基于 AI 的涵洞与下水管道检测

涵洞和下水管道是排水系统的关键组成部分，其故障可能对公共安全和环境造成严重风险。在本论文中，我们探索了改进涵洞和下水管道中自动化缺陷分割的方法。在该领域收集和标注数据既繁琐又需要领域知识。因此，拥有用于结构缺陷检测的大型数据集是不可行的。我们提出的方法在标注数据有限的条件下进行了测试，以证明其对真实世界场景的适用性。总体而言，本论文提出了三种方法来显著增强缺陷分割并应对数据稀缺问题。这可以通过增强训练数据或调整模型架构来实现。首先，我们评估了预处理策略，包括传统数据增强和动态标签注入。这些技术显著提高了分割性能，提升了交并比和 F1 分数。其次，我们引入了 FORTRESS，这是一种结合了深度可分离卷积、自适应 Kolmogorov-Arnold 网络（KAN）和多尺度注意力机制的新颖架构。FORTRESS 在涵洞下水管道缺陷数据集上实现了 SOTA 性能，同时显著减少了可训练参数数量及其计算成本。最后，我们研究了小样本语义分割及其在缺陷检测中的适用性。小样本学习旨在仅用有限数据训练模型。通过采用带有注意力机制的双向原型网络，该模型实现了更丰富的特征表示，并在各项评估指标上取得了令人满意的结果。