我校研究团队解决工程检测中标签数据稀缺导致深度学习识别精度低的普遍性难题

近期，我校机械与电子信息学院周峰副教授团队在深度学习探地雷达隧道检测方面取得突破性进展，相应的成果《A deep learning framework based on improved self-supervised learning for ground penetrating radar tunnel lining inspection》（一种基于改进自监督学习的深度学习构架及其在探地雷达隧道衬砌检测应用）的论文在线发表在国际著名期刊《Computer-Aided Civil and Infrastructure Engineering》，并被选为该期刊的封面文章。

论文第一作者为我校2020级电子信息专业硕士研究生黄健，周峰副教授为通信作者。其他合作作者分别来自中铁西南研究院、俄罗斯鲍曼科技大学、挪威岩土工程研究所、英国阿伯丁大学和荷兰代尔夫特理工大学。

该研究针对工程检测领域中难以获得大量标签验证数据来训练深度学习网络的普遍性难题，以探地雷达隧道衬砌检测为例，开展基于少标签样本的深度学习方法研究，以解决标签数据稀缺导致的深度学习模型识别精度低的问题。该研究基于探地雷达道间波形的空间相关性特征，提出一种基于改进的自监督学习算法（即Self-attention for dense contrast learning，简称SA-DenseCL）的深度学习自动检测框架。该框架通过在自监督学习算法的编码器中新增相关投影头模块，来捕获探地雷达数据中特有的相关性信息，从而提升整个模型对探地雷达数据的特征学习能力。该检测流程利用无标签数据对骨干网络进行预训练，并结合少量有标签数据对目标检测网络进行微调，实现对隧道衬砌中的钢筋、空洞位置及二次衬砌厚度的自动快速识别。实验结果表明，即使在只有少量标签数据的情况下，依然可以实现对钢筋、空洞位置及二次衬砌厚度的高精度检测，对比研究发现，在标签数据相近的情况下，该方法的性能上优于基于监督学习预训练的检测方法。所提出的这种新的深度学习框架能大幅度减小目标检测网络对标签数据的依赖性，有望促进深度学习方法在工程检测领域中的广泛应用和落地。目前，该算法及软件代码已经在云南某隧道中开始投入使用。

《Computer-Aided Civil and Infrastructure Engineering》期刊在中科院和科睿唯安JCR分区中均属于Q1类Top期刊，其影响因子连续几年在土木工程、交通工程、基建等领域国际期刊中排名第一，2022年最新影响因子10.066。该期刊以审稿严苛著称，通常分配有5-7名审稿人，每年发文数不超过100篇。

论文信息：

Title：A deep learning framework based on improved self-supervised learning for ground-penetrating radar tunnel lining inspection

Authors：Jian Huang, Xi Yang, Feng Zhou（通信作者）, Xiaofeng Li, Bin Zhou, Song Lu, Sergey Ivashov, Iraklis Giannakis, Fannian Kong, Evert Slob

Source: Computer-Aided Civil and Infrastructure Engineering

DOI：10.1111/mice.13042

Available online: 19 May 2023

https://doi.org/10.1111/mice.13042

论文链接：https://onlinelibrary.wiley.com/doi/full/10.1111/mice.13042

图1 SA-DenseCL 网络结构图

图2 提交的封面配图