《Journal of Building Engineering》：Corrosion Segmentation Based on the UNet Architecture and the Impact of Loss Functions
编辑推荐：
腐蚀检测中不同损失函数对UNet模型性能的影响研究。通过对比八种损失函数（交叉熵、Focal、Dice、Tversky等）在腐蚀图像分割任务中的表现，发现Dice损失模型平均Jaccard指数达64.28%，优于其他损失函数。该研究系统验证了优化损失函数对提升腐蚀检测精度的关键作用，为智能检测模型优化提供新思路。
Iraj Esmaeili | Jo?o Po?as Martins | José Miguel Castro
CONSTRUCT，波尔图大学工程学院，Rua Dr. Roberto Frias S/N，4200-465 波尔图，葡萄牙
摘要
腐蚀是一种自然现象，会导致重大的材料和经济损失。及时检查受腐蚀的资产对于防止这些损失至关重要。视觉检查是一种常用的无损检测方法。深度学习方法捕捉腐蚀视觉信息的能力使得手动检查过程可以自动化。文献中包含了许多用于检测金属腐蚀的深度学习模型的例子。在开发这些模型时，损失函数至关重要，直接影响模型的性能。尽管交叉熵是常用的腐蚀检测目标函数，但对替代损失函数及其可能带来的性能提升的系统评估却大多被忽视了。本研究使用了八种损失函数，即交叉熵损失、Focal损失、Unified Focal损失、Dice损失、Tversky损失、Focal Tversky损失、Combo损失和Hybrid Focal损失，来训练基于UNet的腐蚀分割模型，并比较了它们的性能。结果表明，使用Dice损失训练的模型性能更高，平均Jaccard指数值为64.28%，而Focal损失的性能最低，平均Jaccard指数值为57.20%。本研究通过展示使用最佳损失函数调整深度学习模型所能获得的性能提升，为学术界和实践做出了贡献。
引言
腐蚀在全球范围内造成了长期的经济损失和结构故障。研究表明，腐蚀是工程结构失效的主要因素（Petrovi? 2016），并且它仍然是阻碍资产寿命延长工作的关键问题（Zavvar等人2025）。1984年的博帕尔事故造成2200人死亡，2022年的Fern Hollow Bridge坍塌也是由腐蚀引起的灾难。从经济角度来看，腐蚀的成本估计高达25亿美元，相当于全球国内生产总值（GDP）的3.4%（Zhang等人2021）。
为了防止腐蚀对资产的影响，持续监测、检测、分析和预防缺陷至关重要。换句话说，检测腐蚀是实施预防措施并将其整合到结构健康监测系统（SHM）中的第一步（Davis等人2024）。特别是在化工厂和炼油厂等工业设施中，准确评估资产对于及时维修和改造决策至关重要。这一过程中的不一致性可能导致事故，造成人员伤亡和由于服务中断而带来的重大经济损失。
在各个行业中，有多种用于腐蚀检测的方法，如视觉检查、电化学测试、电子显微镜、红外热成像、带有图像处理的无人机系统（UASs）以及深度学习算法（Das, Dorafshan和Kaabouch 2024；Srivastava, Ji和Singh 2021；Q. Wang等人2024）。选择合适的腐蚀检测方法取决于材料类型、可访问性、成本、所需的精度以及应用的具体要求。
在腐蚀工程中，通过检查材料的外观、颜色和微观结构来进行手动视觉检查是评估材料及基础设施腐蚀程度的主要方法。然而，这种方法有明显的局限性；它往往无法提供全面的信息，并且容易受到人为错误的影响（Q. Wang等人2024），同时还需要消耗大量的时间和精力。深度学习在各个领域的流行促使许多研究人员将其应用于腐蚀检测领域。与传统视觉检测方法相比，深度学习在效率、准确性和可扩展性方面具有显著优势。计算能力的提升、数据可用性的增加以及算法的发展共同推动了深度学习的发展，使其成为包括腐蚀检测在内的多个领域的强大和变革性技术（Yao等人2019；Zhang等人2021；Zhao等人2024a）。
在腐蚀识别领域，研究人员主要采用深度学习进行腐蚀检测和分割。他们使用了多种先进的深度学习架构和技术，如ResNet（Zhang等人2021；Zhao等人2024a）、ShuffleNetV2（Huang等人2022）、UNet（Das等人2024；Srivastava等人2021）、AlexNet（Yao等人2019）、MobileNet（Zhao等人2024a）、DenseNet（Das等人2024；Zhao等人2024a）、YOLOv7（Q. Wang等人2024）、EfficientNet（Das等人2024；Zhao等人2024b）、Mask-RCNN（Son, Jeong和Oh 2024）。大多数研究都专注于开发用于检测腐蚀的深度学习模型，但忽略了使用最佳损失函数可能带来的性能提升。确实，分割模型的最佳性能取决于正确选择网络架构。选择合适的目标函数是实现这些模型最佳性能的另一个关键因素（Azad等人2023）。在腐蚀分割领域，尚未系统地研究各种损失函数对深度学习模型性能的影响。考虑到这一研究空白，本研究探讨了在开发用于腐蚀分割的深度学习模型中应用各种损失函数的情况，并评估了所得模型的性能。我们采用UNet架构作为基础模型，并用不同的损失函数对其进行训练以比较它们的性能。所评估的损失函数包括交叉熵损失、Focal损失、Unified Focal损失、Dice损失、Tversky损失、Focal Tversky损失、Combo损失和Hybrid Focal损失。本研究通过展示损失函数对腐蚀分割模型性能的影响，为相关知识体系做出了贡献。
相关研究
关于腐蚀识别的相关工作
腐蚀对基础设施和经济的不利影响引发了人们对采取预防措施以防止其灾难性后果的关注。一部分腐蚀研究致力于利用人工智能技术，如计算机视觉和机器学习，从图像中识别腐蚀。这些研究可以根据应用领域（例如钢结构、管道、海洋资产）等标准进行分类
数据收集
使用了一个包含高质量和精细注释图像的标准腐蚀数据集来训练和评估使用各种损失函数开发的模型的性能。该数据集是公开可用的（Bianchi和Hebdon 2021）。数据集来源于弗吉尼亚州交通部（VDOT）提供的桥梁检查报告。语义注释是根据美国州公路协会制定的腐蚀状况指南进行的
结果
在本研究中，使用Python 3.12.3、Tensorflow 2.18.0和CUDA 12.5.1软件配置，在Ubuntu 24.04.2 LTS操作系统上开发了模型。所有实验都在配备NVIDIA RTX 4060 GPU（8 GB VRAM）、32 GB RAM和Intel Core i7-14700处理器的工作站上进行。模型使用推荐的超参数训练了50个周期。输入图像大小设置为256 x 256像素，批量大小为8。
在
讨论
如前所述，对于每种损失函数，都使用了它们各自研究中推荐的超参数集来开发模型。然而，还进行了实验以调整选定模型的超参数。表8展示了使用Tversky损失函数训练的模型的结果及其相应的超参数。与默认的Tversky模型（Tversky损失0模型，δ = 0.70）相比，可以看出性能有所提高
结论
腐蚀对环境和经济有着重大影响，需要及时检查以防止成本和时间负担。由于视觉检查的普及以及新技术和工具的出现，深度学习模型在腐蚀检测方面受到了关注。在训练此类模型时，损失函数对于开发准确的模型至关重要。大多数现有的专注于腐蚀检测的研究都依赖于交叉熵损失函数
CRediT作者贡献声明
Iraj Esmaeili：撰写 – 审稿与编辑、撰写 – 原稿、可视化、验证、软件、方法论、调查、正式分析、数据整理、概念化。Jo?o Po?as Martins：撰写 – 审稿与编辑、验证、监督、资源获取。José Miguel Castro：撰写 – 审稿与编辑、验证、监督、资源获取
利益冲突声明
? 作者声明没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
致谢
本工作由National资金通过FCT - 科学与技术基金会资助，项目编号2024.04183。BD，R2UTechnologies - 模块化系统合同C644876810-00000019，投资项目48，由恢复与韧性计划（PRR）和欧盟 - NextGeneration EU资助，以及CONSTRUCT - 结构与建筑研究与发展研究所的UID/04708资助，该研究所由Funda??o para a Ciência e a Tecnologia, I.P./ MCTES通过国家资金支持。
