CrackMorph-XAI-Net：一种保持拓扑结构且可解释的自动裂缝形态分析框架
综合数学
2026-05-12 v1
摘要
自动裂缝检测日益被认为是基础设施监测的关键组成部分；然而，目前许多基于视觉的系统仍然主要将裂缝报告为二值分割掩码。虽然此类掩码便于定位，但为稳健的工程解释提供的结构信息有限。对于实际的裂缝评估，需要可测量的形态特征——包括中心线几何形状、分支行为、连接点位置、拓扑结构和与严重程度相关的指标。本文提出了CrackMorph-XAI-Net，一个用于基于图像的裂缝分析的可解释形态感知框架。裂缝图像和区域掩码数据通过四个不同的阶段转换为一系列可解释的结构输出：保持拓扑结构的骨架提取、通过高斯热图回归的连接点检测、形态描述符计算和面向严重程度的筛选。为支持严格的逐阶段评估，标准CRACK500基准测试被扩展，增加了对齐的骨架图、连接点热图和拓扑标签。实验验证表明，学习的骨架提取阶段达到了0.991的平均Dice系数，98.5%的测试图像保持了拓扑结构。此外，连接点检测阶段获得了0.964的召回率和0.887的F1分数，突显了热图回归对于稀疏结构目标的有效性。描述符级别的评估揭示了预测值与参考形态值之间的强一致性，长度、宽度、方向、连接点数量和曲折度的相关性超过0.95。
引用
@article{arxiv.2605.08265,
title = {CrackMorph-XAI-Net: A Topology-Preserving and Explainable Framework for Automated Crack Morphology},
author = {Sri Surya Pravallika Ajjarapu and S. M. Mallikarjunaiah},
journal= {arXiv preprint arXiv:2605.08265},
year = {2026}
}