从分类到分割：基于可解释人工智能的裂缝检测与生长监测研究

监测基础设施表面裂缝对结构健康监测至关重要。自动视觉检测提供了一种有效解决方案，尤其在难以到达的区域。机器学习方法已被证明有效，但通常需大量标注数据以进行监督训练。一旦检测到裂缝，监测其严重程度往往需要对损伤进行精确分割。然而，用于分割的图像像素级标注十分费力。为降低该成本，可利用可解释人工智能（XAI）从分类器的解释中导出分割结果，仅需弱图像级监督。本文提出将该方法应用于表面裂缝的分割与监测。我们评估了多种XAI方法的性能，并考察了该方案如何助力严重程度量化与生长监测。结果表明，尽管所得分割掩膜质量可能低于监督方法生成的掩膜，但其仍有意义并能支持严重程度监测，从而大幅降低标注成本。