Segmenting Low-Contrast X-ray Computed Tomography Images of Concrete: An Unsupervised Approach
本文提出了一种结合超像素算法与基于卷积神经网络（CNN）感受野的无监督自标注方法，用于有效分割混凝土 X 射线 CT 图像中的低对比度骨料与砂浆，在无需标注训练数据的情况下，其性能优于传统的阈值分割方法。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
混凝土是地球上使用第二多的材料，仅次于水。它构成了我们现代世界的骨架，从摩天大楼的地基到跨越河流的桥梁。然而，尽管它无处不在，但在许多方面仍然是一个谜。混凝土并不是一块均匀的石头；它是一种由砂、水泥浆和被称为骨料的大石块组成的复杂混合物，所有这些成分都被微小的空气和水结合在一起。当工程师想要了解为什么一块混凝土可能会开裂，或者它在压力下会如何承受时，他们需要看到其内部。他们需要准确知道石块在哪里，浆体在哪里，以及空隙在哪里。为了做到这一点，研究人员使用了一种强大的成像技术，称为X射线计算机断层扫描。这个过程类似于医学CT扫描，但它不是观察人体，而是窥视一个混凝土圆柱体的内部，创建一个详细的3D内部结构图。
然而，挑战在于，混凝土对于这类成像来说是一个困难的对象。在医学扫描中，骨骼和软组织看起来非常不同，因为它们吸收X射线的方式截然不同。在混凝土中，大石块和水泥浆吸收X射线几乎量一样多。对于相机来说，它们看起来就像一个单一的、模糊的灰色团块。石块和浆体在外观上如此相似，以至于要区分它们就像试图分辨两种几乎完全相同的灰色阴影。由于缺乏清晰的视觉差异，计算机无法自动将图像分类为不同的部分。这使得研究这种材料的内部行为或创建能够预测其性能的准确计算机模型变得极其困难。多年来，获得清晰图像的唯一方法是手工追踪每一块石头和每一条裂缝，这是一个缓慢且乏味的过程，限制了科学家所能学习的内容。
来自布拉格捷克理工大学和卢森堡科学与技术研究所的一个研究小组开发了一种新方法来解决这个问题，而无需人工动手画线。他们创建了一个计算机程序，可以教导计算机在图像模糊且对比度低的情况下也能识别石块与浆体之间的区别。成功的关键在于一种称为“自标注”的方法。研究人员并没有向计算机输入成千上经过人工标记过的图像，而是让计算机观察图像并对其成分进行自己的猜测。计算机首先将图像分解成小的、在感知上相似的补丁，就像马赛克一样。然后，它观察这些补丁，并根据它们在图像整体背景下的外观尝试将它们归为一类。通过不断调整自己的猜测并从错误中学习，计算机最终能够弄清楚灰色团块中的哪些部分是石块，哪些是浆体。
研究人员在使用了X射线扫描的真实混凝土样本上测试了这种方法。他们没有向计算机展示任何预先标记好的关于石块或浆体应该长什么样的示例。相反，他们让系统自主运行，使用了一种擅长识别图像模式的特定类型的神经网络架构。该系统成功地分离了图像中的两个相，创建了一张清晰的地图，其中石块呈现一种颜色，而浆体呈现另一种颜色。为了确保该方法有效，团队将计算机的输出结果与一组由人类专家精心标记的图像进行了对比。结果显示，计算机的自动方法在识别石块方面远优于仅仅观察像素亮度的传统方法。传统方法经常会将石块与浆体混淆，或者完全遗漏石块，但这种新方法能以更高的准确性和一致性找到石块。
这项工作的最显著特征之一是，计算机是在与训练时完全不同的混凝土样本上进行测试的。在许多之前的研究中，研究人员会在样本的一个部分训练模型，然后在同一样本的另一个部分进行测试，这可能会掩盖模型是真的在学习材料特性还是仅仅在记忆特定的图像。在这种情况下，模型面对的是一个它从未见过的全新混凝土圆柱体，并且仍然表现良好。这表明该方法具有鲁棒性，可以应用于许多不同类型的混凝土，而无需为每一批新材料重新进行训练。研究人员发现，虽然计算机在寻找石块方面表现出色，但有时在处理样本的最边缘处或石块紧密堆积在一起的地方时会遇到困难。在这些地方，图像质量自然会下降，计算机偶尔会犯错，例如将几块小石块归为一个大的团块。然而，即使存在这些细微的误差，整体性能仍然优于现有方法。
该研究还探讨了计算机是否能学习识别混凝土的三大主要部分：石块、浆体和微小的气孔。当研究人员要求计算机在没有任何帮助的情况下同时寻找这三者时，它在区分气孔和石块方面遇到了困难。气孔非常暗，而石块和浆体是灰色的，但计算机难以以一致的方式将黑点与灰色团块区分开来。为了解决这个问题，研究人员给了计算机一个小提示：他们使用一种对黑点效果良好的简单标准方法，准确地告诉了计算机气孔的位置。有了这一个信息点，计算机就可以自由地自行搞定其余部分。这种“半监督”方法的效果甚至更好，它允许系统清晰地分离出所有三个组成部分。最终结果是一张清晰、详细的混凝土内部结构图，可用于进一步分析。
这一突破之所以重要，是因为它消除了材料科学中的一个主要瓶颈。几十年来，缺乏标记数据的现状阻碍了先进计算机视觉工具在研究混凝土方面的广泛应用。通过证明计算机可以在不需要人工标记训练数据的情况下对这些困难图像进行分割，研究人员为更快速、更高效地分析建筑材料打开了大门。这意味着工程师现在可以更快速、更准确地研究混凝土的内部结构，从而设计出更好的设计并建造更耐用的结构。该方法不需要特殊的添加剂来使混凝土在扫描中显示得更好，也不需要除了现有标准设备之外的昂贵设备。它仅仅是使用了一种巧妙的方法，教导计算机去观察图像并从自身的观察中学习。虽然在完善处理边缘情况或聚集石块方面仍有工作要做，但这项研究展示了一条理解支撑我们世界的材料内部隐藏世界的强大新路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。