GeoSlide-XMamba: 面向滑坡语义分割的光谱-地形边界感知状态空间网络

《Sensors》:GeoSlide-XMamba: A Spectral-Topographic Boundary-Aware State-Space Network for Landslide Semantic Segmentation

【字体: 大 中 小 】 时间:2026年07月02日 来源:Sensors 4.0

编辑推荐:

  基于桥梁结构健康监测(SHM)中健康状态下大量无标签振动数据与稀缺损伤标签之间的数据不对称性问题,本研究提出了一种两阶段框架——首先在源桥梁无标签传感器信号上进行孪生对比预训练以学习环境不变表示,随后利用目标桥梁的少量标签样本进行微调。该框架具有三项核心贡献:

  
基于桥梁结构健康监测(SHM)中健康状态下大量无标签振动数据与稀缺损伤标签之间的数据不对称性问题,本研究提出了一种两阶段框架——首先在源桥梁无标签传感器信号上进行孪生对比预训练以学习环境不变表示,随后利用目标桥梁的少量标签样本进行微调。该框架具有三项核心贡献:(i)一种信号域增广策略,将传感器级损坏与运营级波动解耦,包括频率带随机掩蔽方案以模拟跨桥梁扰动;(ii)嵌入于停止梯度孪生学习器中的一维自校准卷积编码器(1D Self-Calibrated Convolutional Encoder),提供扩大感受野和通道间耦合所需的机制以捕获多传感器记录中的稀疏损伤特征;(iii)一项可迁移性分析,形式化地将对称对比不变性目标与期望跨桥梁风险的上界联系起来。在Z24基准数据集和内部四构型实验室桥梁群上的实验表明,该方法在5样本(5-shot)条件下分别达到0.913(Z24→Lab)和0.892(Lab→Z24)的宏F1分数,超越11种基线方法3.4–37.1个百分点。
本研究旨在解决结构健康监测(SHM)领域中一个长期存在的数据不对称性瓶颈问题:部署在桥梁上的振动传感器网络在健康运行期间持续产生大量无标签测量数据,而针对任何特定目标桥梁的标签化损伤记录却极为稀缺。这一数据不对称性严重制约了数据驱动式SHM方法的实际部署。

从研究背景来看,桥梁作为现代交通网络的承重动脉,在疲劳、腐蚀、环境循环及日益频繁的气候极端事件耦合作用下逐渐劣化,及时的损伤诊断已成为公共安全和资产管理的重要议题。过去三十年间,SHM已从研究好奇心发展为常规部署的工程实践,桥面传感器阵列持续传输加速度、应变、位移及环境观测数据。基于深度神经架构的数据分析方法在长周期响应记录中识别损伤特征方面取得了显著成功,尤其在处理一维振动信号的卷积和循环编码器方面进展突出。然而,现实部署受到顽固数据不对称性的阻碍:健康的桥梁环境响应可积累数年且 genuinely 丰富;相比之下,覆盖不同损伤状态的标签化响应记录本质上是稀缺的,因为故意损坏在役桥梁以构建数据集在经济上不可接受且在伦理上不被允许。这种不对称性在新建桥梁或从未经历有记录损伤事件的桥梁中尤为突出。现有文献中的补救方案可分为三类:基于群体的方法(PBSHM)依赖手工特征和自然频率等损伤敏感模态参数,但丢弃了丰富的时间域信息且假设源桥具有相同损伤类别的标签数据;少样本元学习方法直接应对目标侧标签稀缺,但 episodic 元训练需要足够多样的标签化源语料库来构建有意义的任务,而振动式桥梁SHM中源桥本身可能仅有少量或无标签损伤实例;自监督预训练方法则完全规避标签数据需求,但直接应用于桥梁SHM时面临三个未解决的关键问题——哪些增广操作能忠实模拟表示从源桥迁移到目标桥时所遇到的扰动、哪种编码器架构最适合桥梁响应信号的长时程、低频和损伤稀疏特性、以及在何种条件下源桥数据上学到的 invariance 确实能改善目标桥的诊断性能。

本研究提出了一种统一框架,利用域适应对比预训练和一维自校准卷积编码器实现少样本跨桥损伤诊断。该框架的核心技术方法包括以下几个层面。在数据层面,研究人员设计了一种域适应增广策略,将传感器级损坏(随机丢弃、加性高斯白噪声)与运营级波动(随机幅度缩放、时间窗口偏移、频率带随机掩蔽)解耦,其中频率带掩蔽专门用于注入对部分传感器频带故障和桥特异性共振频带差异的不变性。在编码器架构层面,一维自校准卷积模块通过将通道分裂为两个分支,下分支进行常规卷积,上分支通过下采样-卷积-上采样生成低分辨率注意力图来调制原始分辨率响应,有效捕获长程时间依赖,其感受野为下分支的四倍,参数开销仅约为普通卷积的1.6倍。在学习策略层面,采用SimSiam作为对比学习方案,其 stop-gradient 操作足以防止表示坍塌,且无需大批量或负样本,避免了桥梁数据中因健康状态样本占主导而产生的假阴性风险。在理论层面,研究人员从域适应视角出发,将增广策略诱导的增强源分布与目标分布之间的Wasserstein距离与期望跨桥风险的上界联系起来,为跨域泛化提供了数学依据。

实验设计采用了两个互补的数据集进行双向跨桥迁移验证。Z24基准为瑞士伯尔尼州一座三跨后张预应力混凝土箱梁桥,在一年健康监测后引入了九种渐进损伤场景,本研究使用六个代表性传感器通道的垂直加速度记录,采样频率100 Hz,窗口长度2048点(约20.48秒)。实验室自建数据集包含四种配置的铝合金模型桥(B1-B4),通过改变桥墩数量、位置和桥面表面处理形成动态特性不同的桥梁群体,每配置包含九种损伤场景(附加质量M1-M6和支座卡死SB1-SB3),22个IC压电加速度计通道记录在-15°C至+30°C温度循环下的响应,后重采样至100 Hz以匹配Z24。评估指标采用宏F1分数、准确率、宏精确率和宏召回率等,统计显著性通过Wilcoxon符号秩检验判定。

研究结果可归纳为以下几个方面。

5.1 跨桥少样本诊断性能:双向迁移实验表明,宏F1分数在K=1至K=5间快速上升后趋于平缓,Z24→Lab方向因源预训练语料环境条件更多样化而优于反向1.8–3.3个百分点。

5.2 与最先进方法的比较:在K=5的Z24→Lab迁移中,所提方法以0.913的宏F1超越所有11种基线,领先优势在统计上显著(p<0.05)。超越最强基线MS-DA达3.4个百分点,超越最强纯自监督基线BYOL达6.2个百分点,超越训练从头开始达37.1个百分点。

5.3 消融研究:编码器选择方证实SCConv优于1D-CNN(+6.7pp)、1D-ResNet、SE注意力和CBAM注意力增强变体;预训练方法方证实SimSiam在对比学习家族中表现最优且小批量可行;增广组件方证实幅度缩放最为关键(移除降3.5pp),频率带掩蔽贡献2.1pp,两者互补而非冗余。

5.4 双向跨桥可迁移性:在所有八个传输方向上保持优势,与MS-DA差距3.4–4.0个百分点。B3(两跨构型)与Z24间的传输最具挑战性,与结构形式失配导致不可约联合风险λ增大一致。

5.5 可迁移性界限的实证验证:特征空间中的Proxy A-distance和Slice-Wasserstein距离均从原始信号到所提表示单调递减,与宏F1上升镜像对应。增广源与目标间SWD从未增广的1.31降至0.86(降幅34%),直接支持了理论假设。

5.6 对传感器噪声的鲁棒性:在0 dB信噪比下,所提方法宏F1仅下降23.1个百分点,优于MS-DA(29.8)、FaultFormer(30.6)和BYOL(34.9),鲁棒性优势随信噪比恶化而扩大。

5.7 典型案例研究:针对Z24桥最严重的20 mm桥墩沉降初始损伤D1,5样本条件下的损伤检出率达96.1%,整体健康/损伤二元准确率达98.7%,特异性97.8%;误分类样本中88%指向相邻严重度等级,仅不足6%误判为健康。

5.8 参数研究:预训练语料规模从10%增至100%时宏F1从0.831升至0.913,60%后出现收益递减;SCConv下采样率r=4为最优;投影MLP深度三层最优但差异 modest;批量大小32至256间仅差1.2个百分点,确认SimSiam的小批量可行性;50%重叠滑动窗口相对于无重叠协议无实质增益。

5.9 计算成本:参数量0.87M、前向浮点运算2.4 G、预训练118分钟、单样本推理1.2 ms,处于中间位置,显著轻于基于Transformer的FaultFormer。

讨论部分中,研究人员指出实证结果与可迁移性理论一致——增广策略明确跨越了跨桥变化的主导轴,编码器的长程感受野捕获了稀疏分布的损伤特征,而SimSiam目标训练编码器沿增广轴不变。噪声鲁棒性曲线提供了互补解释:测试时遇到的传感器级损坏与预训练时显式包含的传感器损坏程度相当,使编码器将其有效视为可忽略噪声。该框架的适用受两项前提约束:源桥与目标桥的结构形式失配须仍在增广流形内(B3?Z24结果标记了实际边界),且损伤模式须在预训练数据代表的频带内产生响应变化。实际部署有三项优势:预训练无需标签可立即启动、预训练编码器可在同群体多目标桥复用、微调在 modest 硬件上数分钟即可完成。但目标桥运营条件超出源桥预训练所见环境范围时,编码器的不变性无法保证。该框架与基于物理的诊断方法呈互补关系,有限元模型特征可作为少样本分类器的辅助输入,编码器的t-SNE聚类也可用于验证或完善物理模型假设的损伤分类。

研究结论部分翻译如下:跨桥结构损伤诊断基本上受到源侧丰富无标签响应与目标侧稀缺标签化损伤实例之间不对称性的制约。本工作通过将物理基础的孪生对比预训练方案与一维自校准卷积编码器相结合来应对该瓶颈,使环境不变表示能够从缺乏标签的源数据中蒸馏出来,并仅利用少量标签样本快速适应先前未见过的桥梁。在双向Z24?实验室桥梁基准上,该框架在两个传输方向上分别实现了0.913和0.892的5样本宏F1,超越了十三种竞争性方法中最强的MS-DA和FaultFormer达3.4个百分点,并以超过37个百分点的优势远超从头训练。组件消融证实增广策略、自校准编码器和SimSiam目标各自贡献了非平凡的价值;在低至0 dB的加性噪声下,宏F1仅下降23个百分点,而最强基线则下降30–35个百分点。除了在单一桥梁对上证明正迁移外,结果表明增广驱动的不变性可以替代群体规模SHM中的原则性特征工程。未来工作将追求异构多源预训练以扩展增广流形,将环境协变量作为辅助分类器输入进行整合,并开发在线增量微调,最终面向混合数据-物理管道以实现交通网络规模的部署。
相关新闻
生物通微信公众号
微信
新浪微博

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