DART：用于综合绳索状态监控的视觉语言基础模型

合成纤维绳索（SFRs）在海上、海事和工业环境中的状态监控（CM）的需求远不止于分类：检查员需要连续的严重程度估计、维护建议、异常标记、退化时间表以及来自单张检查图像的自动化报告。我们提出了DART（Damage Assessment via Rope Transformer），一种视觉语言基础模型，通过统一的多任务架构解决整个绳索检查工作流程。DART通过将视觉Transformer（ViT-H/14）与Llama-3.2-3B-Instruct通过严重程度条件化跨模态融合（SC-CMF）模块耦合，将联合嵌入预测架构（JEPA）扩展到跨模态领域。三个架构创新驱动了模型的 versatility：（1）HD-MASK，一种以显著性引导的掩码策略，聚焦于损伤密集区域的自监督重建；（2）每个类别可学习的严重程度门，适应性地加权损伤类别的语言校准；（3）对比损伤解�合（CDD）损失，塑造嵌入空间以同时编码损伤类型、严重程度排序以及跨模态语义。在使用4270张覆盖14种细粒度绳索损伤类的图像进行训练后，冻结的DART主干网络支持无需任何任务特定微调的下游任务：损伤分类（准确率93.22%，宏F1 91.04%，比仅视觉基线提高38.5个百分点），连续严重程度回归（Spearman rho = 0.94，within-1-ordinal准确率99.6%），少样本识别（20 shots下宏F1 89.2%）。这些结果表明DART作为通用CM主干网络，能够从单一共享表示中提供可操作的检查智能，远超分类功能。