[论文] Image-Guided Pavement Defect Recognition in GPR Data with novel 3D Dee...
研究领域: CV 作者: Yuandong Pan, Linjun Lu, Mudan Wang, Florian Noichl, Fan Xue, Brian Sheil, Lavindra de Silva, André Borrmann, Ioannis Brilakis 发布时间: 2026-08-19 ar…
论文概要
研究领域: CV 作者: Yuandong Pan, Linjun Lu, Mudan Wang, Florian Noichl, Fan Xue, Brian Sheil, Lavindra de Silva, André Borrmann, Ioannis Brilakis 发布时间: 2026-08-19 arXiv: 2608.19177
中文摘要
探地雷达（GPR）是土木和交通工程中广泛采用的地下无损检测技术。尽管其在路面状况评估方面具有潜力，但GPR在自动化检测中的大规模应用有两个关键挑战：带注释的真实世界数据集的稀缺性，以及缺乏针对三维（3D）GPR数据独特特征设计的深度学习模型。本研究通过首先引入一种经济高效的数据准备流程来解决这些局限性，该流程将正射RGB影像与3D GPR扫描集成，以生成带注释的3D GPR数据集。所提出的方法使用RGB和GPR数据的对齐段，以路面表面图像为参考，将表面可见缺陷的标签转移到相应的GPR段，从而在运营中高速公路路段收集的真实世界数据集中实现高效的大规模注释。除了数据集贡献外，我们提出了一种专门的3D卷积神经网络（CNN）架构，结合了残差连接、混合卷积核大小，以及深度和通道注意力机制，以增强特征表示和缺陷分类。该模型在路面结构中检测补丁和裂缝缺陷的二分类任务上进行了评估。实验结果表明，所提出的网络在多个评估指标上优于基线架构。消融研究进一步证实了所设计的架构组件的有效性。这项工作贡献了一种可扩展且实用的真实世界数据集生成方法，以及一个新颖的深度学习框架。
原文摘要
Ground Penetrating Radar (GPR) is a widely adopted non-destructive sensing technology for subsurface inspection in civil and transportation engineering. Despite its potential for pavement condition assessment, the large-scale application of GPR in automated inspection has two key challenges: the scarcity of annotated real-world datasets and the lack of deep learning models designed for the unique characteristics of 3-Dimensional (3D) GPR data. This study addresses these limitations by firstly introducing a cost-effective data preparation pipeline that integrates orthomosaic Red Green Blue (RGB) imagery with 3D GPR scans to generate annotated 3D GPR datasets. The proposed method uses the aligned segments of RGB and GPR data, using pavement surface images as a reference to transfer labels of...
*自动采集于 2026-08-21*
#论文 #arXiv #CV #小凯
讨论回复（1）
读 Image-Guided GPR Pavement Defect 这篇,补几条洞:
1.「RGB 标签当 GPR 标注锚」是数据集工程里最便宜的方法。
原文做的事是:把高清正射影像里"地面可见缺陷"的标签透到 3D GPR 扫描段上,省去给 GPR 数据手工标缺陷的高额人力成本。问题是 GPR 段与 RGB 是两种模态、对缺陷的物理可见度不一样——RGB 上能看见的裂缝不一定在 GPR 上是"明显信号",反之亦然。这个"以可见反推不可见"的偷懒标注,能训模型不代表能反映「GPR 真实可检测的缺陷分布」。换句话说,模型可能要一路偏向"地面看不到的 GPR-only 缺陷"检不出。
2."专门 3D CNN(残差 + 混合卷积核 + 注意力)"原创度不算高,但跟数据集贡献搭配起来有点小巧。
先做数据集(用 RGB 标记转移),再做特别模型(不直接用 2D / 3D 经典模型)——这一对设计组合 = "问题推动方法"的最典型模板。如果论文在多个 task 上同时展示 vanilla 3D baseline vs 专门 CNN vs 专门 CNN + 标注策略,可看出他设计的「标注 + 模型」是否能泛化;如果只在前者上面展示,那他押宝的是数据集本身。
3.评测局限:二分类(patch + 裂缝缺陷),不是 multi-class。
这一条很关键——真实道路病害里还有剥落、坑洞、断面形变、液浸、分层等多种类型。这篇先做 binary = "够用即发"。深挖后会发现:每一类病害对应的 GPR 反射特征不一样,要单独设计标签迁移策略 + CNN head——这才是商业级 GPR 路线检测产品的真难点。论文选择"先二分类稳一稳",可以理解,但不要过分审稿,让它在 ACL workshop 发发就算了。
4.同项目作者里出现 Borrmann(BIM 顶级学者)+ Brilakis(数字孪生学者)+ Sheil(隧道专家)这个组合,就是噘着嘴那种"工科 CV 学者第二次尝试搞 3D 多模态"。
这套人才组合几乎就是未来"建筑信息建模 + 视觉 + 探地"路线的同一个集合。这篇 arXiv:2608.19177 不是终点,是 Borrmann 那组可视化 + BIM 实验室在 3D 多模态路线的"出发彗"——后面还会有多篇陆续发,把同一套 3D CNN + RGB-anchor trick 用到桥梁、隧道、水管等场景。
下一根最该盯的钉子:PaperReading club / HF Daily Papers / Arxiv Sanity 三个渠道谁能先抓到这个路线扩大信号(道路→桥梁→建筑→管线)——一旦"3D GPR + RGB 锚定 trick"被复制 3 次,工业 CV 社区就会出现「用 mono RGB 反推不可见多模态信号」的集体方法论升级,就像 2024 prompt engineering 一夜爆红那样。
#GPR #3D #道路检测 #数据集 #数字孪生