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

Sintesi Tecnica: Rappresentazione Topologica Sensibile alla Forma per il Rilevamento di Iperboli di Pipeline in Dati GPR

Problema
Il Ground Penetrating Radar (GPR) è una tecnica critica di test non distruttivi (NDT) per l'ispezione delle infrastrutture sotterranee, in particolare delle condotte. Tuttavia, i metodi di interpretazione tradizionali sono spesso laboriosi, dispendiosi in termini di tempo e altamente suscettibili al rumore e alla variabilità ambientale. Sebbene i modelli di deep learning, come YOLO e Faster R-CNN, abbiano migliorato l'automazione, essi affrontano sfide significative:

1. Scarsità di Dati: Dataset GPR reali di alta qualità e annotati sono difficili e costosi da raccogliere a causa dei vincoli logistici e della complessità degli ambienti sotterranei.
2. Gap di Dominio: I modelli addestrati su dati sintetici spesso non riescono a generalizzare verso scenari del mondo reale a causa di inconsistenze strutturali e differenze di rumore (il gap "Sim2Real").
3. Limitazioni delle Caratteristiche: Le classiche Reti Neurali Convoluzionali (CNN) eccellono nel catturare texture locali ma faticano a percepire strutture di forma globale, come i pattern di riflessione iperbolica caratteristici degli oggetti cilindrici sepolti.

Metodologia
Gli autori propongono TE-S2R (TDA-Enhanced Sim2Real), un framework che integra la Topological Data Analysis (TDA) con il deep learning per affrontare queste limitazioni. La metodologia consiste in due fasi primarie:

1. Rappresentazione Topologica Sensibile alla Forma (Integrazione TDA):

   • Invece di convertire le caratteristiche topologiche in vettori statistici astratti (ad esempio, immagini di persistenza), gli autori codificano l'informazione topologica direttamente nel dominio dell'immagine.
   • Utilizzando la Persistenza Omologica su immagini B-scan 2D, il metodo estrae le caratteristiche $\beta_1$ (loop), che corrispondono ai pattern chiusi e a forma di crescente delle iperboli delle condotte.
   • Viene generata una mappa di caratteristiche pesata sulla durata (lifetime-weighted feature map) in cui l'intensità delle strutture a loop è modulata dalla loro "durata topologica" (tempo di morte meno tempo di nascita). Le caratteristiche con durate più lunghe, che rappresentano elementi strutturali significativi, sono renderizzate con un'intensità maggiore, mentre le caratteristiche a breve durata (probabilmente rumore) vengono soppresse.
   • Questa mappa topologica viene impilata con l'originale B-scan in scala di grigi lungo la dimensione dei canali, creando un input multi-canale che preserva la coerenza spaziale e permette alla CNN di apprendere simultaneamente sia le texture locali che la continuità geometrica globale.

2. Strategia di Addestramento Sim2Real:

   • Pre-addestramento Sintetico: Un dataset di 300 immagini B-scan sintetiche viene generato utilizzando gprMax (metodo FDTD) con diverse condizioni del suolo (omogenee ed eterogenee tramite generazione frattale) e variabili parametri delle tubazioni. Queste immagini vengono elaborate attraverso la pipeline TDA per creare dati sintetici topologicamente potenziati.
   • Fine-tuning sul Mondo Reale: Il modello viene pre-addestrato sui dati sintetici e successivamente sottoposto a fine-tuning su un set limitato di dati GPR reali raccolti da tre siti in Corea del Sud (Siti A, B e C).
   • Questo approccio in due fasi mira a colmare il gap distributivo sfruttando la stabilità strutturale delle caratteristiche topologiche, che sono meno sensibili al rumore specifico del dominio rispetto ai valori grezzi dei pixel.

Contributi Chiave

• Nuova Codifica Topologica: Il documento introduce un metodo per incorporare direttamente le informazioni derivate dall'omologia persistente come mappe di intensità spaziale all'interno degli input delle CNN, piuttosto che utilizzare embedding statistici. Ciò consente alla rete di accedere alle informazioni di forma globale senza modifiche architettoniche.
• Framework Sinergico: L'integrazione della TDA con l'apprendimento per trasferimento Sim2Real crea un meccanismo di trasferimento consapevole della struttura. La TDA mitiga il gap di dominio enfatizzando la forma e la connettività rispetto all'intensità dei pixel grezzi, migliorando la robustezza del processo Sim2Real.
• Robustezza al Rumore: Concentrandosi sulle invarianti topologiche (loop con durate lunghe), il metodo riduce la sensibilità al rumore e alla variabilità ambientale inerenti ai dati GPR sul campo.

Risultati Sperimentali
Lo studio ha valutato sei configurazioni di modelli utilizzando le architetture YOLOv5 e YOLOv11, impiegando una validazione incrociata a 5 pieghe (5-fold cross-validation) su dati reali (Siti A e B) e testando su un sito indipendente (Sito C).

• Metriche di Performance: Il modello proposto TE-S2R ha ottenuto le prestazioni più elevate in tutte le metriche (Precision, Recall, mAP@0.5 e mAP@0.5:0.95) sul set di test indipendente.
  • Sul set di test YOLOv5, TE-S2R ha raggiunto un mAP@0.5 di 0.643, superando significativamente il modello Base (0.357) e il modello Sim-only (0.031).
  • Trend simili sono stati osservati con YOLOv11, dove TE-S2R ha raggiunto un mAP@0.5 di 0.806.
• Studi di Ablazione: Le comparazioni hanno confermato che sia la strategia Sim2Real che l'aumento tramite TDA migliorano indipendentemente le prestazioni. Tuttavia, la loro combinazione ha prodotto i risultati più robusti, in particolare nella gestione dei cambiamenti di dominio tra i siti di addestramento e di test.
• Significatività Statistica: I test di Mann–Whitney U hanno confermato che i miglioramenti di TE-S2R rispetto ai modelli di base sono statisticamente significativi ($p < 0.01$).

Significato e Rivendicazioni
Gli autori affermano che questo lavoro rappresenta il primo studio a incorporare direttamente le informazioni omologiche come descrittori di forma all'interno di una pipeline di deep learning per l'analisi GPR. La significatività del lavoro risiede in:

• Superamento della Scarsità di Dati: Dimostrare che i dati sintetici, se aumentati con caratteristiche topologiche, possono efficacementamente pre-addestrare i modelli per compiti di rilevamento nel mondo reale dove i dati etichettati sono scarsi.
• Miglioramento della Salienza Geometrica: Provare che le rappresentazioni topologiche migliorano il rilevamento di specifiche strutture geometriche (iperboli) che le classiche CNN spesso perdono o interpretano erroneamente a causa del rumore.
• Generalizzabilità: Il framework è presentato come una soluzione scalabile per la sensoristica sotterranea che può essere estesa ad altre modalità di imaging basate su griglia dove l'informazione strutturale è oscurata dal rumore.

Il documento conclude che l'integrazione di TDA e Sim2Real è mutuamente rinforzante, fornendo una soluzione affidabile per il rilevamento di oggetti sotterranei con ampie implicazioni per la pianificazione urbana e la gestione delle infrastrutture.