《ADVANCED ENGINEERING INFORMATICS》：Encoder-decoder based active learning approach for corrosion segmentation in industrial and lab environments
编辑推荐：
本研究提出基于主动学习的优化池方法，通过优先选择高价值样本提升腐蚀检测精度，减少标注成本。实验在实验室和真实环境数据集上验证，DeepLabv3+模型结合EfficientNet-B1 backbone在实验室达到98%像素精度，真实环境中IoU为86.7%，证实主动学习有效平衡精度与效率，为工业腐蚀管理提供可扩展方案。
Zhen Qi Chee|Cheng Siong Chin|Hao Chen|Zi Jie Choong|Jun Jie Chong|Carla Canturri|Tom Portafaix|ShiLiang Johnathan Tan
新加坡纽卡斯尔大学科学、农业与工程学院，新加坡599493
摘要
尽管在腐蚀监测方面取得了显著进展，但由于表面纹理不规则和环境变化的影响，准确识别关键区域仍然是一个持续存在的挑战，这些因素限制了传统迁移学习方法的有效性。为了解决这个问题，本研究探讨了基于池化的主动学习的优化方法在增强腐蚀检测方面的潜力。基于池化的主动学习方法优先选择高价值样本，通过专注于细化腐蚀特定特征的选择来提高分割性能，同时降低注释成本，而不是处理图像的通用不确定性。为了严格验证分割模型，使用了两个不同的数据集：第一个是实验室控制的数据集，其中包含带有精确真实标签的标准化腐蚀样本；第二个是在真实环境条件下捕获的数据集。首先在受控条件下进行实验室实验，以确保对明确定义的腐蚀样本进行准确的分割，然后再使用现场数据集进行验证。实验结果表明，采用EfficientNet作为底层网络的DeepLabv3+模型，在批量大小为16的情况下训练50个周期，使用贝叶斯主动学习不一致性（BALD）方法进行数据划分（80%用于训练，10%用于验证，10%用于测试），在受控实验室条件下实现了98% ± 0.16%的像素准确率，在真实现场图像上实现了87.8% ± 0.98%的像素准确率。此外，现场模型在具有挑战性的条件下也展示了强大的分割能力，平均交并比（IoU）为86.7% ± 0.28%。这些发现突显了主动学习在腐蚀检测中的优势和权衡。
引言
腐蚀是一种复杂且多方面的现象，涉及金属通过化学反应形成更稳定的化合物（如氧化物或氢氧化物）而发生降解。当金属接触到腐蚀性环境（包括固体、液体或气体物质）时，这一过程就会发生，并可能受到温度、湿度和杂质等多种因素的影响。由于热力学稳定性，金属化合物在暴露于外部因素（如湿气和氧气）时会自发降解，导致金属结构和设备的损坏[1]。腐蚀过程可以分为一般表面腐蚀、局部区域腐蚀和晶界腐蚀，这些现象源于金属对腐蚀环境的抵抗力差异，从而导致较不活泼的金属优先发生降解[2]。如果管理不当，这些机制可能会导致重大的经济损失、设备故障和环境危害。腐蚀的财务和生态影响非常严重，估计每年的损失高达数百亿美元。工业事故、设备故障和饮用水源的污染也可能是未受控制的腐蚀过程的结果[3],[4]。
在石油和天然气行业中，从井口输送到处理设施的管道和阀门特别容易受到腐蚀的影响，估计每年的损失为13.72亿美元[5]。除了石油和天然气行业外，海上领域也受到高盐度、湿度和极端天气条件加速腐蚀的影响。如果没有适当的监测和维护，金属的降解可能导致结构故障、昂贵的停机时间以及安全隐患。一个著名的例子是2022年密西西比州发生的移动式海上钻井平台断裂事件。在关键的系泊柱失效后，该平台漂移并与货船相撞。事后调查显示，系泊柱出现了严重的外部腐蚀和钢材损耗，壁厚减少了约70%。这种严重的减薄破坏了系泊柱的结构完整性，导致其断裂[6]。
这一事件凸显了关键基础设施组件中未被发现的腐蚀可能导致的严重运营中断和财务损失。因此，本文旨在通过提供一种可部署且成本效益高的腐蚀管理解决方案来提高检测精度，从而为实际腐蚀管理建立一个可扩展的范式，通过策略性地优先处理高价值的腐蚀特征来减少注释工作量。
检测腐蚀对于维护石油和天然气、航空航天、运输和建筑等行业的结构完整性至关重要。腐蚀可能导致昂贵的维修费用、设备故障，甚至灾难性后果。为了防止这些情况的发生，已经开发了几种无损检测技术来在早期阶段检测腐蚀[2]。现有的方法包括超声波测量、射线检测、电磁检测、声发射、电化学分析和视觉检测等技术。超声波测量利用声波来测量材料厚度并监测腐蚀；射线检测使用X射线或伽马射线来检测内部腐蚀（例如绝缘层下的腐蚀）；电磁检测（如涡流法）通过检测导电性的变化来检测涂层下的腐蚀；声发射通过检测受应力材料的声信号来早期发现裂纹和腐蚀；电化学测试（如极化和阻抗法）用于测量腐蚀速率。最后，视觉检测涉及捕捉材料表面的图像以评估腐蚀损伤[7]。
其中一些方法已经通过神经网络得到了改进，以应对腐蚀问题。研究人员整合了多种神经网络方法，包括小型神经网络，通过结合基于物理的验证和优化的机器学习，为改进腐蚀预防和维护规划提供了见解[8]。卷积神经网络（CNN）用于根据不同腐蚀程度的管道光学图像对腐蚀严重程度进行分类，减少了昂贵的手动检测或非基于视觉的评估技术的需求[9]。视觉变换器（ViT）架构也显示出强大的潜力，结合语义分割和图像拼接技术实现了大规模腐蚀定位，并且性能优于传统的CNN模型（如U-Net和DeepLabV3+）[10]。基于物理的强化学习用于预测压力容器中的两相流界面面积[11]，而数据驱动的机器学习策略（使用前馈神经网络、梯度提升机、随机森林和深度神经网络）可以预测和评估均匀腐蚀，提高了预测腐蚀风险的准确性和鲁棒性，支持主动维护规划[12]。
尽管这些方法提供了有前景的解决方案，但具体方法的选择仍将取决于具体任务、操作要求以及用户经验和专业知识。对于需要持续监控的结构，视觉检测仍然是识别表面缺陷最有效和最具成本效益的方式。然而，数据限制可能会对其成功应用构成挑战[7]。因此，本文提出了一种编码器-解码器主动学习框架，用于像素级别的腐蚀分割，该框架高效利用工业和实验室获取的图像来应对现有挑战：
•在保持高分割准确性的同时降低高注释成本，使其能够在实际检测工作中得到应用
•适应环境条件的变化，如照明、表面纹理和噪声，这些因素可能会影响分割性能
•生成更细粒度且可解释的腐蚀掩膜，提高标准方法经常遗漏的微妙缺陷区域的检测能力
部分摘录
语义分割
近年来，提出了许多用于检测腐蚀的语义分割方法。在这些方法中，编码器-解码器模型在腐蚀分割中占据主导地位[6]。最近的研究成功地将深度学习技术应用于腐蚀检测、评估以及基础设施的检测和维护，取得了出色的性能和准确性。例如，N. Yala等人利用并比较了六种不同的语义分割模型
数据准备
为了评估架构在受控环境和现场环境中的性能，准备了两个不同的数据集，对低腐蚀、高腐蚀、结构和背景进行了统一的类别定义，以便直接进行比较。这些不同的数据集用于测试主动学习在现场和实验室场景中的可行性，因为工程师需要应对多样化的环境。第一个数据集包含1,640张图像，其中80%用于训练，10%用于验证，10%用于……
实验室样本结果
在实验室数据集上进行了实证评估，以评估在RPi设备上部署的DeepLabV3+的性能。考虑到其较小的输入规模，EfficientNet-B1是评估数据选择重要性的最佳选择。选定的启发式方法包括随机采样、熵采样和BALD采样，评估指标是平均IoU和像素准确率。图9显示了数据采集策略对模型性能的影响。
当模型进行预测时，预测的图像
实验室模型结果
结果显示，BALD在平均IoU方面始终优于随机采样和熵采样，显示出其在细化像素级别分割方面的有效性。使用1,250个样本时，BALD实现了最高的平均IoU，为96.28%，比随机采样提高了0.18%，比熵采样提高了0.01%。这证实了BALD在优先处理信息丰富和不确定样本方面的优势，这对于精确的边界划分至关重要。然而，在整体像素准确率方面仍有改进空间
总结
实施并评估了一种优化的主动学习方法，通过针对腐蚀特定特征的方法提高了腐蚀分割的像素准确率。这种方法通过优先处理腐蚀图像中的高影响区域来提高样本选择效率。然而，它仍然需要人工干预来确定样本的可行性，从而限制了完全自动化。当前的研究结果如下：
•实验室样本模型实现了最终的平均……
CRediT作者贡献声明
Zhen Qi Chee：撰写——原始草稿、可视化、验证、方法论、调查、正式分析、数据整理、概念化。Cheng Siong Chin：撰写——审阅与编辑、监督、项目管理、资金获取、正式分析。Hao Chen：撰写——审阅与编辑、监督、项目管理、资金获取、正式分析。Zi Jie Choong：撰写——审阅与编辑、监督、项目管理、资金获取、正式分析。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
致谢
本研究得到了新加坡经济发展委员会（EDB）的支持，该委员会与Cetim-Matcor Technology & Services Pte Ltd和英国纽卡斯尔大学新加坡校区合作开展了工业研究生项目。作者还要感谢CETIM（法国）和CETIM-Matcor（新加坡）提供了用于训练模型的重要数据。
