Thickness-Calibrated Pavement Crack Segmentation with a Distance-Band Boundary Loss
本文介绍了 CaliCrack，这是一种无参数训练时损失函数，它通过惩罚裂缝分割模型中的边界膨胀，显著提高了在 DeepCrack 数据集上的精确率和 F1 分数，从而减少了导致自动化道路检测中出现假阳性的过度增厚预测。
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
道路是生命体，会在交通压力和天气应力的作用下缓慢损耗。这种老化的早期迹象之一便是裂缝。当裂缝出现时，它会将下层结构暴露在水分和重载之下，这可能迅速使一个小裂口演变成重大的结构性失效。为了保持道路安全，工程师需要及早发现这些裂缝并精确测量它们。近年来，计算机已经学会了自动完成这项工作。通过安装在车辆上的摄像头，人工智能系统可以扫描路面，并在它们看到的每一条裂缝周围绘制出数字轮廓。这个轮中或称为“掩码”（mask），随后被用于计算裂缝的宽度。如果裂缝足够宽，系统就会触发维修人员进行封堵的警报；如果裂缝太窄，则仅对该路段进行监测。整个维护决策都取决于那个数字轮廓的准确性。
长期以来，研究人员一直致力于让这些计算机系统更好地发现此前被隐藏的裂缝。他们构建了更复杂的网络，并在更大规模的图像集上对其进行训练。然而，一项新的研究表明，这些系统目前面临的最大问题不是漏掉裂缝，而是将裂缝画得太宽。即使计算机正确识别了裂缝的位置，它也经常在其周围涂上一层“光晕”，使裂缝看起来比实际更厚。这种错误是危险的，因为它会误导维护系统，使原本无害的小裂缝看起来像是宽大且危险的裂缝。这会导致不必要的维修，既浪费金钱又耗费时间，同时检查员还被迫去人工核实每一个虚假警报。这项研究背后的研究人员旨在解决这一特定缺陷，他们并非通过构建更复杂的机器，而是通过教计算机在寻找裂缝时对边缘更加精准。
由黄品超（Pinchao Huang）和蔡杏颖（Xingying Cai）领导的团队分析了用于训练这些道路检测系统的标准数据集中的数千张图像。他们发现了一个明显的错误模式：当系统画出的裂缝过厚时，多出来的像素几乎总是位于裂缝真实边缘的紧邻位置。事实上，他们发现计算机添加的所有额外像素中，有三分之二都位于真实边界外仅三个像素宽的一条细微区域内。计算机并不是在空白路面上“幻觉”出了裂缝，它只是简单地高估了它已经找到的裂缝的宽度。这种“边界膨胀”意味着，一条本应被测量为细线的裂缝，却被报告为一个宽带，从而扭曲了驱动维修决策的宽度计算。
为了解决这个问题，研究人员开发了一种名为 CaliCrack 的新训练方法。他们没有改变计算机的架构或增加新硬件，而是调整了计算机从错误中学习的方式。在标准训练中，如果计算机标记了一个并非裂缝的像素，它会被告知这是一个错误，并因每一个错误受到同等的惩罚。新方法改变了这条规则：它教导计算机要特别关注真实裂缝之外的区域。如果计算机在该特定区域内画线，它受到的惩罚会比在远离背景的地方出错更重。这鼓励计算机将它的边缘向内收缩，使轮廓更加紧凑，以匹配真实的宽度，而不至于抹除裂缝本身。
这种方法的测试结果非常显著。在标准数据集上的测试显示，新方法大幅提升了系统避免虚假警报的能力。裂缝检测的精确度从约 52% 跳升至 66%，这意味着系统在判断裂缝位置方面的错误大大减少。与此同时，将裂缝画得过厚的比例从 10% 下降到了仅 3%。至关重要的是，该系统并未丧失寻找裂缝的能力——它仍然能识别出几乎所有的裂缝——但它绘制出的几何形状更加准确。研究人员指出，这种改进是在没有增加任何额外复杂性或降低处理速度的情况下实现的。计算机学会了对边缘更加谨慎，并由此成为了一个更可靠的道路安全工具。
该研究还强调了这些系统在评估方面存在的更广泛问题。作者发现，许多宣称具有高性能的研究成果是基于不同的测试数据划分方式，这使得直接比较变得困难。通过使用一种一致的方法来将新方法与现有方法进行对比测试，他们证明了这些改进是真实的，而非仅仅是由于运气好的测试集所致。虽然新方法确实会引入轻微低估裂缝宽度的倾向，但研究人员认为，这是一种比高估更安全的误差。低估可能意味着裂缝会被再观察一段时间，但高估则会引发不必要且昂贵的维修。通过纠正“将裂缝画得过宽”这一主要错误，这项工作提供了一种切实可行的方法，使自动化道路检测更加值得信赖，确保维修人员只在真正需要的时候才被召集。
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。