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

Riepilogo Tecnico: CrackMorph-XAI-Net

Enunciato del Problema
I sistemi automatizzati di ispezione delle fessure attualmente esistenti fanno prevalentemente affidamento su modelli di deep learning per produrre maschere di segmentazione binarie. Sebbene efficaci nel localizzare le regioni di danno, queste maschere mancano della granularità strutturale necessaria per un'interpretazione ingegneristica rigorosa. Le decisioni di manutenzione non dipendono meramente dalla presenza di un difetto, ma da descrittori morfologici quantitativi quali lunghezza, larghezza, orientamento, comportamento di ramificazione, tortuosità e classificazione topologica delle fessure. Gli approcci tradizionali per derivare queste metriche coinvolgono tecniche di post-elaborazione classiche (ad esempio, assottigliamento morfologico e trasformazioni dell'asse mediano) applicate alle maschere di segmentazione. Tuttavia, questi metodi euristici sono notoriamente fragili; sono ipersensibili al rumore dei bordi, generando spesso micro-ramificazioni spurie, linee centrali interrotte e topologie distorte. Inoltre, man mano che i sistemi automatizzati si integrano in flussi di lavoro critici per la sicurezza, la natura "scatola nera" dei modelli di segmentazione standard limita la fiducia e la spiegabilità. Vi è un bisogno critico di passare dalla localizzazione a livello di pixel a una previsione strutturale basata sull'apprendimento, trasparente e che produca dati misurabili e rilevanti per l'ingegneria.

Metodologia
Il documento propone CrackMorph-XAI-Net, un framework spiegabile e consapevole della morfologia, progettato per convertire immagini grezze di fessure e maschere di regione in una sequenza di output strutturali interpretabili. Il framework opera come una pipeline a cascata modulare in quattro stadi:

1. Estrazione dello Scheletro con Conservazione della Topologia: Invece di applicare algoritmi di assottigliamento classici, il framework formula il recupero dello scheletro come un problema di previsione strutturale appresa. Una rete encoder-decoder in stile U-Net prevede una linea centrale continua larga un pixel. La rete è ottimizzata utilizzando una funzione di perdita composita che combina la perdita Dice e la cross-entropia binaria (BCE) per gestire lo squilibrio di classe estremo tra primo piano e sfondo, garantendo al contempo una sovrapposizione spaziale globale.
2. Rilevamento delle Giunzioni tramite Regressione di Mappe di Calore Gaussiane: Per affrontare l'estrema scarsità delle giunzioni delle fessure (punti di diramazione), il framework evita la classificazione binaria diretta pixel per pixel. Invece, impiega una strategia di regressione di mappe di calore gaussiane ispirata alla stima della posa umana. Le coordinate discrete delle giunzioni vengono trasformate in distribuzioni gaussiane 2D continue. Una rete dedicata prevede questa mappa di probabilità utilizzando la perdita dell'Errore Quadratico Medio (MSE), ammorbidendo il paesaggio di ottimizzazione e consentendo una localizzazione robusta di target strutturali sparsi.
3. Calcolo Deterministico dei Descrittori Morfologici: Questo stadio è strettamente geometrico e analitico, traducendo gli output strutturali previsti in metriche ingegneristiche. Calcola:
   • Lunghezza della Fessura: Lunghezza del percorso lungo lo scheletro estratto.
   • Larghezza Media: Rapporto tra l'area semantica totale della fessura e la lunghezza dello scheletro.
   • Orientamento: Asse principale dominante delle coordinate dello scheletro.
   • Conteggio delle Giunzioni: Numero di punti di diramazione rilevati.
   • Tortuosità: Rapporto tra la lunghezza del percorso dello scheletro e la distanza euclidea tra gli estremi.
   • Classe Topologica: Classificazione categorica (Lineare, Ramificata, Complessa, Rete) basata sull'abbondanza di giunzioni.
4. Screening Orientato alla Gravità: Lo stadio finale sintetizza questi descrittori in un'euristica di prioritizzazione. Sebbene non sia un sostituto dell'analisi agli elementi finiti, utilizza concetti della Meccanica della Frattura Elastica Lineare (LEFM) per segnalare difetti critici per la revisione umana basandosi su limiti geometrici e complessità strutturale.

Contributo del Dataset
Per supportare una valutazione rigorosa per stadio, gli autori hanno esteso il benchmark standard CRACK500 in CRACK500-Extended. Questo nuovo benchmark mantiene le originali 500 immagini ad alta risoluzione e le maschere binarie, ma introduce tre livelli di annotazione critici e spazialmente allineati:

• Mappe dello Scheletro: Linee centrali larghe un pixel, che conservano la topologia, derivate tramite trasformazioni dell'asse mediano raffinate.
• Mappe di Calore delle Giunzioni: Distribuzioni gaussiane continue centrate sui punti di diramazione annotati.
• Etichette Topologiche: Categorie globali di complessità a livello di immagine.
  Il set di addestramento è stato aumentato a 1.896 istanze utilizzando trasformazioni spaziali (ribaltamento, rotazione, deformazione elastica) per garantire l'invarianza geometrica.

Risultati Chiave
La validazione sperimentale sul set di test CRACK500-Extended dimostra miglioramenti significativi rispetto ai baseline classici:

• Estrazione dello Scheletro: Il modello appreso ha raggiunto un coefficiente medio Dice di 0,991 e un IoU di 0,983, rispetto a 0,912 per l'assottigliamento classico. La conservazione della topologia è stata mantenuta nel 98,5% delle immagini di test, un miglioramento di 11,5 punti percentuali rispetto al baseline.
• Rilevamento delle Giunzioni: L'approccio di regressione delle mappe di calore gaussiane ha prodotto un richiamo (recall) di 0,964 e un punteggio F1 di 0,887, superando significativamente i baseline di classificazione binaria (che hanno raggiunto un richiamo di 0,871).
• Accuratezza dei Descrittori: È stata osservata una forte concordanza tra i valori morfologici previsti e quelli di riferimento. I coefficienti di correlazione di Pearson hanno superato 0,95 per tutte le metriche, con correlazioni per lunghezza e orientamento che hanno raggiunto rispettivamente 0,982 e 0,991.
• Classificazione Topologica: Il framework ha raggiunto un'accuratezza categorica complessiva dell'83,5%, con errori che si sono verificati principalmente tra classi di complessità adiacenti (ad esempio, Ramificata vs. Complessa).
• Studi di Ablazione: L'architettura a cascata (stadi indipendenti) si è dimostrata superiore a una rete multi-task unificata, prevenendo l'interferenza dei gradienti tra il recupero denso dello scheletro e la localizzazione sparsa delle giunzioni.

Significato e Affermazioni
Il documento afferma che CrackMorph-XAI-Net rappresenta un cambiamento di paradigma nell'ispezione automatizzata delle infrastrutture, spostandosi oltre la mera segmentazione verso rappresentazioni strutturali trasparenti, misurabili e rilevanti per l'ingegneria. Il suo significato principale risiede nella sua spiegabilità intrinseca: generando output strutturali intermedi (scheletri, mappe di calore) anziché mappe di probabilità opache, il framework permette agli esperti di dominio di verificare visivamente e diagnosticare il ragionamento del modello. Questa trasparenza è presentata come essenziale per il dispiegamento dell'IA in flussi di lavoro ingegneristici critici per la sicurezza.

Gli autori posizionano il framework come uno strumento di supporto alle decisioni progettato per triageare i danni alle infrastrutture e prioritizzare i difetti per la revisione degli esperti, piuttosto che come un sostituto definitivo per l'analisi del cedimento specifica per materiale. Il lavoro sottolinea che, sebbene il sistema quantifichi efficacemente la morfologia 2D, le iterazioni future dovranno affrontare la generalizzabilità su materiali diversi (ad esempio, acciaio, calcestruzzo microstrutturale) e integrare metriche di profondità per il monitoraggio completo della salute strutturale 3D. Lo studio conclude che l'output algoritmico non deve solo localizzare il danno, ma quantificare la sua architettura strutturale in modo verificabile per essere davvero utile nella pianificazione della manutenzione preventiva.