Исследование многомасштабного обнаружения трещин на дорогах карьеров

Почему мелкие трещины на дорогах карьеров имеют значение

Открытые карьеры зависят от длинных извилистых дорог, по которым ежедневно перемещаются тысячи тонн породы. Когда эти дороги растрескиваются, грузовики могут повредиться, движение замедляется, а в худших случаях происходят аварии. При этом трещины часто начинаются как едва заметные волосковидные повреждения, которые трудно разглядеть невооружённым глазом, особенно в пыльной, затемнённой обстановке карьера. В этом исследовании предлагается метод искусственного интеллекта (ИИ), который может обнаруживать и отображать трещины на дорогах открытых карьеров точнее и эффективнее существующих техник, прокладывая путь к более безопасной и экономичной эксплуатации.

Сложность поиска трещин в суровом ландшафте

Проверка дорог в карьерах по-прежнему зачастую выполняется работниками, которые пешком или на медленно едущих транспортных средствах осматривают трассы и визуально оценивают покрытие. Такой подход медленный, субъективный и практически не масштабируется на многие километры дорог большого карьера. Классические методы обработки изображений, такие как простая бинаризация или выделение границ, также испытывают трудности, потому что дороги открытого карьера визуально загромождены: рыхлая порода, следы от шин, лужи и сильные контрасты освещения создают паттерны, которые легко принять за трещины. Даже современные модели глубокого обучения сталкиваются с проблемами в таких условиях, поскольку сами трещины тонкие, разорванные и иногда частично засыпаны обломками, а стандартные сети склонны терять эти тонкие детали.

ИИ‑модель, объединяющая детали с разных уровней

Чтобы преодолеть эти трудности, авторы взяли за основу U‑Net, популярную сеть для сегментации изображений, и переработали способ комбинирования информации. Их адаптивный модуль слияния признаков действует как умный миксер, собирающий признаки с нескольких масштабов изображения — от тонких текстур на уровне пикселя до широких форм — и выравнивающий их до одного размера. Затем он использует два шага внимания: один, который обучается выбирать каналы с наиболее полезными подсказками о трещинах, и другой, который внедряет информацию о более широкой сцене. Динамически перенастраивая веса этих входов, модуль усиливает слабые сигналы трещин и подавляет отвлекающие элементы, такие как тени и гравий, что приводит к более чётким краям трещин на выходной карте.

Обучение сети тому, куда смотреть

Помимо слияния признаков, исследователи вводят модуль канално‑пространственного внимания, который учит сеть не только чему уделять внимание, но и где смотреть. Вдохновлённый приёмами самовнимания, широко используемыми в языковых моделях, он сначала анализирует, как разные канальные признаки соотносятся друг с другом, по сути выясняя, какие их комбинации чаще всего указывают на «это трещина». Затем добавляется этап пространственного внимания, который выделяет конкретные области изображения, где трещины с наибольшей вероятностью появляются. В совокупности эти шаги помогают модели отделять текстуру трещин от загромождённого фона и сохранять тонкие извилистые разломы непрерывными, даже когда части скрыты или имеют низкую контрастность.

Делаем ИИ достаточно быстрым для работы в полевых условиях

Высокая точность сама по себе недостаточна для практического использования в карьере, где компьютеры могут работать в грузовиках, полевых офисах или на дронах с ограниченной вычислительной мощностью. Чтобы решить эту проблему, команда применяет стратегию обрезки под названием Layer‑Adaptive Magnitude Pruning. Проще говоря, она оценивает, насколько важна каждая группа внутренних весов для решений модели, и последовательно отсекает наименее полезные из них по слоям. До умеренного уровня обрезки сеть становится компактнее и быстрее — теряя примерно четверть параметров и почти треть вычислений — без ухудшения, а в данном случае даже с небольшим улучшением, точности обнаружения. Итоговая модель может обрабатывать фрагмент изображения примерно за треть секунды, что делает возможным почти реальное время проверки трещин.

Насколько хорошо система работает в реальных карьерах

Исследователи протестировали свой метод на 2 847 изображениях высокого разрешения, собранных в карьере по добыче угля в Внутренней Монголии, охватывающих широкий спектр типов дорожного покрытия, уровней освещения и форм трещин. По сравнению с исходным U‑Net и несколькими другими хорошо известными моделями сегментации усовершенствованная сеть показала лучшее совпадение с масками трещин, нанесёнными вручную, меньше ложных срабатываний и лучшую непрерывность для мелких или частично скрытых трещин. При этом она работала быстрее и требовала меньше памяти, чем многие конкуренты. Эти улучшения указывают на то, что подход не только силён в академическом смысле, но и практичен для развёртывания на периферийных устройствах, таких как серверы на месте, камеры или платформы с дронами.

Что это означает для более безопасной работы карьеров

Для неспециалиста главное: эта работа превращает сырые снимки пыльных дорожек карьера в точные, машиночитаемые карты трещин с помощью компактной модели ИИ. Это делает возможным частое сканирование длинных участков дороги — потенциально с помощью дронов или камер на транспортных средствах — и точную локализацию участков, где действительно нужны ремонтные работы, прежде чем мелкие дефекты перерастут в серьёзную угрозу. Хотя проблемы остаются в особенно шумных или необычных условиях, предложенный подход на основе слияния признаков и механизмов внимания представляет важный шаг к более умному и превентивному обслуживанию дорог в крупных открытых карьерах.

Цитирование: Wang, L., Zhao, M., Yu, Z. et al. Research on multi-scale feature detection of open-pit mine road cracks. Sci Rep 16, 6060 (2026). https://doi.org/10.1038/s41598-026-37153-2

Ключевые слова: дороги открытых карьеров, обнаружение трещин, компьютерное зрение, глубокое обучение, безопасность инфраструктуры