Co to jest Defect Gating?

Defect gating to kontekstowa strategia filtrowania wnioskowań, która tłumi przewidywane etykiety wad poprzez ocenę ich stosowalności do wykrytego materiału nawierzchni i domeny strukturalnej. W TarmacView defect gating działa jako warstwa walidacji po wnioskowaniu — gdy model wizji komputerowej wygeneruje surowe prognozy wad ze współczynnikami ufności, logika bramkowania sprawdza każdą prognozę względem predefiniowanej tabeli stosowalności, która mapuje typy wad na kompatybilne konteksty nawierzchni. Prognozy oznaczone dla wad, które są strukturalnie niemożliwe lub nieistotne na danej nawierzchni, są tłumione, zanim trafią do końcowego raportu inspekcji. Mechanizm ten bezpośrednio rozwiązuje jeden z najbardziej uporczywych problemów w zautomatyzowanej inspekcji infrastruktury: fałszywie pozytywne prognozy wynikające z niedopasowania domenowego między danymi treningowymi a warunkami wnioskowania.

Problem: Fałszywie Pozytywne Wyniki na Niewłaściwych Typach Nawierzchni

Modele automatycznego wykrywania wad są trenowane na zbiorach danych zawierających zazwyczaj obrazy określonych typów infrastruktury — mostów betonowych, dróg asfaltowych, fasad budynków lub nawierzchni lotniskowych. Gdy są wdrażane w rzeczywistych scenariuszach inspekcji, modele te napotykają typy nawierzchni i konteksty strukturalne, które mogą różnić się od ich rozkładu treningowego. Model głębokiego uczenia trenowany wyłącznie na wadach mostów żelbetowych nauczy się cech wizualnych związanych ze złuszczeniami (popękane powierzchnie betonowe), wykwitami (białe krystaliczne osady) i odsłoniętym zbrojeniem (utleniona stal widoczna przez pęknięty beton). Gdy ten sam model przetwarza obraz nawierzchni asfaltowej, może aktywować te same detektory cech na teksturach powierzchni, które wizualnie przypominają wady betonowe — szorstka łata starego asfaltu może uruchomić detektor złuszczeń, podczas gdy jasno zabarwione ziarno kruszywa odsłonięte przez wybruzowanie może aktywować detektor wykwitów.

Konsekwencją są fałszywie pozytywne prognozy — etykiety wad raportowane na nawierzchniach, na których te wady są strukturalnie niemożliwe. Fałszywie pozytywne wyniki w inspekcji infrastruktury niosą ze sobą znaczące koszty operacyjne. Marnują czas inspektorów, wymagając ręcznej weryfikacji prognoz, które są znane jako nieprawidłowe. Degradują jakość statystyczną raportów inspekcyjnych poprzez zawyżanie liczby wad i rozkładów stopni nasilenia. W najgorszych scenariuszach fałszywie pozytywne wyniki mogą wywołać niepotrzebne działania naprawcze, odwracając ograniczone budżety utrzymaniowe od rzeczywistych wad. Badania opublikowane w Automation in Construction (2023) wykazały, że wskaźniki fałszywie pozytywnych wyników w automatycznym wykrywaniu uszkodzeń nawierzchni wahały się od 15% do 35% w zależności od architektury modelu i składu danych treningowych. Osobne badanie w Journal of Infrastructure Systems udokumentowało, że tłumienie fałszywie pozytywnych wyników poprzez filtrowanie świadome domenowe poprawiło precyzję inspekcji o ponad 40% w porównaniu do niefiltrowanych wyników modelu.

Podstawowa przyczyna fałszywie pozytywnych wyników związanych z typem nawierzchni leży w paradygmacie danych treningowych. Większość modeli detekcji wad jest trenowana na zbiorach danych z pojedynczej domeny — model wytrenowany na zbiorze danych SDNET2018 dotyczącym płyt mostowych uczy się kojarzyć określone wzorce tekstur z etykietami pęknięć. Gdy model ten napotyka charakterystyczną teksturę nawierzchni uszczelnionej lub wzór powierzchni rowkowanego betonowego pasa startowego, nauczone detektory cech mogą zadziałać nieprawidłowo. Model nie ma wewnętrznego zrozumienia, że niektóre typy wad są fizycznie niemożliwe na pewnych nawierzchniach — zna tylko skojarzenia piksel-etykieta ze swojego rozkładu treningowego. Defect gating wypełnia tę lukę poprzez wprowadzenie jawnej wiedzy domenowej jako twardego ograniczenia na etapie wnioskowania.

Logika Defect Gatingu

Logika defect gatingu w TarmacView działa jako deterministyczny filtr stosowany po głównym przebiegu wnioskowania. Architektura opiera się na trzystopniowym potoku: klasyfikacja nawierzchni, wnioskowanie domenowe i filtrowanie etykiet.

Etap 1 — Klasyfikacja nawierzchni: Dla każdego kafelka lub klatki obrazu w zbiorze danych inspekcji system określa rodzaj materiału nawierzchni. Może to być realizowane na kilka sposobów: klasyfikacja na podstawie metadanych (projekt inspekcji jawnie określa typ nawierzchni dla każdego obiektu), wizualna klasyfikacja nawierzchni (lekki model klasyfikatora przewiduje beton vs. asfalt na podstawie cech obrazu) lub fuzja sensoryczna (łączenie danych wizualnych z danymi LIDAR lub spektralnymi do identyfikacji materiału). Klasyfikator nawierzchni działa niezależnie od modelu detekcji wad i dostarcza kontekstu materiałowego niezbędnego do decyzji bramkujących.

Etap 2 — Wnioskowanie domenowe: Kontekst domeny strukturalnej — most, budynek, nawierzchnia drogi, pas startowy lub ogólna konstrukcja betonowa — jest określany na podstawie rejestru obiektów, konfiguracji projektu lub dedykowanego klasyfikatora domen. Wnioskowanie domenowe zapewnia dodatkową warstwę kontekstu wykraczającą poza typ nawierzchni. Na przykład powierzchnia betonowa może należeć do domeny pomostu mostu, domeny fasady budynku lub domeny nawierzchni betonowej, z których każda ma inne reguły stosowalności wad. Niektóre wady są istotne tylko w określonych domenach strukturalnych: złuszczenia spoin są istotne na pomostach mostów i nawierzchniach betonowych, ale rzadko na fasadach budynków, podczas gdy wykwity na wewnętrznych ścianach budynków niosą inne konsekwencje dotyczące nasilenia niż wykwity na podbudowach mostów.

Etap 3 — Filtrowanie etykiet: Każda przewidywana etykieta wady jest sprawdzana w tabeli stosowalności wad dla wywnioskowanej kombinacji typu nawierzchni i domeny. Tabela określa, czy każda etykieta wady jest dozwolona, zablokowana lub warunkowa dla każdego kontekstu. Etykiety dozwolone przechodzą do końcowego wyniku. Etykiety zablokowane są tłumione niezależnie od poziomu ufności. Etykiety warunkowe są oceniane względem dodatkowych kryteriów — na przykład wykrywanie pęknięć na powierzchniach betonowych może być dozwolone, ale tylko powyżej wyższego progu ufności niż na powierzchniach asfaltowych, gdzie pęknięcia są bardziej powszechne i wizualnie wyraźne.

Matematyczne sformułowanie decyzji bramkującej jest następujące:

g(L, S, D) = {
  1 jeśli A(L, S, D) = dozwolona
  0 jeśli A(L, S, D) = zablokowana
  f(C(L), T(S, D)) jeśli A(L, S, D) = warunkowa
}

Gdzie L to etykieta wady, S to typ nawierzchni, D to domena strukturalna, A to funkcja stosowalności, C(L) to ufność modelu dla etykiety L, a T(S, D) to próg ufności dla danej kombinacji nawierzchnia-domena. W przypadku etykiet warunkowych z poziomem ufności poniżej progu, prognoza jest również tłumiona.

To deterministyczne podejście zapewnia, że decyzje bramkujące są powtarzalne i możliwe do wyjaśnienia — w przeciwieństwie do metod uczonego filtrowania, które mogą wprowadzać własne tryby awarii, bramkowanie oparte na twardych regułach gwarantuje, że pewne kategorie fałszywie pozytywnych wyników nigdy nie pojawią się w wynikach.

Klasyfikacja Typu Nawierzchni dla Bramkowania

Klasyfikacja typu nawierzchni jest podstawowym elementem potoku defect gatingu. Dokładna identyfikacja materiału jest niezbędna, ponieważ decyzje bramkujące wynikają z określenia typu nawierzchni — błędnie sklasyfikowana nawierzchnia czyni całą strategię bramkowania nieskuteczną dla danego kafelka lub klatki.

TarmacView obsługuje trzy metody klasyfikacji nawierzchni, wybieralne w zależności od dostępnych danych i wymagań operacyjnych:

Klasyfikacja oparta na metadanych wykorzystuje wcześniej istniejące informacje o inspekcjonowanym obiekcie do określenia typu nawierzchni. Bazy danych zarządzania nawierzchniami lotniskowymi, systemy inwentaryzacji mostów i rejestry obiektów budowlanych zazwyczaj określają materiały konstrukcyjne dla każdego elementu. Projekt inspekcji mostu automatycznie dziedziczy klasyfikację typu nawierzchni z rekordu inwentaryzacji mostu: betonowa płyta pomostu, asfaltowa nakładka, stalowe dźwigary itp. Klasyfikacja oparta na metadanych jest najbardziej niezawodną metodą, gdy istnieją dokładne rejestry, ponieważ oddziela klasyfikację nawierzchni od wnioskowania wizualnego i eliminuje błędy klasyfikacji na wejściu bramkowania.

Wizualna klasyfikacja nawierzchni wykorzystuje dedykowany model uczenia maszynowego wyszkolony do rozróżniania betonu, asfaltu, kompozytów i innych materiałów nawierzchni wyłącznie na podstawie danych obrazowych. Klasyfikator nawierzchni działa na poziomie kafelka (zazwyczaj 256×256 lub 512×512 pikseli) i zwraca rozkład prawdopodobieństwa dla typów nawierzchni. Klasyfikator jest trenowany na zróżnicowanym zbiorze obrazów nawierzchni infrastrukturalnych oznaczonych według rodzaju materiału. Cechy wykorzystywane przez klasyfikator obejmują rozkład kolorów (beton ma tendencję do szaro-niebieskiego, asfalt do szaro-czarnego), statystyki tekstury (beton ma bardziej wyraźną ekspozycję kruszywa, asfalt ma bardziej jednolite pokrycie lepiszczem) oraz wzory strukturalne (spoiny betonowe vs. połączenia nawierzchni asfaltowej). Klasyfikacja wizualna osiąga dokładność przekraczającą 95% w jednolitych warunkach oświetleniowych i powierzchniowych, ale pogarsza się w trudnych warunkach, takich jak mokre nawierzchnie, głębokie cienie lub nietypowe powłoki nawierzchniowe.

Klasyfikacja z fuzją sensoryczną łączy dane wizualne z dodatkowymi modalnościami sensorowymi w celu niezawodnej identyfikacji materiału. Intensywność powrotu LIDAR różni się między powierzchniami betonowymi i asfaltowymi, zapewniając komplementarny sygnał niezależny od wyglądu wizualnego. Obrazowanie hiperspektralne może rozróżniać skład materiału poprzez widmowe sygnatury odbiciowe. Termowizja w podczerwieni ujawnia różnice w przewodności cieplnej między materiałami nawierzchni. Fuzja sensoryczna jest najbardziej niezawodną metodą klasyfikacji, ale wymaga dodatkowego sprzętu i infrastruktury do przetwarzania danych.

Wynik klasyfikacji typu nawierzchni trafia bezpośrednio do logiki defect gatingu. Każdy kafelek lub klatka otrzymuje etykietę typu nawierzchni — beton, asfalt, kompozyt, metal lub nieznany — wraz z poziomem ufności klasyfikacji. Kafelki z ufnością klasyfikacji poniżej konfigurowalnego progu (domyślnie 0,85) domyślnie otrzymują najbardziej konserwatywną konfigurację bramkowania, zazwyczaj dopuszczającą tylko wady uniwersalne, aby uniknąć fałszywie pozytywnych wyników z powodu błędnej klasyfikacji.

Wnioskowanie Domenowe

Wnioskowanie domenowe rozszerza kontekst bramkowania z materiału nawierzchni na funkcję strukturalną — rolę, jaką inspekcjonowany element pełni w systemie infrastruktury. Klasyfikacja domeny jest niezbędna, ponieważ ten sam materiał nawierzchni może być gospodarzem różnych typów wad w zależności od jego funkcji strukturalnej i warunków obciążenia.

TarmacView definiuje pięć podstawowych domen strukturalnych dla defect gatingu:

Domena mostu obejmuje wszystkie elementy konstrukcyjne infrastruktury mostowej: płytę pomostu, dźwigary, filary, przyczółki, łożyska i płyty dojazdowe. Typy wad istotne dla domeny mostu obejmują wady specyficzne dla betonu (złuszczenia, wykwity, odsłonięte zbrojenie, pękanie korozyjne), wady uniwersalne (pęknięcia, łuszczenie, ścieranie) oraz wady specyficzne dla mostów (przemieszczenie łożysk, uszkodzenia spoin, odsłonięcie fundamentów). Domena mostu stosuje najbardziej wszechstronny zestaw reguł stosowalności wad, ponieważ mosty łączą elementy konstrukcyjne z betonu poddane wysokim obciążeniom cyklicznym z nawierzchniami na odcinkach dojazdowych.

Domena budynku obejmuje konstrukcyjne i niekonstrukcyjne elementy budowlane, w tym kolumny, belki, płyty, ściany i fundamenty. Wady budynków kładą nacisk na mechanizmy deterioracji specyficzne dla betonu, takie jak korozja wywołana karbonatyzacją, reakcja alkaliczno-krzemionkowa (ASR) i uszkodzenia mrozowe. Wykwity na fasadach budynków są powszechnym wskaźnikiem infiltracji wilgoci i są priorytetowo traktowane w bramkowaniu domeny budynku. Domena budynku zazwyczaj wyklucza wady specyficzne dla nawierzchni, takie jak koleinowanie i wybruzowanie, choć pęknięcia pozostają uniwersalne.

Domena nawierzchni drogowej obejmuje powierzchnie dróg, miejsca parkingowe i ogólne nawierzchnie transportowe. Domena nawierzchni drogowej priorytetowo traktuje typy uszkodzeń zdefiniowane przez znormalizowane wskaźniki stanu nawierzchni: ASTM D5340 dla nawierzchni lotniskowych i ASTM D6433 dla dróg i parkingów. Etykiety wad w domenie nawierzchni drogowej obejmują wybruzowanie, wypływanie lepiszcza, koleinowanie, spychanie, wietrzenie i pękanie wszystkich typów (podłużne, poprzeczne, blokowe, siatkowe). Wady strukturalne specyficzne dla betonu (złuszczenia, odsłonięte zbrojenie) są blokowane w domenie nawierzchni drogowej, chyba że nawierzchnia jest jawnie sklasyfikowana jako nawierzchnia betonowa — w takim przypadku dozwolone są złuszczenia spoin i pęknięcia narożne.

Domena pasa startowego dotyczy szczególnie nawierzchni lotniskowych zgodnie z normami ICAO Annex 14 i FAA Advisory Circular. Bramkowanie pasa startowego jest najbardziej restrykcyjne, ponieważ krytyczny dla bezpieczeństwa charakter operacji lotniskowych wymaga minimalnych wskaźników fałszywie pozytywnych. Etykiety wad w domenie pasa startowego obejmują typy uszkodzeń nawierzchni wpływające na charakterystyki tarcia, potencjał generowania FOD oraz nośność. Wady specyficzne dla pasa startowego, takie jak akumulacja osadów gumowych, uszkodzenia od rozlanego paliwa i erozja od strumienia odrzutowego, są dozwolone tylko w tej domenie. Wady strukturalne specyficzne dla betonu są dozwolone tylko na odcinkach pasa startowego sklasyfikowanych jako nawierzchnia betonowa (zazwyczaj obszary o wysokim obciążeniu, takie jak końce pasów startowych i skrzyżowania).

Domena ogólnej konstrukcji betonowej służy jako rozwiązanie zastępcze dla konstrukcji betonowych, które nie pasują do kategorii mostów, budynków ani dedykowanych nawierzchni. Obejmuje to mury oporowe, przepusty, kanały odwadniające, ekrany akustyczne i konstrukcje morskie. Domena ogólnej konstrukcji betonowej dopuszcza wszystkie wady specyficzne dla betonu i uniwersalne, ale wyklucza wady specyficzne dla domen, które wymagają specjalistycznego kontekstu strukturalnego.

Wnioskowanie domenowe może być realizowane przez kilka kanałów: odczyt z rejestru obiektów (najbardziej niezawodny), konfiguracja projektu (określona przez użytkownika podczas konfiguracji inspekcji), wizualny klasyfikator domen (oparty na formie strukturalnej i cechach kontekstu) lub krzyżowe odniesienie współrzędnych GPS z geoprzestrzennymi bazami danych infrastruktury (mosty, budynki i nawierzchnie są zazwyczaj mapowane w oddzielnych warstwach GIS).

Tabele Stosowalności Etykiet Wad

Tabela stosowalności etykiet wad jest operacyjnym rdzeniem systemu bramkowania. Każdy wiersz tabeli określa etykietę wady, typy nawierzchni, na których jest dozwolona, domeny strukturalne, w których jest istotna, oraz wszelkie reguły warunkowe modyfikujące zachowanie bramkowania.

Tabela stosowalności jest konfigurowalna na poziomie projektu w TarmacView. Użytkownicy mogą modyfikować przypisania dozwolone/zablokowane/warunkowe dla każdej etykiety wady w oparciu o swoje specyficzne wymagania inspekcyjne i lokalną wiedzę o inspekcjonowanej infrastrukturze. Projekt inspekcji mostu w regionie z mostami o stalowych dźwigarach może na przykład dodać etykiety wad specyficznych dla metalu do tabeli bramkowania. Projekt inspekcji nawierzchni lotniskowej może skonfigurować bramkowanie tak, aby dopuszczać wady specyficzne dla betonu tylko na odcinkach pasa startowego, o których wiadomo, że mają nawierzchnię betonową, blokując je na odcinkach asfaltowych.

Wpisy warunkowe w tabeli uruchamiają drugorzędne reguły oceny. Na przykład pękanie na powierzchniach betonowych może być warunkowe względem minimalnej szerokości pęknięcia (raportowane są tylko pęknięcia szersze niż 0,3 mm), podczas gdy pękanie na powierzchniach asfaltowych może być warunkowe względem wzoru pęknięć (raportowane jest tylko pękanie siatkowe w strefach obciążenia). Te reguły warunkowe dodają drugą warstwę walidacji specyficznej dla domeny, wykraczającą poza sprawdzenie typu nawierzchni.

Wady Specyficzne dla Betonu vs. Uniwersalne

Rozróżnienie między wadami specyficznymi dla betonu a uniwersalnymi jest fundamentalne dla architektury bramkowania. Wady specyficzne dla betonu wynikają z mechanizmów deterioracji, które są unikalne dla betonu jako materiału konstrukcyjnego — korozja wbudowanego zbrojenia stalowego, reakcje alkaliczno-krzemionkowe, degradacja wywołana karbonatyzacją oraz uszkodzenia mrozowe, które powodują charakterystyczne wzory złuszczania i łuszczenia. Te wady są strukturalnie niemożliwe na nawierzchniach asfaltowych, gdzie mechanizmy deterioracji są całkowicie inne: utlenianie lepiszcza, stripping kruszywa i trwałe odkształcenie pod obciążeniem ruchem.

Wady specyficzne dla betonu, które są blokowane na nawierzchniach niebetonowych, obejmują:

Złuszczenie to pękanie i przemieszczanie się betonu powierzchniowego spowodowane naprężeniami wewnętrznymi — najczęściej wynikającymi z ekspansji korozyjnej wbudowanych prętów zbrojeniowych. Produkty korozji (tlenki i wodorotlenki żelaza) zajmują do sześciu razy więcej objętości niż pierwotna stal, generując naprężenia rozciągające przekraczające wytrzymałość betonu na rozciąganie. Powstałe złuszczenie odsłania zbrojenie na dalszą korozję i przyspiesza cykl deterioracji. Złuszczenie jest raportowane w stopniach nasilenia zdefiniowanych przez ASTM D5340: niski (mniej niż 1 cal głębokości), średni (1–2 cale) i wysoki (powyżej 2 cali). Logika bramkowania dopuszcza prognozy złuszczeń tylko na powierzchniach betonowych w domenach mostu, budynku i ogólnej konstrukcji betonowej.

Wykwity to osadzanie się białych, krystalicznych soli na powierzchniach betonowych, powstające, gdy woda rozpuszcza rozpuszczalne sole z matrycy betonowej i osadza je na powierzchni poprzez parowanie. Same wykwity nie są strukturalnie szkodliwe, ale stanowią krytyczny wskaźnik migracji wilgoci przez beton, która może transportować chlorki do zbrojenia i przyspieszać korozję. Wykrywanie wykwitów jest dozwolone wyłącznie na powierzchniach betonowych i jest najbardziej znaczące w domenach mostów i budynków, gdzie infiltracja wilgoci ma konsekwencje strukturalne.

Odsłonięte zbrojenie odnosi się do stali zbrojeniowej, która stała się widoczna w wyniku złuszczeń, ścierania lub wad konstrukcyjnych. Odsłonięte zbrojenie stanowi zagrożenie dla bezpieczeństwa konstrukcji, ponieważ odsłonięty odcinek aktywnie koroduje, a pozostały przekrój zbrojenia może być niewystarczający dla obciążeń projektowych. Logika bramkowania dopuszcza prognozy odsłoniętego zbrojenia tylko na powierzchniach betonowych, ponieważ pręty zbrojeniowe nie występują w asfalcie ani innych materiałach nawierzchniowych. Obecność odsłoniętego zbrojenia w wynikach uruchamia automatyczną eskalację stopnia nasilenia w raporcie inspekcji.

Korozja jako etykieta wady obejmuje rdzawe zacieki, wzory pęknięć wywołanych korozją oraz widoczne produkty korozji na powierzchniach betonowych. Korozja na powierzchniach betonowych objawia się jako pomarańczowo-brązowe zacieki wzdłuż ścieżek zbrojenia, rdzawe wycieki z odsłoniętego zbrojenia oraz wzory pęknięć podążające za układem zbrojenia. Te sygnatury wizualne różnią się od wszelkich możliwych wad na nawierzchniach asfaltowych, co sprawia, że prognozy korozji na asfalcie są prawie pewnymi fałszywie pozytywnymi wynikami.

Wady uniwersalne, które są dozwolone na wszystkich typach nawierzchni i we wszystkich domenach, obejmują:

Pękanie pojawia się na wszystkich nawierzchniach infrastrukturalnych i jest najbardziej uniwersalnie stosowalną etykietą wady. Logika bramkowania dopuszcza prognozy pękania na powierzchniach betonowych, asfaltowych, metalowych i kompozytowych w dowolnej domenie. Jednak klasyfikacja pęknięć może się różnić w zależności od kontekstu — pęknięcie na betonowym pomoście mostu może być sklasyfikowane jako strukturalne lub niestrukturalne w zależności od szerokości i wzoru, podczas gdy pęknięcie na nawierzchni asfaltowej jest klasyfikowane według typu (zmęczeniowe, blokowe, krawędziowe, odbite) zgodnie z normami identyfikacji uszkodzeń ASTM.

Wietrzenie obejmuje degradację powierzchni spowodowaną ekspozycją środowiskową — promieniowanie UV, cykle temperaturowe, wilgoć i atak chemiczny. Na betonie wietrzenie objawia się utratą zaprawy powierzchniowej i ekspozycją kruszywa. Na asfalcie wietrzenie przejawia się jako kruchość lepiszcza i pękanie powierzchniowe. Etykieta wietrzenia jest uniwersalnie dozwolona, choć kryteria oceny nasilenia różnią się w zależności od typu nawierzchni.

Łuszczenie to odpadanie lub złuszczanie materiału powierzchniowego w oddzielnych obszarach. Na betonie łuszczenie zazwyczaj wynika z cykli zamrażania-rozmrażania lub ataku chemicznego. Na asfalcie wzory przypominające łuszczenie mogą wynikać ze strippingu lub uszkodzenia lepiszcza. Logika bramkowania dopuszcza łuszczenie na powierzchniach betonowych i asfaltowych, ale blokuje je na powierzchniach metalowych, gdzie równoważna wada byłaby klasyfikowana jako korozja lub uszkodzenie powłoki.

Bramkowanie Prognoz na Poziomie Kafelka vs. Klatki

Szczegółowość, z jaką stosowane jest bramkowanie, ma znaczący wpływ zarówno na precyzję, jak i wydajność obliczeniową. TarmacView obsługuje dwa tryby bramkowania: bramkowanie na poziomie kafelka i bramkowanie na poziomie klatki.

Bramkowanie na poziomie kafelka stosuje filtrowanie stosowalności wad niezależnie do każdego kafelka obrazu — małego wyciętego regionu pełnej klatki inspekcyjnej, zazwyczaj 256×256 lub 512×512 pikseli. Każdy kafelek jest indywidualnie klasyfikowany pod kątem typu nawierzchni, a prognozy wad w obrębie tego kafelka są filtrowane zgodnie z typem nawierzchni kafelka. Bramkowanie na poziomie kafelka jest niezbędne w przypadku obiektów o heterogenicznym składzie nawierzchni. Most z betonową płytą pomostu, asfaltowymi odcinkami dojazdowymi i stalowymi barierami będzie miał kafelki pokrywające każdy typ nawierzchni. Bez bramkowania na poziomie kafelka, wada specyficzna dla betonu przewidziana na kafelku asfaltowego dojazdu pojawiłaby się w wynikach jako fałszywie pozytywny wynik. Dzięki bramkowaniu na poziomie kafelka, kafelek asfaltowy otrzymuje reguły bramkowania odpowiednie dla asfaltu, a prognoza specyficzna dla betonu jest tłumiona.

Bramkowanie na poziomie kafelka wprowadza dodatkowy narzut obliczeniowy, ponieważ klasyfikacja nawierzchni musi być przeprowadzona niezależnie dla każdego kafelka. Jednak klasyfikator nawierzchni jest lekkim modelem — zazwyczaj wariantem MobileNet lub EfficientNet z mniej niż 10 milionami parametrów — który dodaje minimalne opóźnienie w porównaniu do głównego modelu detekcji wad. Testy porównawcze TarmacView pokazują, że bramkowanie na poziomie kafelka dodaje około 8–12% do całkowitego czasu wnioskowania w potokach przetwarzania z akceleracją GPU, jednocześnie redukując wskaźniki fałszywie pozytywnych wyników o 60–75% w przypadku obiektów heterogenicznych.

Bramkowanie na poziomie klatki stosuje pojedynczą klasyfikację typu nawierzchni i domeny do całej klatki inspekcyjnej i filtruje wszystkie prognozy wad w obrębie tej klatki jednolicie. Bramkowanie na poziomie klatki jest odpowiednie dla obiektów o jednorodnym składzie nawierzchni — cały odcinek nawierzchni pasa startowego, fasada budynku lub dźwigar mostu wykonany w całości z jednego materiału. Oszczędności obliczeniowe są znaczące: klasyfikacja nawierzchni jest wykonywana raz na klatkę, a nie raz na kafelek, redukując narzut bramkowania do około 2–4% całkowitego czasu wnioskowania.

Wybór między bramkowaniem na poziomie kafelka a na poziomie klatki jest konfigurowany na poziomie projektu w TarmacView. Zalecaną wartością domyślną jest bramkowanie na poziomie kafelka dla wszystkich projektów inspekcji, z bramkowaniem na poziomie klatki zarezerwowanym dla projektów, w których skład nawierzchni obiektu jest zweryfikowany jako jednorodny, a zysk wydajności obliczeniowej jest operacyjnie znaczący. Mechanizm zastępczy automatycznie przełącza błędnie sklasyfikowane kafelki na najbardziej konserwatywną konfigurację bramkowania, aby zachować niezawodność.

Bramkowanie wielorozdzielcze to zaawansowany tryb, który stosuje bramkowanie na poziomie kafelka w natywnej rozdzielczości modelu detekcji wad, jednocześnie agregując klasyfikacje nawierzchni z wielu kafelków do wnioskowania domenowego na poziomie klatki. To hybrydowe podejście łączy precyzję przypisania materiału na poziomie kafelka z niezawodnością klasyfikacji domeny strukturalnej na poziomie klatki, zapewniając najlepsze cechy obu trybów bramkowania.

Wady Specyficzne dla Betonu vs. Specyficzne dla Asfaltu

Symetria bramkowania między powierzchniami betonowymi i asfaltowymi jest kluczową zasadą projektową. Podobnie jak wady specyficzne dla betonu są blokowane na nawierzchniach asfaltowych, wady specyficzne dla asfaltu są równie blokowane na nawierzchniach betonowych. To dwukierunkowe bramkowanie zapewnia, że system nie generuje fałszywie pozytywnych wyników w żadnym kierunku.

Wady specyficzne dla asfaltu, które są blokowane na nawierzchniach nieasfaltowych, obejmują:

Wypływanie lepiszcza to migracja lepiszcza asfaltowego w górę na powierzchnię nawierzchni, tworząca błyszczącą, refleksyjną warstwę. Wypływanie występuje, gdy zawartość lepiszcza jest nadmierna, nawierzchnia jest nadmiernie zagęszczona lub wysokie temperatury powodują ekspansję lepiszcza. Na powierzchniach betonowych nie ma materiału lepiszcza, który mógłby migrować, co sprawia, że wykrycie wypływania jest niemożliwe. Każda prognoza modelu dotycząca wypływania lepiszcza na powierzchni betonowej jest gwarantowanym fałszywie pozytywnym wynikiem spowodowanym błędną interpretacją przez model powierzchniowej wilgoci lub powłoki jako warstwy lepiszcza.

Koleinowanie to trwałe odkształcenie w śladach kół spowodowane konsolidacją lub uszkodzeniem ścinającym struktury nawierzchni asfaltowej. Koleinowanie tworzy podłużne zagłębienia, które gromadzą wodę i obniżają funkcjonalność nawierzchni. Nawierzchnie betonowe nie ulegają koleinowaniu — mogą podlegać przesunięciom, złuszczeniom lub pękaniu pod wpływem ruchu, ale mechanizm odkształcenia jest fundamentalnie inny. Prognozy koleinowania na powierzchniach betonowych są tłumione przez logikę bramkowania.

Wybruzowanie to stopniowe wysadzanie ziaren kruszywa z powierzchni asfaltowej spowodowane starzeniem się lepiszcza lub strippingiem. Powierzchnie betonowe mogą wykazywać ekspozycję kruszywa poprzez wietrzenie lub łuszczenie, ale mechanizm różni się od wybruzowania asfaltowego. Logika bramkowania rozróżnia wietrzenie (uniwersalne) od wybruzowania (specyficzne dla asfaltu) na podstawie klasyfikacji typu nawierzchni.

Spychanie to podłużne przemieszczenie materiału nawierzchni asfaltowej, typowo na skrzyżowaniach lub innych obszarach o wysokim obciążeniu ścinającym. Spychanie tworzy fale lub pofałdowania na powierzchni nawierzchni. Powierzchnie betonowe nie wykazują spychania — mogą wykazywać przesunięcia lub przemieszczenia płyt na spoinach, ale tryb uszkodzenia jest odrębny. Logika bramkowania blokuje prognozy spychania na powierzchniach betonowych.

Wyłączanie Bramkowania (–no-defect-gating)

TarmacView udostępnia flagę wiersza poleceń –no-defect-gating i równoważny parametr API, który wyłącza całą logikę bramkowania i zwraca surowe prognozy modelu bez żadnego filtrowania typu nawierzchni ani domeny. Ta funkcjonalność obsługuje kilka scenariuszy operacyjnych:

Debugowanie i walidacja modelu — podczas opracowywania lub dostrajania modeli detekcji wad badacze muszą badać wszystkie wyniki modelu, w tym prognozy na niekompatybilnych typach nawierzchni. Wyłączenie bramkowania ujawnia zachowanie modelu we wszystkich kontekstach, umożliwiając identyfikację systematycznych wzorców fałszywie pozytywnych, które można rozwiązać poprzez augmentację danych treningowych lub ulepszenia architektury modelu. Metryki walidacji modelu obliczone z włączonym bramkowaniem byłyby sztucznie zawyżone, ponieważ bramkowanie tłumi znane fałszywie pozytywne wyniki — zespoły walidacyjne powinny obliczać precyzję i czułość zarówno z bramkowaniem, jak i bez, aby zrozumieć wewnętrzną wydajność modelu w porównaniu do dostarczanej wydajności systemu.

Ocena jakości danych treningowych — inspekcja surowych prognoz modelu z wyłączonym bramkowaniem może ujawnić błędnie oznaczone dane treningowe. Jeśli model konsekwentnie przewiduje złuszczenia na nawierzchniach asfaltowych w zbiorze treningowym, obrazy źródłowe mogły zostać błędnie oznaczone — być może łata asfaltowa na powierzchni betonowej została oznaczona jako beton, lub adnotacja treningowa przypisała etykietę wady specyficznej dla betonu do obrazu powierzchni kompozytowej lub powlekanej. Te problemy z jakością danych byłyby maskowane przez bramkowanie w produkcji, ale są ujawniane, gdy bramkowanie jest wyłączone.

Nieznane lub mieszane typy nawierzchni — gdy typ nawierzchni nie może być wiarygodnie określony przez żadną dostępną metodę klasyfikacji, najbezpieczniejszą konfiguracją może być całkowite wyłączenie bramkowania i przedstawienie wszystkich prognoz modelu do przeglądu przez człowieka, zamiast ryzykowania zablokowania rzeczywistej wady przez nieprawidłową klasyfikację nawierzchni. Tryb –no-defect-gating jest zalecany dla projektów inspekcji, w których obiekty mają nowatorskie nawierzchnie, eksperymentalne materiały lub kompozytowe powłoki nawierzchniowe, których klasyfikator nawierzchni nie został przeszkolony rozpoznawać.

Badania międzydomenowe — naukowcy badający charakterystyki wad w różnych typach infrastruktury korzystają z niefiltrowanych wyników, które pokazują, jak ta sama etykieta wady manifestuje się na różnych nawierzchniach. Na przykład porównanie morfologii pęknięć na betonowych pomostach mostów vs. nawierzchniach asfaltowych wymaga dostępu do prognoz na obu typach nawierzchni bez filtrowania.

Gdy bramkowanie jest wyłączone, wszystkie prognozy z modelu są zawarte w wynikach wraz z klasyfikacją typu nawierzchni w celach informacyjnych. Pole metadanych w wynikach prognozy wskazuje, że bramkowanie było wyłączone, umożliwiając potokom przetwarzania downstream zastosowanie własnego filtrowania lub oznaczenie prognoz do ręcznego przeglądu. Zalecenie w dokumentacji TarmacView to włączanie bramkowania dla wszystkich produkcyjnych przebiegów inspekcji i wyłączanie bramkowania tylko dla konkretnych przypadków użycia opisanych powyżej, z zastrzeżeniem, że surowe wyniki modelu będą zawierać znacząco więcej fałszywie pozytywnych wyników niż wyniki bramkowane.

Wpływ na Precyzję i Czułość

Wprowadzenie defect gatingu powoduje mierzalną zmianę w równowadze precyzji i czułości zautomatyzowanego systemu inspekcji. Zrozumienie tych zależności jest niezbędne do odpowiedniego konfigurowania bramkowania dla różnych kontekstów operacyjnych.

Poprawa precyzji jest główną korzyścią defect gatingu. Precyzja — ułamek przewidywanych etykiet pozytywnych, które odpowiadają rzeczywistym wadom — wzrasta, ponieważ tłumienie znanych, niemożliwych kategorii wad zmniejsza mianownik obliczenia precyzji bez wpływu na licznik (rzeczywiste wykrycia pozytywne). We wdrożeniach terenowych TarmacView, defect gating osiągnął poprawę precyzji w zakresie od 35% do 55% w zależności od typu obiektu i składu nawierzchni. Inspekcje mostów betonowych wykazują największe zyski precyzji (45–55%), ponieważ liczba etykiet wad specyficznych dla betonu, które mogą aktywować się na kafelkach niebetonowych, jest największa w heterogenicznych obiektach mostowych. Inspekcje nawierzchni pasów startowych wykazują bardziej umiarkowane zyski precyzji (20–30%), ponieważ skład nawierzchni jest zazwyczaj bardziej jednorodny.

Redukcja czułości to potencjalny koszt defect gatingu. Czułość — ułamek rzeczywistych wad, które są prawidłowo identyfikowane przez system — może się zmniejszyć, jeśli konfiguracja bramkowania nieprawidłowo blokuje prawidłowe prognozy wad. Może to nastąpić przez dwa mechanizmy: błędną klasyfikację typu nawierzchni (kafelek betonowy błędnie sklasyfikowany jako asfalt powodujący blokowanie wad specyficznych dla betonu) lub zbyt restrykcyjną konfigurację domeny (ogólna konstrukcja betonowa przypisana do domeny nawierzchni, w której wady specyficzne dla betonu są blokowane). W praktyce redukcja czułości spowodowana bramkowaniem wynosi zazwyczaj 2–5% w dobrze skonfigurowanych systemach, co jest znacznie mniejsze niż zyski precyzji.

Wynik F1 — średnia harmoniczna precyzji i czułości — poprawia się o 15–25% w typowych wdrożeniach TarmacView z włączonym defect gatingiem, odzwierciedlając netto pozytywny wpływ tłumienia fałszywie pozytywnych wyników pomimo niewielkiego kosztu czułości.

Uwaga: Zakresy odzwierciedlają obserwowaną wydajność w różnych typach obiektów, składach nawierzchni i architekturach modeli we wdrożeniach terenowych TarmacView.

Krzywe precyzji-czułości z bramkowaniem i bez niego pokazują systematyczne przesunięcie w kierunku wyższej precyzji na wszystkich progach ufności. Krzywa z włączonym bramkowaniem leży powyżej i na prawo od krzywej bez bramkowania, co wskazuje, że dla dowolnego poziomu czułości system osiąga wyższą precyzję, gdy bramkowanie jest aktywne. Pole pod krzywą precyzji-czułości (AUC-PR) zwiększa się o 12–20 punktów procentowych z włączonym bramkowaniem.

Znaczenie operacyjne tych ulepszeń metryk jest znaczące. Precyzja na poziomie 0,85 oznacza, że 85 na każde 100 prognoz wad w raporcie inspekcji odpowiada rzeczywistym wadom, w porównaniu do tylko 60 na 100 bez bramkowania. Przekłada się to bezpośrednio na skrócony czas weryfikacji inspektora — mniej fałszywie pozytywnych wyników do ręcznego przeglądu i odrzucenia — oraz wyższe zaufanie do jakości danych inspekcyjnych przy planowaniu decyzji utrzymaniowych.

Przyszłość: Uczone Bramkowanie

Obecna generacja defect gatingu wykorzystuje sztywno zakodowane tabele stosowalności z deterministycznymi regułami zezwól/zablokuj/warunkowe. To podejście zapewnia niezawodność, możliwość wyjaśnienia i gwarantowane tłumienie fałszywie pozytywnych wyników dla dobrze poznanych relacji wada-nawierzchnia. Ma jednak ograniczenia: nie może dostosować się do nowatorskich materiałów nawierzchni ani typów wad bez ręcznych aktualizacji konfiguracji, nie może obsługiwać niejednoznacznych przypadków, gdy typ nawierzchni jest niepewny, i nie może uczyć się na podstawie informacji zwrotnej z operacji, aby z czasem poprawiać swoje decyzje filtrujące.

Uczone bramkowanie reprezentuje następną ewolucję architektury bramkowania. Zamiast sztywno zakodowanych reguł, uczona sieć bramkująca przewiduje stosowalność wad bezpośrednio z cech wizualnych i metadanych kontekstowych. Sieć bramkująca jest trenowana na zbiorze danych prognoz wad sparowanych z dostarczoną przez człowieka informacją zwrotną na temat ich stosowalności — pozyskiwaną od inspektorów, którzy przeglądają i akceptują lub odrzucają prognozy wad podczas swojej normalnej pracy. Z biegiem czasu model bramkujący uczy się rozróżniać stosowalne od niestosowalnych prognoz wad z rosnącą dokładnością, w tym dla nowych kombinacji wada-nawierzchnia, które nie były obecne w początkowym zestawie reguł.

Architektura uczonego bramkowania integruje się z podstawowym modelem detekcji wad poprzez wspólny szkielet cech. Pierwsze etapy sieci neuronowej ekstrahują ogólne cechy wizualne z obrazu wejściowego. Te cechy są następnie kierowane do dwóch równoległych głowic: głowicy detekcji wad (przewidującej etykiety wad, ramki ograniczające i współczynniki ufności) oraz głowicy bramkującej (przewidującej współczynniki stosowalności dla każdej etykiety wady na podstawie cech wizualnych i kontekstowych). Wyjście głowicy bramkującej to wektor prawdopodobieństw stosowalności — jeden na etykietę wady — które modulują końcowe wyjście prognozy. Prawdopodobieństwo bramkowania poniżej 0,5 tłumi prognozę niezależnie od poziomu ufności głowicy detekcji.

Bramkowanie probabilistyczne rozszerza koncepcję uczonego bramkowania poprzez zastąpienie binarnych decyzji zezwól/zablokuj ciągłymi współczynnikami stosowalności. Zamiast twardego progu tłumienia, bramkowanie probabilistyczne generuje ufność bramkowania, która jest mnożona przez ufność detekcji, aby uzyskać końcowy współczynnik ufności. Pozwala to systemowi obsługiwać niepewność — wada na nawierzchni, która jest w 70% prawdopodobnie betonem i w 30% prawdopodobnie asfaltem, otrzymuje wynik bramkowania 0,70 dla wad specyficznych dla betonu, zmniejszając ich ufność zamiast całkowicie je blokować. Końcowa prognoza niesie łączną ufność, która odzwierciedla zarówno pewność detekcji, jak i kontekstową stosowalność.

Bramkowanie adaptacyjne dostosowuje progi bramkowania w zależności od profili ryzyka operacyjnego. Scenariusz inspekcji wysokiego ryzyka — pas startowy lotniska z aktywnymi operacjami lotniczymi lub most ze znanymi niedoborami strukturalnymi — może przyjąć konserwatywne progi bramkowania, które priorytetowo traktują precyzję kosztem czułości, akceptując wyższe ryzyko fałszywie negatywnych wyników, aby zminimalizować zakłócenia od fałszywie pozytywnych. Scenariusz inspekcji niskiego ryzyka — rutynowy przegląd nawierzchni na drodze o niskim natężeniu ruchu — może przyjąć permisywne progi bramkowania, które priorytetowo traktują czułość kosztem precyzji, akceptując więcej fałszywie pozytywnych wyników, aby zapewnić, że żadne rzeczywiste wady nie zostaną pominięte. Ramy bramkowania adaptacyjnego pozwalają systemowi dostroić swoje zachowanie do kontekstu operacyjnego bez ręcznej rekonfiguracji.

Uczenie online dla bramkowania umożliwia modelowi bramkującemu ciągłą poprawę poprzez informację zwrotną z operacji. Gdy inspektor akceptuje lub odrzuca prognozę w interfejsie przeglądu TarmacView, ta informacja zwrotna jest rejestrowana i wykorzystywana do aktualizacji modelu bramkującego. Z biegiem czasu system uczy się, które prognozy wad na których kombinacjach nawierzchni i domen są najbardziej prawdopodobne jako stosowalne, zbiegając się do optymalnego zachowania bramkowania dla każdego konkretnego typu obiektu i środowiska inspekcji. Uczenie online wymaga starannych zabezpieczeń, aby zapobiec pętlom informacji zwrotnej — odrzucony prawdziwie pozytywny wynik mógłby obciążyć model bramkujący w kierunku blokowania prawidłowych prognoz w przyszłości — ale gdy jest właściwie zaimplementowane, umożliwia ciągłe doskonalenie bez konieczności okresowych cykli ponownego trenowania modelu.

Podsumowanie

Defect gating to kluczowa strategia wnioskowania dla zautomatyzowanych systemów inspekcji infrastruktury działających na heterogenicznych typach nawierzchni i w różnych domenach strukturalnych. Poprzez filtrowanie przewidywanych etykiet wad w oparciu o rodzaj materiału nawierzchni, domenę strukturalną i reguły stosowalności wad, logika bramkowania tłumi fałszywie pozytywne prognozy, które w przeciwnym razie degradowałyby jakość inspekcji i zaufanie operacyjne. Wady specyficzne dla betonu, które definiują deteriorację strukturalną — złuszczenia, wykwity, odsłonięte zbrojenie i korozja — są fizycznie niemożliwe na nawierzchniach asfaltowych i pojawiałyby się jako fałszywie pozytywne wyniki, gdyby system je tam raportował. Logika bramkowania zapobiega tym błędom poprzez egzekwowanie wiedzy domenowej jako twardego ograniczenia na etapie wnioskowania, zapewniając, że prognozy wad są zawsze kontekstowo odpowiednie dla nawierzchni, na której są raportowane.

Implementacja defect gatingu w TarmacView obejmuje klasyfikację typu nawierzchni, wnioskowanie domeny strukturalnej, tabele stosowalności wad oraz konfigurowalną szczegółowość bramkowania od poziomu kafelka do poziomu klatki. Poprawa precyzji dzięki bramkowaniu jest znacząca — 35–55% w typowych wdrożeniach — podczas gdy redukcja czułości jest minimalna na poziomie 2–5%. System obsługuje wyłączanie bramkowania do debugowania modelu, walidacji treningowej i scenariuszy z nieznanymi nawierzchniami poprzez flagę –no-defect-gating. Przyszły rozwój w kierunku uczonego, probabilistycznego i adaptacyjnego bramkowania rozszerzy te możliwości na obsługę nowatorskich materiałów nawierzchniowych, niepewnych warunków klasyfikacji i operacyjnie dostrojonych kompromisów między precyzją a czułością.

Dla zarządców infrastruktury praktyczne znaczenie defect gatingu jest jasne: raporty inspekcyjne zawierające mniej fałszywie pozytywnych wyników wymagają mniej czasu ręcznej weryfikacji, dostarczają wyższej jakości danych do priorytetyzacji utrzymania i generują większe zaufanie do zautomatyzowanego systemu inspekcji. W miarę jak automatyczne wykrywanie wad staje się coraz bardziej powszechne w sektorze infrastruktury, kontekstowe strategie bramkowania będą niezbędne do dostarczania wyników inspekcji, które są zarówno dokładne, jak i operacyjnie użyteczne.