[论文解读] What's Cracking? A Review and Analysis of Deep Learning Methods for Structural Crack Segmentation, Detection and Quantification

Jacob König, Mark A. Jenkins+3 more|ResearchOnline|Feb 8, 2022

Infrastructure Maintenance and Monitoring被引用 14

一句话总结

本文综述了用于土木基础设施中结构性裂缝分割、检测与量化分析的深度学习方法，分析了监督学习、半监督学习、弱监督学习及无监督学习方法。文章指出了数据集标准化、标注质量与评估指标方面的主要挑战，并呼吁建立统一的基准测试与时间序列数据集，以推动自动化结构健康监测的发展。

ABSTRACT

Surface cracks are a very common indicator of potential structural faults. Their early detection and monitoring is an important factor in structural health monitoring. Left untreated, they can grow in size over time and require expensive repairs or maintenance. With recent advances in computer vision and deep learning algorithms, the automatic detection and segmentation of cracks for this monitoring process have become a major topic of interest. This review aims to give researchers an overview of the published work within the field of crack analysis algorithms that make use of deep learning. It outlines the various tasks that are solved through applying computer vision algorithms to surface cracks in a structural health monitoring setting and also provides in-depth reviews of recent fully, semi and unsupervised approaches that perform crack classification, detection, segmentation and quantification. Additionally, this review also highlights popular datasets used for cracks and the metrics that are used to evaluate the performance of those algorithms. Finally, potential research gaps are outlined and further research directions are provided.

研究动机与目标

• 提供对应用于结构健康监测（SHM）中裂缝分割、检测与量化任务的深度学习技术的全面综述。
• 分析当前在裂缝分析中监督学习、半监督学习、弱监督学习及无监督学习的现状。
• 评估常用数据集与性能指标，指出其中的不一致性和局限性。
• 识别关键研究空白，包括缺乏标准化评估、标注质量差以及缺乏时间序列裂缝演化数据。
• 提出未来研究方向，尤其关注弱监督与自监督学习的发展，以及纵向裂缝数据集的构建。

提出的方法

• 对土木基础设施中裂缝分析相关深度学习的同行评审文献进行系统性综述。
• 根据学习范式对方法进行分类：监督学习、半监督学习、弱监督学习与无监督学习。
• 分析IoU、Dice系数、精确率、召回率与F1分数等性能指标，批判性地分析指标误用与阈值依赖性问题。
• 评估PC-2018、CSD与CRACK500等流行数据集，重点关注标注质量与多样性。
• 考察网络架构趋势，包括U-Net变体、Faster R-CNN、YOLO及基于Transformer的模型。
• 提出标准化评估协议，并强调构建时间序列数据集以支持裂缝扩展建模的必要性。

实验结果

研究问题

• RQ1 在裂缝分割、检测与量化任务中，主流的深度学习架构与学习范式是什么？
• RQ2 当前的评估指标在多大程度上影响了裂缝检测算法的可比性与可复现性？
• RQ3 现有数据集的关键局限性是什么，特别是在标注质量与代表性方面？
• RQ4 为何半监督、弱监督与无监督学习在裂缝分析中的应用受限，如何改进？
• RQ5 在建模裂缝随时间演化的研究中存在哪些主要空白？纵向数据集如何推动预测性维护的发展？

主要发现

• 监督学习方法在裂缝分割与检测中达到最先进性能，但由于评估指标与协议不一致，结果难以比较。
• 许多研究使用宽松或非标准的指标（如采用宽松阈值的IoU），可能导致性能估计过于乐观，并降低实际应用中的泛化能力。
• 在半监督、弱监督与无监督学习方面，缺乏标准化且高质量的数据集，严重阻碍了方法比较与可复现性。
• 缺乏展示裂缝随时间演变的纵向数据集，限制了裂缝扩展预测模型的发展与主动维护策略的实现。
• 当前的标注实践存在不一致与质量低下问题，严重影响模型性能与泛化能力，尤其在真实场景部署中表现更差。
• 亟需统一的评估标准，包括固定置信度阈值与多指标报告，以提升研究间的可复现性与基准测试水平。