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

Technische Samenvatting: Vormbewuste Topologische Representatie voor Hyperbooldetectie in Pijpleidingen in GPR-data

Probleemstelling
Gronddoordringend radar (GPR) is een cruciale techniek voor niet-destructief onderzoek (NDT) bij de inspectie van ondergrondse infrastructuur, met name pijpleidingen. Traditionele interpretatiemethoden zijn echter vaak arbeidsintensief, tijdrovend en zeer gevoelig voor ruis en omgevingsvariabiliteit. Hoewel deep learning-modellen, zoals YOLO en Faster R-CNN, de automatisering hebben verbeterd, worden zij geconfronteerd met aanzienlijke uitdagingen:

1. Dataschaarste: Hoogwaardige, geannoteerde real-world GPR-datasets zijn moeilijk en duur om te verzamelen vanwege logistieke beperkingen en de complexiteit van ondergrondse omgevingen.
2. Domeingap: Modellen die getraind zijn op synthetische data falen vaak bij het generaliseren naar real-world scenario's door structurele inconsistenties en verschillen in ruis (de "Sim2Real"-gap).
3. Kenmerkbeperkingen: Standaard Convolutionele Neurale Netwerken (CNN's) blinken uit in het vastleggen van lokale texturen, maar hebben moeite met het waarnemen van globale vormstructuren, zoals de hyperbolische reflectiepatronen die kenmerkend zijn voor begraven cilindrische objecten.

Methodologie
De auteurs stellen TE-S2R (TDA-Enhanced Sim2Real) voor, een framework dat Topologische Data Analyse (TDA) integreert met deep learning om deze beperkingen aan te pakken. De methodologie bestaat uit twee primaire fasen:

1. Vormbewuste Topologische Representatie (TDA-integratie):

   • In plaats van topologische kenmerken om te zetten in abstracte statistische vectoren (bijv. persistence images), coderen de auteurs topologische informatie direct in het beelddomein.
   • Door gebruik te maken van Persistent Homology op 2D B-scan afbeeldingen, extraheert de methode $\beta_1$-kenmerken (lussen), die overeenkomen met de gesloten, sikkelvormige patronen van pijpleiding-hyperbolen.
   • Er wordt een lifetime-weighted feature map gegenereerd waarbij de intensiteit van de lusstructuren wordt gemoduleerd door hun topologische "levensduur" (sterftijd minus geboortetijd). Kenmerken met een langere levensduur, die significante structurele elementen vertegenwoordigen, worden weergegeven met een hogere intensiteit, terwijl kortstondige kenmerken (waarschijnlijk ruis) worden onderdrukt.
   • Deze topologische kaart wordt samen met de originele grijswaarden GPR B-scan langs de kanaaldimensie gestapeld, waardoor een multi-channel input ontstaat die ruimtelijke coherentie behoudt en het mogelijk maakt dat de CNN zowel lokale texturen als globale geometrische continuïteit simultaan leert.

2. Sim2Real Trainingsstrategie:

   • Synthetische Pre-training: Een dataset van 300 synthetische B-scan afbeeldingen wordt gegenereerd met behulp van gprMax (FDTD-methode) met diverse bodomstandigheden (homogeen en heterogeen via fractale generatie) en variërende pijpl parameters. Deze afbeeldingen worden verwerkt via de TDA-pipeline om topologisch verrijkte synthetische data te creëren.
   • Real-World Fine-tuning: Het model wordt vooraf getraind op de synthetische data en vervolgens gefinetuned op een beperkte set real-world GPR-data verzameld van drie locaties in Zuid-Korea (Locaties A, B en C).
   • Deze tweefasige aanpak beoogt de distributieve kloof te overbruggen door gebruik te maken van de structurele stabiliteit van topologische kenmerken, die minder gevoelig zijn voor domeinspecifieke ruis dan ruwe pixelwaarden.

Belangrijkste Bijdragen

• Nieuwe Topologische Codering: Het artikel introduceert een methode om persistentie-homologie-afgeleide kenmerken direct in te bedden als ruimtelijke intensiteitskaarten binnen CNN-inputs, in plaats van als statistische embeddings. Dit stelt het netwerk in staat toegang te krijgen tot globale vorminformatie zonder architecturale wijzigingen.
• Synergetisch Framework: De integratie van TDA met Sim2Real transfer learning creëert een structuurbewust transfermechanisme. TDA mitigeert de domeingap door de nadruk te leggen op vorm en connectiviteit in plaats van ruwe pixelintensiteit, wat de robuustheid van het Sim2Real-proces verhoogt.
• Robuustheid tegen Ruis: Door te focussen op topologische invarianten (lussen met lange levensduur), vermindert de methode de gevoeligheid voor de ruis en omgevingsvariabiliteit die inherent zijn aan veld-GPR-data.

Experimentele Resultaten
De studie evalueerde zes modelconfiguraties met behulp van YOLOv5 en YOLOv11 architecturen, waarbij gebruik werd gemaakt van 5-voudige kruisvalidatie op real-world data (Locaties A en B) en getest werd op een onafhankelijke locatie (Locatie C).

• Prestatie-metrieken: Het voorgestelde TE-S2R model behaalde de hoogste prestaties over alle metrieken (Precisie, Recall, mAP@0.5 en mAP@0.5:0.95) op de onafhankelijke testset.
  • Op de YOLOv5 testset behaalde TE-S2R een mAP@0.5 van 0.643, wat aanzienlijk beter is dan het Base model (0.357) en het Sim-only model (0.031).
  • Vergelijkbare trends werden waargenomen bij YOLOv11, waarbij TE-S2R een mAP@0.5 van 0.806 behaalde.
• Ablatiestudies: Vergelijkingen bevestigden dat zowel de Sim2Real-strategie als de TDA-augmentatie onafhankelijk de prestaties verbeterden. Echter, hun combinatie leverde de meest robuuste resultaten op, met name bij het omgaan met domeinverschuivingen tussen trainings- en testlocaties.
• Statistische Significantie: Mann–Whitney U-testen bevestigden dat de verbeteringen van TE-S2R ten opzichte van de baseline-modellen statistisch significant waren ($p < 0.01$).

Betekenis en Claims
De auteurs claimen dat dit werk de eerste studie is die direct homologische informatie als vormbeschrijvers inbedt binnen een deep learning-pipeline voor GPR-analyse. De betekenis van het werk ligt in:

• Overwinnen van Dataschaarste: Het aantonen dat synthetische data, wanneer verrijkt met topologische kenmerken, effectief modellen kunnen pre-trainen voor real-world detectietaken waar gelabelde data schaars is.
• Verbeteren van Geometrische Salientie: Het bewijzen dat topologische representaties de detectie van specifieke geometrische structuren (hyperbolen) verbeteren die standaard CNN's vaak missen of verkeerd interpreteren door ruis.
• Algemene Toepasbaarheid: Het framework wordt gepresenteerd als een schaalbare oplossing voor ondergrondse detectie die kan worden uitgebreid naar andere grid-gebaseerde beeldvormingsmodaliteiten waar structurele informatie door ruis wordt gehinderd.

Het artikel concludeert dat de integratie van TDA en Sim2Real elkaar wederzijds versterkt, wat een betrouwbare oplossing biedt voor de detectie van ondergrondse objecten met brede implicaties voor stedelijke planning en infrastructuurbeheer.