Shape-Aware Topological Representation for Pipeline Hyperbola Detection in GPR Data

Resumen Técnico: Representación Topológica Sensible a la Forma para la Detección de Hipérbolas de Tuberías en Datos de GPR

Planteamiento del Problema
El Radar de Penetración Terrestre (GPR) es una técnica crítica de ensayo no destructivo (NDT) para la inspección de infraestructura subterránea, particularmente tuberías. Sin embargo, los métodos de interpretación tradicionales suelen ser laboriosos, consumen mucho tiempo y son altamente susceptibles al ruido y a la variabilidad ambiental. Aunque los modelos de aprendizaje profundo, como YOLO y Faster R-CNN, han mejorado la automatización, enfrentan desafíos significativos:

1. Escasez de Datos: Los conjuntos de datos de GPR del mundo real, de alta calidad y anotados, son difíciles y costosos de recolectar debido a las limitaciones logísticas y la complejidad de los entornos subterráneos.
2. Brecha de Dominio: Los modelos entrenados con datos sintéticos suelen fallar al generalizarse a escenarios del mundo real debido a inconsistencias estructurales y diferencias de ruido (la brecha "Sim2Real").
3. Limitaciones de Características: Las Redes Neuronales Convolucionales (CNN) estándar sobresalen en la captura de texturas locales, pero tienen dificultades para percibir estructuras de forma global, como los patrones de reflexión hiperbólicos característicos de los objetos cilíndricos enterrados.

Metodología
Los autores proponen TE-S2R (TDA-Enhanced Sim2Real), un marco que integra el Análisis de Datos Topológicos (TDA) con el aprendizaje profundo para abordar estas limitaciones. La metodología consta de dos etapas primarias:

1. Representación Topológica Sensible a la Forma (Integración de TDA):

   • En lugar de convertir las características topológicas en vectores estadísticos abstractos (por ejemplo, imágenes de persistencia), los autores codifican la información topológica directamente en el dominio de la imagen.
   • Utilizando Homología Persistente en imágenes de B-scan 2D, el método extrae características $\beta_1$ (bucles o lazos), que corresponden a los patrones cerrados y en forma de media luna de las hipérbolas de las tuberías.
   • Se genera un mapa de características ponderado por tiempo de vida donde la intensidad de las estructuras de bucles es modulada por su "tiempo de vida" topológico (tiempo de muerte menos tiempo de nacimiento). Las características con tiempos de vida más largos, que representan elementos estructurales significativos, se renderizan con mayor intensidad, mientras que las características de vida corta (probablemente ruido) se suprimen.
   • Este mapa topológico se apila con el B-scan de escala de grises original a lo largo de la dimensión de canales, creando una entrada multicanal que preserva la coherencia espacial y permite que la CNN aprenda simultáneamente tanto las texturas locales como la continuidad geométrica global.

2. Estrategia de Entrenamiento Sim2Real:

   • Pre-entrenamiento Sintético: Se genera un conjunto de datos de 300 imágenes de B-scan sintéticas utilizando gprMax (método FDTD) con diversas condiciones de suelo (homogéneas y heterogéneas mediante generación fractal) y variando los parámetros de la tubería. Estas imágenes son procesadas a través del flujo de trabajo de TDA para crear datos sintéticos topológicamente mejorados.
   • Ajuste Fino en el Mundo Real: El modelo es pre-entrenado con los datos sintéticos y luego se ajusta finamente (fine-tuning) con un conjunto limitado de datos de GPR reales recolectados en tres sitios en Corea del Sur (Sitios A, B y C).
   • Este enfoque de dos etapas tiene como objetivo cerrar la brecha de distribución aprovechando la estabilidad estructural de las características topológicas, las cuales son menos sensibles al ruido específico del dominio que los valores de píxeles brutos.

Contribuciones Clave

• Codificación Topológica Novedosa: El artículo introduce un método para incrustar directamente la información de la homología persistente como mapas de intensidad espacial dentro de las entradas de la CNN, en lugar de usar incrustaciones estadísticas. Esto permite que la red acceda a la información de forma global sin modificaciones arquitectónicas.
• Marco Sinérgico: La integración de TDA con el aprendizaje por transferencia Sim2Real crea un mecanismo de transferencia sensible a la estructura. El TDA mitiga la brecha de dominio al enfatizar la forma y la conectividad sobre la intensidad de píxeles brutos, mejorando la robustez del proceso Sim2Real.
• Robustez al Ruido: Al centrarse en invariantes topológicos (bucles con tiempos de vida largos), el método reduce la sensibilidad al ruido y a la variabilidad ambiental inherente a los datos de GPR de campo.

Resultados Experimentales
El estudio evaluó seis configuraciones de modelos utilizando arquitecturas YOLOv5 y YOLOv11, empleando validación cruzada de 5 pliegues (5-fold cross-validation) en datos reales (Sitios A y B) y probando en un sitio independiente (Sitio C).

• Métricas de Desempeño: El modelo propuesto TE-S2R alcanzó el mayor desempeño en todas las métricas (Precisión, Recall, mAP@0.5 y mAP@0.5:0.95) en el conjunto de prueba independiente.
  • En el conjunto de prueba de YOLOv5, TE-S2R logró un mAP@0.5 de 0.643, superando significativamente al modelo Base (0.357) y al modelo solo con Sim (0.031).
  • Se observaron tendencias similares con YOLOv11, donde TE-S2R alcanzó un mAP@0.5 de 0.806.
• Estudios de Ablación: Las comparaciones confirmaron que tanto la estrategia Sim2Real como la aumentación por TDA mejoraron el desempeño de forma independiente. Sin embargo, su combinación produjo los resultados más robustos, particularmente al manejar los cambios de dominio entre los sitios de entrenamiento y de prueba.
• Significancia Estadística: Las pruebas de Mann–Whitney U confirmaron que las mejoras de TE-S2R sobre los modelos base fueron estadísticamente significativas ($p < 0.01$).

Significancia y Reivindicaciones
Los autores afirman que este trabajo representa el primer estudio que incrusta directamente la información homológica como descriptores de forma dentro de un flujo de trabajo de aprendizaje profundo para el análisis de GPR. La importancia del trabajo radica en:

• Superar la Escasez de Datos: Demostrar que los datos sintéticos, cuando se aumentan con características topológicas, pueden pre-entrenar eficazmente modelos para tareas de detección en el mundo real donde los datos etiquetados son escasos.
• Mejorar la Saliencia Geométrica: Probar que las representaciones topológicas mejoran la detección de estructuras geométricas específicas (hipérbolas) que las CNN estándar a menudo pasan por alto o malinterpretan debido al ruido.
• Aplicabilidad General: El marco se presenta como una solución escalable para la detección de subsuelo que puede extenderse a otras modalidades de imagen basadas en rejilla donde la información estructural está oscurecida por el ruido.

El artículo concluye que la integración de TDA y Sim2Real es mutuamente reforzadora, proporcionando una solución fiable para la detección de objetos subterráneos con amplias implicaciones para la planificación urbana y la gestión de infraestructuras.