通过视觉重校准与实体重建实现免训练的隧道缺陷检测与工程解释
计算机视觉与模式识别
2026-05-01 v1 人工智能
摘要
隧道检测需要能够支持缺陷定位、测量、严重程度分级和工程文档编制的输出。现有的免训练基础模型流程通常止步于粗粒度的开放词汇提议，这在干扰严重的隧道场景中难以直接使用。我们提出了一个免训练框架TunnelMIND。具体来说，语言引导的缺陷提议不被视为最终输出；相反，它们的空间支撑在推理时通过密集视觉一致性进行重校准，以便在隧道特定的硬负样本下，将粗粒度的语义锚点转化为更可靠的提示。生成的掩膜进一步被重构为具有类别、位置、几何形状、严重程度和上下文属性的结构化缺陷实体，然后在专家知识约束下映射到基于检索的解释和工程可读的报告生成。在可见光、探地雷达和道路缺陷任务上，TunnelMIND分别取得了0.68、0.78和0.72的F1分数。总体而言，TunnelMIND表明，免训练的隧道检测可以超越粗粒度定位，迈向用于工程评估的结构化缺陷证据。
引用
@article{arxiv.2604.27928,
title = {Training-Free Tunnel Defect Inspection and Engineering Interpretation via Visual Recalibration and Entity Reconstruction},
author = {Shipeng Liu and Liang Zhao and Dengfeng Chen and Zhanping Song},
journal= {arXiv preprint arXiv:2604.27928},
year = {2026}
}