用于自动化混凝土桥面剥离检测的多传感器注意力网络
计算机视觉与模式识别
2026-02-09 v3 图像与视频处理
摘要
混凝土桥面下的剥离仍无法通过传统目视检查检测，亟需自动化无损评估方法。本文引入一种深度学习框架，将地面雷达（GPR）和红外热成像（IRT）通过层次注意力机制进行集成。该架构运用时间自注意力处理 GPR 电磁信号，空间注意力分析热力图像，并通过可学习的嵌入实现跨模态注意力以建模传感器间的对应关系。我们集成了基于蒙特卡罗 dropout 的不确定性量化方法，将预测置信度分解为模型不确定性和数据驱动不确定性两个组成部分。实验在来自 SDNET2021 基准的五个真实桥梁数据集上进行，结果表明在平衡或中度不平衡数据分布下，所提方法在单一传感器和拼接式基线方法上显著提升性能。全面消融分析确认，跨模态注意力机制带来了显著于单模态注意力之外的改进。关键地，我们识别并刻画了特定的失效模式：在极端类别不平衡情况下，注意力机制类方法对多数类别偏差较为敏感，这表明在某些情境下，更简单的架构选择可能更为稳健。我们的发现为从业者提供了基于实证的依据，帮助其根据数据集特征选择合适的融合策略，而非一概而论某种架构具有普遍优势。
引用
@article{arxiv.2512.20113,
title = {Multi-Sensor Attention Networks for Automated Subsurface Delamination Detection in Concrete Bridge Decks},
author = {Alireza Moayedikia and Amirhossein Moayedikia},
journal= {arXiv preprint arXiv:2512.20113},
year = {2026}
}