集 | Grade A | | 125 | – |
| | Grade B | | 96 | – |
| | Grade C | | 72 | – |
| | Grade D | | 80 | – |
| **总计** | | | **185** | **67415** |

4.3. 评估指标

为评估所提出的级联腐蚀分割框架(CCSF),建立了针对分割和分级子任务的综合指标体系,计算公式详见表 3。

表 3. 腐蚀分割和分类任务的常用评估指标。
| 任务 | 指标 | 公式 | 描述 |
| :--- | :--- | :--- | :--- |
| **分割** | 精确率 (P) | P = TP / (TP + FP) | 正确预测的腐蚀像素占所有预测为腐蚀像素的比例。 |
| | 召回率 (R) | R = TP / (TP + FN) | 正确预测的腐蚀像素占所有实际真值腐蚀像素的比例。 |
| | 平均交并比 (mIoU) | mIoU = (1/C) ∑(i=1 到 C) (TPi / (TPi + FPi + FNi)) | 所有类别中预测掩膜与真值交集与并集比率,衡量空间重叠保真度。 |
| | 掩膜平均精度 (mAP@50) | mAP@0.5 = (1/C) ∑(i=1 到 C) ∫(0 到 1) Pi(Ri) dRi | IoU 阈值为 0.5 时精确率 - 召回率曲线下平均面积,反映全局分割鲁棒性。 |
| **分类** | Top-1 准确率 | Top-1 Accuracy = (∑(i=1 到 C) TPi) / Ntotal | 预测置信度最高的类别与真值严重程度标签匹配的样本比例。 |
| | 宏精确率 (mPrecision) | mPrecision = (1/C) ∑(i=1 到 C) Pi | 所有腐蚀严重程度类别精确率的算术平均值,反映综合预测准确性。 |
| | 宏召回率 (mRecall) | mRecall = (1/C) ∑(i=1 到 C) Ri | 所有严重程度类别召回率的算术平均值,反映综合检测覆盖率。 |
| | 宏 F1 分数 (mF1-score) | mF1-score = (1/C) ∑(i=1 到 C) (2 × Pi × Ri) / (Pi + Ri) | 所有类别 F1 分数的算术平均值,在类别不平衡下综合评估分类效果。 |

注:TP、FP 和 FN 分别代表真阳性、假阳性和假阴性像素/样本;C 是特定任务中的总类别数;Ntotal 是分类测试集中的样本总数。

对于分割任务,引入了严格的 双轨评估策略:(1) 对于跨架构的 SOTA 比较,利用全局像素级评估框架以缓解 Ultralytics 库与传统语义分割范式之间的统计差异;(2) 对于架构内 YOLO 比较和消融研究,保留默认的 Ultralytics 实例级评估协议以精确反映独立模块增益。相应地,采用 mIoU、Precision、Recall 和 mAP@0.5 来衡量空间重叠保真度和目标检索能力。对于分级任务,除了 Top-1 准确率外,还引入了宏指标(Macro-Precision、Macro-Recall 和 Macro-F1)以应对潜在的长尾数据分布。

具体而言,Macro-F1有助于减轻由类别不平衡引起的评估偏差,为所有腐蚀等级提供客观的评估。

4.4 环境配置

本研究中的所有算法训练和性能评估均在一台配备Intel Core i7-12700KF CPU(64 GB RAM)和NVIDIA RTX 3080 GPU(10 GB VRAM)的高性能工作站上进行。针对不同子任务的特征,部署了差异化的软件环境。具体而言,腐蚀分割模块使用PyTorch 2.2.0(Python 3.9,CUDA 11.8)实现,以支持级联架构的高效推理。相反,3D重建模块在PyTorch 1.12.1(Python 3.7)上开发。通过将Open3D 0.17.0与其底层光栅化算子(diff-gaussian-rasterization和simple-knn)集成,该配置确保了空间高斯点云渲染的兼容性和稳定性。

5. 结果与讨论

本节对提出的框架进行了全面评估,并讨论了实验结果。我们系统地验证了YOLO26-CorroSeg网络的分割性能,分析了级联架构的有效性,并验证了主动样本选择机制的鲁棒性。最后,展示了3D可视化流水线的实际应用案例。

5.1 YOLO26-CorroSeg评估

本节评估了YOLO26-CorroSeg的腐蚀分割性能和计算效率。评估内容涉及轻量化迁移学习的有效性、与代表性轻量级分割网络的模型对比,以及通过消融实验评估DSFM及其各组件的贡献。

5.1.1 轻量化迁移学习的有效性

5.1.1.1 YOLO26-CorroDet的预训练

为获取具有强泛化能力的初始主干权重,首先将YOLO26-CorroSeg的分割头替换为检测头以构建YOLO26-CorroDet,便于在Mini-COCO数据集上进行预训练。所得主干权重随后迁移至YOLO26-CorroSeg和YOLO26-CorroCls两个网络。

预训练前,分析了官方YOLO26预训练权重的元数据,发现基准训练时长为245个epoch。根据数据比例缩放原则(考虑到Mini-COCO约占完整COCO数据集的20%),本地预训练时长自适应设置为50个epoch。最终收敛性能指标达到精确率0.482、召回率0.333、mAP@0.5为0.347、mAP@0.5:0.95为0.227。

5.1.1.2 YOLO26-CorroSeg的微调

在YOLO26-CorroDet预训练权重的基础上,针对液压腐蚀分割数据集进行目标域微调,训练100个epoch。为探究域迁移的内在机制,通过冻结主干网络的前3、5、7和11层(分别对应特征提取阶段P2、P3、P4以及完整主干网络)进行对比实验。结果汇总于表4,表明全参数微调(冻结层数=0)取得了最优性能。

表4. YOLO26-CorroSeg在不同迁移学习冻结深度下的性能对比。

| 方法 | 冻结层数 | 精确率(掩码) | 召回率(掩码) | mAP@0.5(掩码) | 训练时间(h) |
|------|---------|--------------|--------------|---------------|-------------|
| YOLO26-CorroSeg | 无 | 0.749 | 0.673 | 0.735 | 1.801 |
| YOLO26-CorroSeg-TL0 | 0 | 0.740 | 0.750 | 0.786 | 1.810 |
| YOLO26-CorroSeg-TL-3 | 3 | 0.770 | 0.682 | 0.774 | 1.750 |
| YOLO26-CorroSeg-TL-5 | 5 | 0.748 | 0.642 | 0.720 | 1.664 |
| YOLO26-CorroSeg-TL-7 | 7 | 0.700 | 0.651 | 0.702 | 1.627 |
| YOLO26-CorroSeg-TL-11 | 11 | 0.694 | 0.638 | 0.678 | 1.571 |

注:"TL"表示迁移学习。"无"表示未使用迁移学习,而"0"表示迁移学习但未冻结主干网络。

其根本原因在于液压腐蚀对高频纹理高度敏感,源域与目标域之间存在显著的域差异。因此,更新浅层和中间层对于实现底层视觉表征的域自适应至关重要。因此,最终部署采用全参数微调。

5.1.1.3 YOLO26-CorroSeg的性能验证

为定量验证所提网络架构的优越性以及轻量化迁移学习策略所带来的增益,设计了正交对比实验,评估指标详见表5。

表5. YOLO26-CorroSeg与基线模型在测试集上的腐蚀分割性能定量对比。

| 网络 | 预训练数据集 | 精确率(掩码) | 召回率(掩码) | mAP@50(掩码) | mAP@50:95(掩码) |
|------|------------|--------------|--------------|--------------|----------------|
| YOLO26n-seg(基线) | 无 | 0.702 | 0.657 | 0.706 | 0.363 |
| YOLO26-CorroSeg | 无 | 0.771 | 0.649 | 0.734 | 0.371 |
| YOLO26n-seg-TL | COCO | 0.775 | 0.724 | 0.783 | 0.409 |
| YOLO26-CorroSeg-TL | Mini COCO | 0.740 | 0.750 | 0.786 | 0.434 |

注:"无"表示从头训练,未使用预训练。

在无迁移预训练的基线对比中,YOLO26-CorroSeg在mAP@0.5和更为严格的mAP@0.5:0.95指标上分别比原始基线YOLO26n-seg高出3.97%和2.20%。这有力地证明了该网络结构在复杂背景下提取缺陷特征的结构优势。引入迁移学习策略后,YOLO26-CorroSeg-TL(在Mini-COCO上预训练)与依赖官方默认预训练权重的基线YOLO26n-seg-TL相比,mAP@0.5提升了0.38%,mAP@0.5:0.95实现了6.11%的显著飞跃。

结合图17所示的mAP@0.5和mAP@0.5:0.95训练收敛曲线,可以明显看出所提出的YOLO26-CorroSeg在冷启动和迁移微调场景下,收敛速度和峰值精度均展现出显著优势。上述定量结果不仅证明了DSFM引入的架构增强效果,也凸显了轻量化迁移学习策略的有效性。

下载:下载高分辨率图像(284KB) 下载:下载全尺寸图像
图17. 训练期间YOLO26-CorroSeg与基线模型的mAP收敛曲线对比:(a) mAP@0.5;(b) mAP@0.5:0.95。

如图18所示,YOLO26-CorroSeg-TL在HSS表面腐蚀图像的各种挑战性场景中均表现出稳健的分割效果,包括强光照射、低光照条件、复杂背景和小目标腐蚀。

下载:下载高分辨率图像(790KB) 下载:下载全尺寸图像
图18. YOLO26-CorroSeg-TL在各种复杂条件下的分割结果:(a) 强光照射,(b) 低光照条件,(c) 复杂背景,(d) 小腐蚀目标。

5.1.2 与代表性轻量级分割网络的对比

为全面验证YOLO26-CorroSeg-TL的优越性,在相同条件下使用LR-ASPP [52]、Fast-SCNN [53]、BiSeNet V2 [54]以及代表性YOLO模型YOLOv8n-seg、YOLO11n-seg和YOLO12n-seg [55]进行了对比实验。

表6中的定量评估表明,YOLO26-CorroSeg-TL取得了最优的综合性能(精确率、召回率、mIoU和F1-score分别达到97.36%、90.61%、91.57%和93.86%),在抑制背景假阳性和消除细粒度假阴性之间取得了出色的平衡。相比之下,传统轻量级架构虽然推理速度更快,但由于浅层特征表示能力有限,难以处理复杂边界,在关键评估指标上表现较差。与采用相同轻量级架构的YOLOv8n-seg-TL、YOLO11n-seg-TL和YOLO12n-seg-TL相比,YOLO26-CorroSeg-TL通过DSFM和轻量化迁移学习策略有效缓解了通用架构在液压金属表面腐蚀分割中的局限性。推理帧率达69 FPS,在表征精度和边缘推理效率之间实现了最优性能权衡,有效契合工程部署需求。

表6. 代表性轻量级分割网络在液压腐蚀测试集上的定量性能对比。

| 网络 | 精确率 | 召回率 | IoU | mIoU | F1-score | 参数量(M) | FPS |
|------|-------|-------|-----|------|----------|-----------|-----|
| LR-ASPP MobileNetV3-Small-TL | 0.772 | 0.963 | 0.750 | 0.802 | 0.857 | 1.14 | 110 |
| BiSeNetV2-TL | 0.802 | 0.942 | 0.764 | 0.816 | 0.866 | 3.34 | 97 |
| Fast-SCNN-TL | 0.853 | 0.961 | 0.824 | 0.865 | 0.904 | 1.10 | 130 |
| YOLOv8n-seg-TL | 0.963 | 0.835 | 0.809 | 0.868 | 0.895 | 3.41 | 133 |
| YOLO11n-seg-TL | 0.974 | 0.849 | 0.830 | 0.877 | 0.907 | 2.84 | 112 |
| YOLO12n-seg-TL | 0.957 | 0.872 | 0.840 | 0.891 | 0.913 | 2.86 | 76 |
| YOLO26-CorroSeg-TL(本文) | 0.974 | 0.906 | 0.884 | 0.916 | 0.939 | 3.79 | 69 |

注:加粗数值表示每列中的最佳性能。所有模型在统一的像素级指标框架下评估,以确保实例分割和语义分割架构之间的公平对比。FPS在NVIDIA RTX 3080 GPU上以640×640的输入分辨率测试。

在图19的定性视觉分析中,各网络的分割结果以红色掩码叠加在原始图像上,透明度为50%。通过识别假阳性(绿色椭圆)和假阴性(蓝色矩形)区域,可以明显看出YOLO26-CorroSeg-TL展现出卓越的抗干扰鲁棒性和细节捕捉能力。它不仅成功消除了图19(a)中黑色条带污染物的背景干扰,还在图19(c)和(e)中实现了微小孤立腐蚀斑块的高保真分割。总体而言,YOLO26-CorroSeg-TL在复杂背景噪声抑制和细粒度小目标提取方面展现出明显优势,缺陷区域的空间连贯性和边界一致性远优于其他对比方法。

下载:下载高分辨率图像(2MB) 下载:下载全尺寸图像
图19. 不同最先进的腐蚀分割模型在复杂背景下HSS表面的腐蚀分割定性可视化结果。(红色掩码表示预测的腐蚀区域;绿色椭圆突出显示过分割;蓝色矩形表示欠分割)。

为进一步探究YOLO26-CorroSeg-TL对抗恶劣环境的泛化鲁棒性,如图20所示,采用7天中性盐雾加速腐蚀试验制备了腐蚀钢板。此外,专门构建了涵盖水渍强反射(图21(1)和(2))、阴影遮挡(图21(3)和(4))和不均匀光照(图21(5)和(6))的样本进行定性验证。所有网络的分割结果同样以半透明红色掩码叠加方式展示。

下载:下载高分辨率图像(376KB) 下载:下载全尺寸图像
图20. 通过中性盐雾加速腐蚀试验制备的典型腐蚀样本。

下载:下载高分辨率图像(1MB) 下载:下载全尺寸图像
图21. 不同分割网络在实验室加速腐蚀挑战样本上的定性鲁棒性评估。(1)和(2)水渍干扰;(3)和(4)阴影遮挡;(5)和(6)不均匀光照。

评估结果表明,面对水渍引起的高频干扰时,YOLO26-CorroSeg-TL成功过滤了反射噪声并精确定位了腐蚀区域。在严重阴影遮挡场景下,虽然受限于极低局部对比度,网络在腐蚀边界处出现轻微欠分割,但其整体分割性能仍显著优于其他方法。对于非均匀光照导致的过曝或欠曝区域,模型仅产生极少量边界假阳性,核心腐蚀区域的形态保真度仍为最高。综上所述,在处理多维光度干扰和复杂物理遮挡时,YOLO26-CorroSeg-TL在实际工程应用中展现出更大的潜力。

5.1.3 消融研究

为验证DSFM模块的有效性,以其核心组件LHFE和LRG为重点进行了消融研究,定量结果汇总于表7。原始基线模型的mAP@0.5(掩码)为0.706。仅引入LHFE后,召回率提升至0.671,证实了高频特征提取在识别细微腐蚀方面的增益,但由于引入了背景噪声,精确率有所下降。

表7. DSFM中LHFE和LRG组件的消融研究性能对比。

| 变体 | 模块 | 评估指标 | LHFE | LRG | 精确率(掩码) | 召回率(掩码) | mAP@0.5(掩码) | 参数量(M) | FPS@640(RTX 3080) |
|------|------|---------|------|-----|--------------|--------------|---------------|-----------|-----------------|
| YOLO26n-seg(基线) | – | – | – | – | 0.738 | 0.622 | 0.706 | 3.05 | 71 |
| w/o LRG | ? | – | | | 0.695 | 0.671 | 0.714 | 3.76 | 70 |
| w/o LHFE | – | ? | | | 0.742 | 0.633 | 0.72 | 3.77 | 70 |
| YOLO26-CorroSeg | ? | ? | | | 0.749 | 0.673 | 0.735 | 3.79 | 69 |

相比之下,LHFE与LRG的集成实现了最优协同效果,因为门控机制自适应地过滤了冗余信息,使精确率和mAP@0.5(掩码)分别达到峰值0.749和0.735,核心指标相比基线提升了2.9%。此外,该模块仅增加约0.74M参数,同时保持69 FPS的帧率,实现了检测精度和推理效率的最优权衡。

图22展示了各网络变体的P-R曲线和mAP@0.5(掩码)收敛曲线。如图22(a)所示,YOLO26-CorroSeg的曲线(红线)完全包络其他变体并取得了最大的曲线下面积,证实了完整的DSFM模块在精确率和召回率之间实现了最优平衡。图22(b)进一步表明,该网络在训练后期成功突破了基线的性能瓶颈,展现出更高的精度上限和更优的收敛稳定性。

下载:下载高分辨率图像(256KB) 下载:下载全尺寸图像
图22. DSFM模块消融研究的曲线分析。(a) 不同网络变体的P-R曲线对比;(b) mAP@0.5(掩码)随训练epoch的收敛曲线。

从概念上讲,所提出的DSFM模块在C3k2模块的最终特征融合卷积之后引入高频信息以增强特征表示。为进一步验证DSFM的结构优势和必要性,我们在基线C3k2模块的同一位置(如图23所示)插入了几种主流"即插即用"注意力机制进行对比实验。这些机制包括卷积块注意力模块(CBAM,代表空间-通道联合注意力)、高效通道注意力(ECA,代表轻量级通道注意力)和压缩-激励模块(SE,代表通道重标定)。

下载:下载高分辨率图像(71KB) 下载:下载全尺寸图像
图23. 消融研究中对比模型的架构:在基线C3k2模块后附加主流通用注意力模块(SE、ECA、CBAM)。

表8中的实验数据显示,直接附加这些通用注意力模块反而有害地损害了整体分割性能,导致所有这些变体的mAP@0.5均降至基线值0.706以下。此外,这些传统机制引入了显著的额外计算开销,参数量增加约34%,导致边缘设备上的推理速度严重下降(FPS从71骤降至34-38)。与之形成鲜明对比的是,DSFM在精度上取得了显著提升(mAP@0.5达到0.735),同时成功保持了69 FPS的高竞争性实时推理速度。综合评估结合图24中各方法的PR曲线,证明了DSFM并非通用注意力模块的简单堆叠,而是一种专为实现细粒度感知精度与边缘部署效率最优平衡而设计的定制化架构。

表8.

# 集成不同通用注意力机制的基线模型性能比较

| 变体 | 精确率(掩膜) | 召回率(掩膜) | mAP@0.5(掩膜) | 参数量(M) | FPS@640(RTX 3080) |
|------|----------------|----------------|------------------|-------------|---------------------|
| YOLO26n-seg(基线) | 0.738 | 0.622 | 0.706 | 3.05 | 71 |
| YOLO26n-seg+CBAM | 0.746 | 0.622 | 0.700 | 4.09 | 34 |
| YOLO26n-seg+ECA | 0.730 | 0.612 | 0.682 | 4.09 | 38 |
| YOLO26n-seg+SE | 0.728 | 0.601 | 0.678 | 4.10 | 36 |
| YOLO26-CorroSeg(本文) | 0.749 | 0.673 | 0.735 | 3.79 | 69 |

图24. 评估不同即插即用注意力模块集成效果与所提DSFM的精确率-召回率曲线。(a)不同网络变体的P-R曲线比较;(b)mAP@0.5(掩膜)随训练轮次的收敛曲线。

## 5.2 级联腐蚀分割框架的验证

与传统端到端多类分割范式相比,所提出的CCSF架构在工程部署实践性和理论模型性能上限方面具有三大优势:

1. **标签维度降维与成本控制。** 将复杂的"多类像素掩膜"简化为"像素级二分类与ROI区域分类"的组合,从根本上缓解了主观标注偏差,并显著降低了数据集构建成本。

2. **分割精度的解耦增强。** 剥离分类任务对边界像素施加的特征约束,使网络能够专注于学习缺陷的拓扑结构。该机制使模型在相同数据规模下能够实现更高的分割保真度。

3. **分类性能的独立演化。** 在后期阶段,该框架支持利用大量"图像级"样本以极低成本独立迭代分类网络。这种灵活性使系统能够熟练应对复杂的现场动态干扰。

### 5.2.1 任务解耦的定量增益

为定量验证解耦架构在腐蚀分割任务中的核心优势,分别基于单类和多类(涵盖B、C和D等级,呈现典型长尾分布,详见图25)数据集进行了对比实验,两个数据集均包含214张图像。基于这些数据集中,分别训练了YOLO26n-seg和YOLO26-CorroSeg的单类和多类变体。为严格消除分类误判对分割性能的干扰,引入了"类别无关"评估协议。通过统一二值化多类预测掩膜,该协议专门评估网络在剥离语义分类后区分"腐蚀"与"背景"的纯空间定位和轮廓提取能力。

图25. 多类腐蚀分割数据集的样本分布。

表9中的定量结果表明,即使完全消除了分类错误导致的统计惩罚,两个网络的多类变体相较于其单类基线仍表现出5.1%和3.4%的显著mIoU退化。这一现象深刻揭示了多任务范式的潜在局限性:分类与分割之间的特征耦合引发了严重的"特征竞争",从而削弱了网络对缺陷复杂物理边界的关注。这证实了CCSF架构的第一阶段通过建立统一的"前景"定义,从根本上缓解了极端类别不平衡引起的表示偏移,从而实现了更高精度的轮廓提取。同时,其级联第二阶段完全摆脱了像素级标注的约束,利用极低成本图像级样本即可灵活实现整体数据分布平衡。

**表9. 基于类别无关评估策略的单类与多类分割网络性能退化比较。**

| 网络 | 分割数据集 | 类别 | mAP@0.5(掩膜) | mAP@0.5:0.95(掩膜) | mIoU(类别无关) | 训练时间(h) |
|------|-----------|------|------------------|---------------------|-----------------|--------------|
| YOLO26n-seg | 多类 | all | 0.593 | 0.339 | 0.765 | 2.48 |
| | | B | 0.288 | 0.102 | | |
| | | C | 0.745 | 0.381 | | |
| | | D | 0.746 | 0.534 | | |
| YOLO26n-seg | 单类 | all | 0.706 | 0.363 | 0.816 | 1.78 |
| YOLO26-CorroSeg | 多类 | all | 0.645 | 0.369 | 0.868 | 3.16 |
| | | B | 0.367 | 0.139 | | |
| | | C | 0.790 | 0.420 | | |
| | | D | 0.805 | 0.549 | | |
| YOLO26-CorroSeg | 单类 | all | 0.734 | 0.371 | 0.902 | 1.80 |

### 5.2.2 分类网络的独立演化

得益于CCSF架构的解耦特性,YOLO26-CorroCls可以利用低成本的图像级数据进行独立迭代和微调。基于此前定制的预训练权重,本研究实施了渐进式加深的权重冻结策略(冻结前3、5、7和11层,分别记为YOLO26-CorroCls-TL-3至YOLO26-CorroCls-TL-11)。该策略旨在深入探究不同感受野的特征对腐蚀分级准确性的影响。

表10中的定量指标和图26中的训练收敛曲线表明,冻结前5层(YOLO26-CorroCls-TL-5)成功实现了在保留浅层通用特征和学习深层任务自适应特征之间的最佳平衡。因此,其mF1分数、Top-1准确率和收敛稳定性均达到最优水平。此外,为验证该架构及基于mini-COCO的轻量级迁移学习策略的先进性,与采用官方默认权重的YOLO26n-cls-TL基线进行了对比。

**表10. 不同骨干网络冻结策略下YOLO26-CorroCls的分类性能比较。**

| 方法 | 冻结深度 | m精确率 | m召回率 | Top-1准确率 | mF1分数 | 训练时间(h) |
|------|---------|---------|---------|------------|---------|--------------|
| YOLO26-CorroCls | – | 0.8884 | 0.886 | 0.898 | 0.887 | 3.318 |
| YOLO26-CorroCls-TL | 0 | 0.915 | 0.910 | 0.912 | 0.911 | 3.320 |
| YOLO26-CorroCls-TL-3 | 3 | 0.903 | 0.899 | 0.912 | 0.899 | 3.005 |
| YOLO26-CorroCls-TL-5 | 5 | 0.908 | 0.903 | 0.917 | 0.904 | 2.731 |
| YOLO26-CorroCls-TL-7 | 7 | 0.907 | 0.902 | 0.912 | 0.903 | 2.460 |
| YOLO26-CorroCls-TL-9 | 9 | 0.896 | 0.894 | 0.903 | 0.894 | 3.009 |

图26. 不同微调策略下YOLO26-CorroCls的训练收敛过程。

如图27中的混淆矩阵所示,YOLO26-CorroCls-TL的预测分布在沿对角线区域更为集中,显著抑制了相邻腐蚀等级之间的跨类混淆。上述结果充分证实,解耦的CCSF架构与轻量级迁移学习的结合成功突破了传统耦合网络的性能上限,最终在复杂水力场景中实现了高精度与低成本兼顾的腐蚀分级。

图27. YOLO26-CorroCls-TL与官方预训练基线模型在测试集上的混淆矩阵比较。

### 5.2.3 Jetson平台上的边缘部署性能

为验证网络在嵌入式边缘设备上的实际性能,将YOLO26-CorroSeg通过ONNX转换为TensorRT引擎,并在Jetson平台上进行了全面评估。尽管INT8量化具有计算速度优势,但会引入潜在的算子兼容性和严重的精度下降风险。因此,采用FP16半精度模式以实现延迟与精度之间的最佳平衡。

表11定量比较了YOLO26-CorroSeg-TL、基线YOLO26n-seg以及近期YOLO12n-seg模型在640×640输入分辨率下不同部署格式的分割精度和推理速度。纳入YOLO12n-seg进一步提供了与更近期分割架构在边缘部署性能方面的对比。实验结果表明,经过FP16精度下的TensorRT加速后,所提出的YOLO26-CorroSeg-TL在保持高分割精度的同时,推理效率大幅提升。特别地,CCSF架构实现了满足实际工程检测实时需求的推理帧率,在边缘设备上展示了分割精度与计算效率之间的良好平衡。

**表11. YOLO26-CorroSeg模型在Jetson Orin Nano上不同格式下的性能比较(640×640分辨率)。**

| 模型 | 格式 | 文件大小(MB) | 延迟(ms) | 推理框架 | 精确率(%) | 召回率(%) | mIoU(%) | F1分数(%) | FPS |
|------|------|---------------|-----------|---------|------------|------------|----------|------------|------|
| YOLO12n-seg-TL | PT | 5.76 | 43.14 | PyTorch | 95.72 | 87.24 | 89.13 | 91.28 | 23.18 |
| | ONNX | 11.05 | 19.92 | ONNX | 95.42 | 86.79 | 88.75 | 88.75 | 50.20 |
| | FP32 | 13.83 | 13.12 | TensorRT | 95.42 | 86.79 | 88.75 | 88.75 | 76.19 |
| | FP16 | 9.47 | 7.79 | TensorRT | 95.36 | 86.67 | 88.66 | 88.66 | 128.43 |
| YOLO26n-seg-TL | PT | 6.24 | 37.73 | PyTorch | 97.32 | 86.61 | 88.83 | 91.65 | 26.50 |
| | ONNX | 10.57 | 16.34 | ONNX | 97.28 | 86.55 | 88.78 | 91.60 | 61.21 |
| | FP32 | 12.66 | 9.27 | TensorRT | 97.28 | 86.55 | 88.78 | 91.60 | 107.83 |
| | FP16 | 9.04 | 5.16 | TensorRT | 97.25 | 86.50 | 88.71 | 91.55 | 193.75 |
| YOLO26-CorroSeg-TL | PT | 7.21 | 43.50 | PyTorch | 97.36 | 90.61 | 91.57 | 93.86 | 22.99 |
| | ONNX | 11.32 | 20.82 | ONNX | 97.51 | 86.47 | 88.85 | 91.66 | 48.03 |
| | FP32 | 14.31 | 12.37 | TensorRT | 97.52 | 86.48 | 88.85 | 91.67 | 80.81 |
| | FP16 | 9.85 | 7.24 | TensorRT | 97.48 | 86.63 | 88.93 | 91.73 | 138.21 |
| CCSF | FP32 | – | 19.82 | TensorRT | – | – | – | – | 50.44 |
| | FP16 | – | 14.1 | TensorRT | – | – | – | – | 70.92 |

图28展示了级联架构在实际中的分割性能,A至D等级分别对应绿色、蓝色、黄色和红色掩膜。经验观察表明,模型对各种腐蚀形态表现出出色的捕获能力,尽管在相邻等级边界处(如A与B之间、或C与D之间)存在一定的分类不确定性。

图28. 级联架构在实际水力场景中的边缘部署分级与分割结果。

进一步观察图29可以发现,对于通过7天加速盐雾试验制备的D等级腐蚀钢板,级联架构实现了高保真区域提取,但其等级评估仍易受环境干扰。具体而言,阴影遮挡经常引发保守分级倾向(例如误分类为A等级),而非均匀照明和反射水渍(如图29(c)至(f)所示)则触发混乱的等级跳变。

图29. 基于Jetson边缘终端在实验室加速腐蚀钢板上的级联架构泛化验证(强干扰条件下)。

综上所述,级联架构成功实现了高保真腐蚀分割。尽管在阴影和水渍等极端噪声条件下存在轻微分级偏差,但得益于解耦CCSF架构带来的分类网络独立演化优势,此类特定现场干扰可通过极低成本图像级微调灵活克服。此外,结合轻量级设计和TensorRT加速,CCSF架构不仅有效解决了多网络协同的计算冗余问题,还稳健地满足了边缘设备对水力环境实时检测的标准。

## 5.3 主动样本选择机制的验证

为系统评估所提出的主动样本选择机制在部署后模型更新方面的有效性,设计了一项四折交叉验证实验以模拟长期工程检测中的增量学习过程。具体而言,将原始腐蚀分割数据集中的171张训练图像作为历史基线集,额外引入129张新采集图像作为增量检测数据,形成总计300张单类腐蚀分割图像的数据池。

基于YOLO26-CorroSeg架构,将所提出的语义一致性策略与三种代表性样本选择方法进行比较:随机采样(Random)、基于熵的不确定性采样[56]和Core-set采样[57],同时以使用全部可用增量数据进行训练(Full utilization)作为上界参考。这些对比方法分别代表非主动随机选择、基于不确定性的主动学习和基于多样性的主动学习,从而使所提策略能够从不同的样本选择视角进行评估。对于基于熵的采样方法,从分割输出中重建像素级软概率图,并计算平均熵以量化每个样本的模型不确定性。对于Core-set采样方法,从YOLO26-CorroSeg骨干网络中提取图像级特征表示,并采用k-center贪心策略选择代表性样本,以最大化增量数据在特征空间中的覆盖率。

### 5.3.1 四折交叉验证

为消除数据划分导致的随机误差,将上述300张图像打乱并随机划分,确保每折中训练集与测试集的比例恒为3:1。在每折训练阶段,历史基线数据(即基线集)与增量检测数据(即增量池)的比例严格控制在171:129。

实验迭代工作流如图30所示。首先,利用基线集训练初始模型M_base,然后从增量池中利用不同样本选择策略筛选50%的样本进行迭代训练。以四折测试集上的平均mAP@0.5(掩膜)作为每种策略的评估标准。

图30. 基于不同样本选择策略的闭环迭代框架与4折交叉验证工作流。

表12和图31中的定量结果表明,基线方法M_rand易受数据分布噪声影响,表现最差。相比之下,所提方法M_ours展现出最优的样本挖掘效率,mAP@0.5(掩膜)达到0.412。相较于M_rand提升了3.52%,优于M_ent 1.23%,优于M_core 0.73%。关键在于,M_ours仅需标注增量池中50%的样本,即可将与全量利用策略M_full的性能差距缩小至仅4.97%。这一结果证实了该机制在消除冗余数据和最小化工程迭代成本方面具有卓越潜力。

**表12. 四折交叉验证下不同样本选择策略的定量比较。**

| 模型 | 筛选策略 | 折1 | 折2 | 折3 | 折4 | 平均 | 与M_full差距 |
|------|---------|------|------|------|------|------|-------------|
| M_base | 历史图像 | 0.289 | 0.346 | 0.381 | 0.440 | 0.364 | 15.94% |
| M_rand | 随机48张 | 0.319 | 0.375 | 0.418 | 0.478 | 0.398 | 8.20% |
| M_ent | 按熵取前48张 | 0.335 | 0.389 | 0.429 | 0.474 | 0.407 | 6.06% |
| M_core | Core-set选取48张 | 0.337 | 0.383 | 0.436 | 0.479 | 0.409 | 5.60% |
| M_ours | 按R值取后48张 | 0.334 | 0.381 | 0.444 | 0.487 | 0.412 | 4.97% |
| M_full | 全量 | 0.365 | 0.390 | 0.463 | 0.514 | 0.433 | – |

注:基线方法(M_rand)、基于熵的方法(M_ent)、基于Core-set的方法(M_core)和所提方法(M_ours)从增量池中选取48张图像(约50%),而全量利用策略(M_full)使用全部97张图像。"与全量差距"列表示与理论上界(M_full)相比的性能差异。

图31. 四折交叉验证下不同样本选择策略的平均mAP50(掩膜)性能比较。

### 5.3.2 主动样本选择机制的可解释性分析

为进一步探究所提出的主动样本选择机制的内在合理性,对输出分割掩膜与Grad-CAM热图之间的空间重叠(即R值)进行了可视化分析。如图32所示,当分割结果理想(IoU≥0.5)时,网络关注的区域与实际缺陷高度重合,对应较高的R值。反之,如图33所示,当复杂干扰导致漏检和误检(IoU<0.5)时,其空间分布显著偏离,导致R值极低。这表明R值能够精准捕获并筛选出导致模型功能失效的高价值困难样本。

图32. 高保真分割样本的空间同构可视化(IoU≥0.5)。(网络掩膜与激活热图表现出高度的空间同构性。)

图33.

低分割/具有挑战性的样本的空间同构可视化(IoU < 0.5)。子图(d)展示了系统对手动标注噪声鲁棒性的特殊情况。值得注意的是,在图33(d)中,尽管视觉分割效果异常精确,但其计算的IoU值却异常偏低。追溯调查发现,这一差异源于原始Ground Truth中的粗粒度标注,其中非腐蚀区域被手动包裹在缺陷区域周围。然而,尽管存在这些错误标注的干扰,R值仍然相对较高。这一特殊异常有力地证明,基于语义一致性的评估机制不仅能有效挖掘盲区数据,而且对手动标注噪声具有极强的鲁棒性。上述结果证明了所提出主动样本选择机制的有效性,并支持HSS腐蚀评估的长期闭环模型更新。重要的是,该过程旨在开发HSS领域专用模型,而非针对特定结构的模型。通过逐步适应常见检测条件,如复杂光照、典型背景和典型腐蚀形貌,模型可直接应用于新检测结构而无需从头重新训练。仅当在先前未见条件下观察到性能下降时,才需要进行增量微调。在这种情况下,所提出的机制优先处理具有信息价值的困难样本进行标注和更新,从而减少了与全数据重新训练相比的标注和计算负担,并提高了长期工程部署的可扩展性。

5.4 案例研究:3D可视化

本节展示了现场和实验室案例研究,以评估该框架对腐蚀评估结果进行3D可视化的能力。评估内容包括3DGS-Improved的重建保真度和计算效率,随后展示了将腐蚀区域映射到3D结构模型上的方法。

5.4.1 3D重建性能评估

为了定量评估3DGS-Improved算法在真实水工场景中的重建保真度,选择了PSNR、SSIM [58](衡量像素和结构保真度)以及LPIPS [59](评估深层感知一致性)作为核心指标。实验数据来源于在大坝站点维护闸门顶部拍摄的一段视频,拍摄距离为1至2米,分辨率为1080p,时长27秒。系统通过FFmpeg自动提取帧以提供3DGS-Improved模型的训练输入。

表13比较了所提方法与COLMAP、Nerfacto以及原始3DGS的定量性能。值得注意的是,由于现场视频极短导致的视点分布极度稀疏的约束,3DGS算法在默认30,000次迭代下表现出过拟合退化现象。因此,整体渲染指标实际上略差于7000步早期迭代的结果。

表13. 稀疏视角下真实水闸3D重建各算法定量性能对比。

| 方法 | 迭代次数 | PSNR↑ | SSIM↑ | LPIPS↓ | 总时间(分钟) |
|---|---|---|---|---|---|
| COLMAP | 30k | 22.50 | 0.66 | 0.20 | 186 |
| Nerfacto | 30k | 25.34 | 0.73 | 0.19 | 21.9 |
| 3DGS | 30k | 27.89 | 0.91 | 0.18 | 29.1 |
| | 7k | 28.78 | 0.91 | 0.22 | 6.0 |
| 3DGS-Improved | 30k | 28.89 | 0.93 | 0.15 | 42.6 |
| | 7k | 29.55 | 0.92 | 0.18 | 7.68 |

注:输入视频流以每秒2帧(2 fps)均匀采样。对于27秒的视频,共提取54帧并作为所有对比方法的重建输入。

面对这一稀疏重建挑战,3DGS-Improved展现了显著优势。在7000次短周期迭代的约束下,其指标全面优于原始基线,充分验证了超参数优化对稀疏视角快速重建所带来的巨大收益。更重要的是,即使面对30,000次迭代相关的严重过拟合挑战,改进方法仍然超越了30k迭代长周期训练的基线结果。

图34直观比较了不同方法对水工结构的重建完整性。与COLMAP和Nerfacto(30k次迭代)相比,仅经过7k次迭代的3DGS-Improved表现出更少的几何和拓扑缺陷,如红色椭圆所示。总重建时间为7.68分钟,其中包括3DGS训练的5.88分钟以及基于SfM的预处理和其他重建步骤所需的时间。这证明了重建保真度与计算效率之间的良好平衡。

图34. 3DGS-Improved与基线算法之间整体重建保真度的视觉比较。

5.4.2 腐蚀区域的3D空间映射

本系统实现了从2D局部语义分割到3D全局腐蚀分布可视化的闭环映射。如图35所示,以长江上某大坝在役维护闸门顶部为测试对象进行了应用。系统接收连续高清(1080p)检测视频流,采集时长为1分钟作为输入,完整的3D可视化过程仅消耗9.8分钟。

图35. 长江上某大坝在役维护闸门顶部的3D可视化结果。(a) 原始3D模型,(b) 腐蚀结果映射到模型上,其中蓝色表示腐蚀等级B,黄色表示腐蚀等级C。(对于图例中颜色的解释,读者请参阅本文的网页版本。)

为了系统性地展示标准化工作流程,在实验室进行了模拟验证。如图36(c)所示,将两扇尺寸约为2米×4米(高×宽)的水工平板闸门放置在实验室中。为复现现场条件,在一扇门表面安装了12块经中性盐雾(NSS)测试预处理的腐蚀钢板样本,以模拟局部腐蚀区域。

图36. 实验室环境中水工钢闸门的标准化工作流程和3D可视化结果。

在模拟检测作业过程中,便携式原型设备围绕目标结构进行移动,同时完成实时级联腐蚀分割和多视角视频采集。随后,包含像素级掩码信息的视频流被输入到一台高级笔记本电脑中。最终,借助限制为7000次迭代的优化3DGS-Improved算法,系统快速完成了腐蚀空间分布的3D可视化。如图36(d)和(e)所示,对应D级(红色掩码)的门上严重腐蚀区域的空间分布得到了全面展示。

为促进实际工程应用,嵌入了腐蚀评估结果的重建3D模型可以导出为标准3D点云格式。这种数据互操作性天然支持全局缺陷定位和宏观空间分布分析。此外,这些标准化空间数据可以无缝集成到更广泛的结构健康监控平台或数字孪生系统中,为后续自动化维护决策和结构完整性评估提供基础数据接口。

6. 结论

本文提出了一个边缘-服务器协同框架,用于HSS腐蚀评估结果的快速3D可视化以及部署后腐蚀分割模型的标注高效更新。该框架在面向部署的检测工作流中集成了精细腐蚀感知、主动样本选择和空间可视化,解决了分割精度、边缘计算资源和标注工作量之间的联合约束。主要结论如下:

1. 所提出的YOLO26-CorroSeg网络中的DSFM将语义特征与高频纹理信息相结合,在HSS腐蚀分割数据集上相比YOLO26n-seg基线将掩码mAP@50提高了2.8个百分点。结合轻量级迁移学习,该网络支持在有限计算资源下对小腐蚀区域进行分割。

2. 构建的任务解耦CCSF打破了多类像素级标注的高成本和主观偏见束缚。在TensorRT引擎的深度加速下,该架构在Jetson边缘平台上实现了70.92 FPS的推理速度,完全满足了现场水工检测的实时性能要求。

3. 开发了一种基于空间同构的主动样本选择机制。四折交叉验证表明,在标注样本数量相同的情况下,所提机制实现了比随机采样、基于熵的不确定性采样和Core-set采样更高的平均掩码mAP@50。这些结果表明标注效率得到提升,并有望减少增量模型维护过程中的标注需求。

4. 3DGS-Improved在评估的重建质量和计算效率指标上均优于基线,实现了重建保真度与计算效率之间的更好平衡。由此产生的映射管线将局部2D腐蚀评估结果转移到重建的3D模型上,实现了HSS表面腐蚀空间分布的可视化。

尽管该系统展现出巨大的工程潜力,但某些局限性仍需解决。在水渍或阴影等极端环境噪声下,偶尔会发生混乱的等级跳跃,且当前的3D映射管线未纳入绝对物理尺度,也未用于定量维护决策验证。此外,当前腐蚀分割数据集的规模相对较小,限制了模型在面对更广泛、更多样化的现场场景(如不同光照条件和未见腐蚀形貌)时的全局泛化能力。更重要的是,作为一个早期原型,完整的闭环系统目前缺乏在真实水工结构上的长期现场验证,特别是在持续数据反馈、连续模型更新和迭代重新部署方面。

未来工作将专注于检测终端的集成设计。一方面,我们计划为连续视频流引入时间帧间约束,以抑制环境干扰引起的等级波动。另一方面,我们将探索RGB-D深度相机与3DGS算法的深度融合,以实现缺陷真实几何尺寸的定量评估。最后,为了验证数据反馈循环的真正有效性,未来工作将专注于将此闭环系统长期部署在真实的HSS腐蚀评估任务中。在此过程中,将利用所提出的主动样本选择机制持续扩大数据集规模,从而逐步增强算法的稳健泛化能力。

CRediT作者贡献声明

程浩东:撰写——审稿与编辑,撰写——初稿,可视化,验证,软件,方法学,形式化分析,数据管理,概念化。

康飞:撰写——审稿与编辑,撰写——初稿,验证,监督,资源,项目管理,方法学,调查,资金获取,形式化分析,数据管理,概念化。

胡星:验证,方法学,调查,数据管理,概念化。

朱思思:验证,方法学,调查,数据管理,概念化。

程浩东|康飞|胡星|朱思思
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号