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

Resumo Técnico: Representação Topológica Sensível à Forma para Detecção de Hipérbolas de Tubulações em Dados de GPR

Declaração do Problema
O Radar de Penetração no Solo (GPR) é uma técnica crítica de ensaio não destrutivo (NDT) para inspeção de infraestruturas subterrâneas, particularmente tubulações. No entanto, os métodos tradicionais de interpretação são frequentemente laboriosos, demorados e altamente suscetíveis ao ruído e à variabilidade ambiental. Embora modelos de aprendizado profundo, como YOLO e Faster R-CNN, tenham melhorado a automação, eles enfrentam desafios significativos:

1. Escassez de Dados: Conjuntos de dados de GPR do mundo real de alta qualidade e anotados são difíceis e caros de coletar devido a restrições logísticas e à complexidade dos ambientes subterrâneos.
2. Lacuna de Domínio (Domain Gap): Modelos treinados em dados sintéticos muitas vezes falham ao generalizar para cenários do mundo real devido a inconsistências estruturais e diferenças de ruído (o gap "Sim2Real").
3. Limitações de Características: Redes Neurais Convolucionais (CNNs) padrão são excelentes na captura de texturas locais, mas têm dificuldade em perceber estruturas de forma global, como os padrões de reflexão hiperbólicos característicos de objetos cilíndricos enterrados.

Metodologia
Os autores propõem o TE-S2R (TDA-Enhanced Sim2Real), um framework que integra a Análise de Dados Topológicos (TDA) com o aprendizado profundo para abordar essas limitações. A metodologia consiste em duas etapas principais:

1. Representação Topológica Sensível à Forma (Integração de TDA):

   • Em vez de converter características topológicas em vetores estatísticos abstratos (ex: imagens de persistência), os autores codificam a informação topológica diretamente no domínio da imagem.
   • Utilizando Homologia Persistente em imagens de B-scan 2D, o método extrai características $\beta_1$ (loops), que correspondem aos padrões fechados e em forma de crescente das hipérboles de tubulações.
   • Um mapa de características ponderado pelo tempo de vida (lifetime-weighted feature map) é gerado, onde a intensidade das estruturas de loop é modulada pelo seu "tempo de vida" topológico (tempo de morte menos o tempo de nascimento). Características com tempos de vida mais longos, representando elementos estruturais significativos, são renderizadas com maior intensidade, enquanto características de vida curta (provavelmente ruído) são suprimidas.
   • Este mapa topológico é empilhado com o B-scan de tons de cinza original ao longo da dimensão de canal, criando uma entrada multicanal que preserva a coerência espacial e permite que a CNN aprenda tanto texturas locais quanto a continuidade geométrica global simultaneamente.

2. Estratégia de Treinamento Sim2Real:

   • Pré-treinamento Sintético: Um conjunto de dados de 300 imagens de B-scan sintéticas é gerado usando gprMax (método FDTD) com diversas condições de solo (homogêneas e heterogêneas via geração fractal) e variando os parâmetros da tubulação. Essas imagens são processadas através do pipeline de TDA para criar dados sintéticos topologicamente aprimorados.
   • Ajuste Fino (Fine-tuning) no Mundo Real: O modelo é pré-treinado nos dados sintéticos e, em seguida, ajustado em um conjunto limitado de dados de GPR do mundo real coletados em três locais na Coreia do Sul (Locais A, B e C).
   • Esta abordagem de duas etapas visa reduzir o gap de distribuição ao aproveitar a estabilidade estrutural das características topológicas, que são menos sensíveis ao ruído específico do domínio do que os valores brutos de pixels.

Principais Contribuições

• Codificação Topológica Inovadora: O artigo introduz um método para incorporar diretamente informações de homologia persistente como mapas de intensidade espacial dentro das entradas de CNN, em vez de usar embeddings estatísticos. Isso permite que a rede acesse informações de forma global sem modificações arquitetônicas.
• Framework Sinérgico: A integração de TDA com o aprendizado por transferência Sim2Real cria um mecanismo de transferência estruturalmente consciente. O TDA mitiga o gap de domínio ao enfatizar a forma e a conectividade em vez da intensidade bruta de pixels, aumentando a robustez do processo Sim2Real.
• Robustez ao Ruído: Ao focar em invariantes topológicos (loops com tempos de vida longos), o método reduz a sensibilidade ao ruído e à variabilidade ambiental inerentes aos dados de campo do GPR.

Resultados Experimentais
O estudo avaliou seis configurações de modelos usando as arquiteturas YOLOv5 e YOLOv11, empregando validação cruzada de 5 dobras em dados reais (Locais A e B) e testando em um local independente (Local C).

• Métricas de Desempenho: O modelo TE-S2R proposto alcançou o desempenho mais alto em todas as métricas (Precisão, Recall, mAP@0.5 e mAP@0.5:0.95) no conjunto de teste independente.
  • No conjunto de teste YOLOv5, o TE-S2R alcançou um mAP@0.5 de 0,643, superando significativamente o modelo Base (0,357) e o modelo Sim-only (0,031).
  • Tendências semelhantes foram observadas com o YOLOv11, onde o TE-S2R alcançou um mAP@0.5 de 0,806.
• Estudos de Ablação: Comparações confirmaram que tanto a estratégia Sim2Real quanto o aumento por TDA melhoraram o desempenho de forma independente. No entanto, sua combinação gerou os resultados mais robustos, particularmente no tratamento de desvios de domínio entre os locais de treinamento e teste.
• Significância Estatística: Testes Mann–Whitney U confirmaram que as melhorias do TE-S2R sobre os modelos de base foram estatisticamente significativas ($p < 0,01$).

Significância e Alegações
Os autores afirmam que este trabalho representa o primeiro estudo a incorporar diretamente informações homológicas como descritores de forma dentro de um pipeline de aprendizado profundo para análise de GPR. A significância do trabalho reside em:

• Superação da Escassez de Dados: Demonstrar que dados sintéticos, quando aumentados com características topológicas, podem efetivamente pré-treinar modelos para tarefas de detecção no mundo real onde dados rotulados são escassos.
• Melhoria da Saliência Geométrica: Provar que representações topológicas melhoram a detecção de estruturas geométricas específicas (hipérboles) que as CNNs padrão frequentemente perdem ou interpretam incorretamente devido ao ruído.
• Aplicabilidade Geral: O framework é apresentado como uma solução escalável para sensoriamento de subsuperfície que pode ser estendida para outras modalidades de imagem baseadas em grade onde a informação estrutural está obscurecida pelo ruído.

O artigo conclui que a integração de TDA e Sim2Real é mutuamente reforçadora, fornecendo uma solução confiável para a detecção de objetos de subsuperfície com amplas implicações para o planejamento urbano e gestão de infraestrutura.