CrackMorph-XAI-Net: A Topology-Preserving and Explainable Framework for Automated Crack Morphology

Résumé Technique : CrackMorph-XAI-Net

Énoncé du Problème
Les systèmes automatisés d'inspection des fissures actuels reposent principalement sur des modèles d'apprentissage profond pour produire des masques de segmentation binaire. Bien qu'efficaces pour localiser les zones de dommages, ces masques manquent de granularité structurelle requise pour une interprétation ingénierique rigoureuse. Les décisions de maintenance dépendent non seulement de la présence d'un défaut, mais de descripteurs morphologiques quantitatifs tels que la longueur, la largeur, l'orientation, le comportement de ramification, la tortuosité et la classification topologique des fissures. Les approches traditionnelles pour dériver ces métriques impliquent des techniques de post-traitement classiques (par exemple, amincissement morphologique et transformations de l'axe médian) appliquées aux masques de segmentation. Cependant, ces méthodes heuristiques sont notoirement fragiles ; elles sont hypersensibles au bruit des frontières, générant souvent des micro-branches spuriaires, des lignes centrales brisées et des topologies déformées. De plus, à mesure que les systèmes automatisés s'intègrent dans des flux de travail critiques pour la sécurité, la nature « boîte noire » des modèles de segmentation standards limite la confiance et l'explicabilité. Il existe un besoin critique de passer d'une localisation au niveau du pixel à une prédiction structurelle transparente et basée sur l'apprentissage, produisant des données mesurables et pertinentes pour l'ingénierie.

Méthodologie
L'article propose CrackMorph-XAI-Net, un cadre explicable et conscient de la morphologie conçu pour convertir les images brutes de fissures et les masques de région en une séquence de sorties structurelles interprétables. Le cadre fonctionne comme un pipeline en cascade modulaire à quatre étapes :

1. Extraction de squelette préservant la topologie : Au lieu d'appliquer des algorithmes d'amincissement classiques, le cadre formule la récupération du squelette comme un problème d'apprentissage de prédiction structurelle. Un réseau encodeur-décodeur de style U-Net prédit une ligne centrale continue d'un pixel de largeur. Le réseau est optimisé à l'aide d'une fonction de perte composite combinant la perte Dice et l'entropie croisée binaire (BCE) pour gérer le déséquilibre sévère des classes premier-plan/arrière-plan tout en assurant un chevauchement spatial global.
2. Détection des jonctions par régression de carte thermique gaussienne : Pour aborder l'extrême rareté des jonctions de fissures (points de branchement), le cadre évite la classification binaire directe pixel par pixel. Au lieu de cela, il emploie une stratégie de régression de carte thermique gaussienne inspirée de l'estimation de la pose humaine. Les coordonnées discrètes des jonctions sont transformées en distributions gaussiennes 2D continues. Un réseau dédié prédit cette carte de probabilité en utilisant une perte d'erreur quadratique moyenne (MSE), lissant le paysage d'optimisation et permettant une localisation robuste des cibles structurelles rares.
3. Calcul déterministe des descripteurs morphologiques : Cette étape est strictement géométrique et analytique, traduisant les sorties structurelles prédites en métriques d'ingénierie. Elle calcule :
   • Longueur de la fissure : Longueur du chemin le long du squelette extrait.
   • Largeur moyenne : Rapport de la surface sémantique totale de la fissure à la longueur du squelette.
   • Orientation : Axe principal dominant des coordonnées du squelette.
   • Nombre de jonctions : Nombre de points de branchement détectés.
   • Tortuosité : Rapport de la longueur du chemin du squelette à la distance euclidienne entre les extrémités.
   • Classe topologique : Classification catégorielle (Linéaire, Ramifiée, Complexe, Réseau) basée sur l'abondance des jonctions.
4. Dépistage orienté vers la sévérité : L'étape finale synthétise ces descripteurs en une heuristique de priorisation. Bien que ce ne soit pas un substitut à l'analyse par éléments finis, elle utilise des concepts de la Mécanique de la Rupture Élastique Linéaire (LEFM) pour signaler les défauts critiques à l'examen humain sur la base de limites géométriques et de complexité structurelle.

Contribution de l'Ensemble de Données
Pour soutenir une évaluation rigoureuse par étape, les auteurs ont étendu le benchmark standard CRACK500 en CRACK500-Extended. Ce nouveau benchmark conserve les 500 images haute résolution et les masques binaires originaux, mais introduit trois couches d'annotation critiques et spatialement alignées :

• Cartes de squelette : Lignes centrales d'un pixel de largeur, préservant la topologie, dérivées via des transformations d'axe médian affinées.
• Cartes thermiques de jonctions : Distributions gaussiennes continues centrées sur les points de branchement annotés.
• Étiquettes topologiques : Catégories de complexité globale au niveau de l'image.
  L'ensemble d'entraînement a été augmenté à 1 896 instances en utilisant des transformations spatiales (retournement, rotation, déformation élastique) pour assurer l'invariance géométrique.

Résultats Clés
La validation expérimentale sur l'ensemble de test CRACK500-Extended démontre des améliorations significatives par rapport aux bases de référence classiques :

• Extraction de squelette : Le modèle appris a atteint un coefficient Dice moyen de 0,991 et une IoU de 0,983, contre 0,912 pour l'amincissement classique. La préservation de la topologie a été maintenue dans 98,5 % des images de test, soit une amélioration de 11,5 points de pourcentage par rapport à la base de référence.
• Détection de jonctions : L'approche de régression de carte thermique gaussienne a produit un rappel de 0,964 et un score F1 de 0,887, surpassant nettement les bases de référence de classification binaire (qui ont atteint un rappel de 0,871).
• Précision des descripteurs : Une forte concordance a été observée entre les valeurs morphologiques prédites et de référence. Les coefficients de corrélation de Pearson ont dépassé 0,95 pour toutes les métriques, les corrélations de longueur et d'orientation atteignant respectivement 0,982 et 0,991.
• Classification topologique : Le cadre a atteint une précision catégorielle globale de 83,5 %, les erreurs se produisant principalement entre des classes de complexité adjacentes (par exemple, Ramifiée vs Complexe).
• Études d'ablation : L'architecture en cascade (étapes indépendantes) s'est avérée supérieure à un réseau multi-tâches unifié, empêchant l'interférence des gradients entre la récupération dense du squelette et la localisation rare des jonctions.

Signification et Revendications
L'article affirme que CrackMorph-XAI-Net représente un changement de paradigme dans l'inspection automatisée des infrastructures en allant au-delà de la simple segmentation vers des représentations structurelles transparentes, mesurables et pertinentes pour l'ingénierie. Sa signification principale réside dans son explicabilité intrinsèque : en générant des sorties structurelles intermédiaires (squelettes, cartes thermiques) plutôt que des cartes de probabilité opaques, le cadre permet aux experts du domaine de vérifier visuellement et de diagnostiquer le raisonnement du modèle. Cette transparence est présentée comme essentielle pour déployer l'IA dans des flux de travail d'ingénierie critiques pour la sécurité.

Les auteurs positionnent le cadre comme un outil d'aide à la décision conçu pour trier les dommages aux infrastructures et prioriser les défauts pour l'examen par des experts, plutôt que comme un remplacement définitif de l'analyse de défaillance spécifique aux matériaux. Le travail souligne que, bien que le système quantifie efficacement la morphologie 2D, les itérations futures devront aborder la généralisabilité à travers divers matériaux (par exemple, acier, béton microstructurel) et intégrer des métriques de profondeur pour une surveillance complète de la santé structurelle 3D. L'étude conclut que la sortie algorithmique ne doit pas seulement localiser les dommages, mais quantifier son architecture structurelle de manière vérifiable pour être véritablement utile à la planification de la maintenance préventive.