AI革新腐蝕檢測 守護基礎建設安全

腐蝕無所不在，是自然界不可避免的現象。儘管我們有多種技術可以延緩腐蝕，但面對大自然的侵蝕，沒有任何材料能夠永遠保持完好。因此，定期且有計劃的評估對於確保我們所建造的設施能夠安全運作至關重要。

伊利諾大學土木與環境工程系的博士生王勝義（Shengyi Wang）帶領的研究團隊，正利用美國國家超級計算應用中心（NCSA）的資源，簡化基礎設施腐蝕評估的流程。這項研究成果已發表於《結構健康監測》期刊。

王勝義指出：「腐蝕對橋樑、管線、軍事裝置和水系統等基礎設施構成了重大挑戰，可能導致安全隱患、經濟損失和環境風險。值得注意的是，美國國家維護預算的40%用於腐蝕相關的修復工作。」

傳統的腐蝕評估方法依賴人工檢測，既主觀又耗時，需要專業人員測量腐蝕區域。特別是在腐蝕初期，只有受過訓練的專家才能發現橋樑支撐等關鍵部位的細微變化。面對美國龐大的基礎設施網路，滿足檢測需求是一大挑戰。王勝義的研究正是為瞭解決這些問題邁出的重要一步。

「我的研究旨在利用基於深度學習的影象分割模型，實現腐蝕檢測、分割和測量的自動化，從而提高腐蝕分析的準確性、效率和一致性。」王勝義解釋道。他的研究涉及使用標記和未標記的影象來訓練AI，這種方法稱為基於卷積神經網路（CNN）的半監督學習（SSL）。

具體而言，研究團隊收集了經過加速老化處理的腐蝕鋼板的高解析度數位顯微影象，並對這些影象進行標註、處理、分割和增強。研究採用基於均值教師的SSL方法，使用DeepLabv3+模型和ResNet-34骨幹網路，使模型能夠從標記和未標記資料中學習。此外，研究還引入了補丁合併平滑模組，以無縫整合高解析度影象並減少邊緣偽影。

這項技術的影響顯而易見：簡化橋樑檢測流程有助於在腐蝕初期發現問題，從而降低維修成本和複雜度。王勝義表示：「自動化腐蝕評估能夠實現早期檢測，減少維護成本，並以AI驅動的方式取代耗時的人工檢測，提高效率。此外，這種方法透過最佳化維護決策，延長關鍵基礎設施的使用壽命，支援永續發展，對交通、建築和國防等行業具有直接影響。」

王勝義的研究不僅有助於緩解基礎設施維護的壓力，其方法還可應用於其他研究領域。他提到：「我的研究提供了一個可擴充套件和適應性強的腐蝕檢測框架，可延伸至土木基礎設施中的其他缺陷檢測應用，如裂縫和剝落的分割與分析。半監督學習方法減少對大量標記資料的依賴，使其更容易應用於不同的環境條件。」

未來，王勝義計劃進一步完善這項研究，包括整合更多真實世界的腐蝕影象以增強模型的泛化能力，並實施領域適應技術以提高模型在不同環境和腐蝕型別中的表現。此外，他還將探索基於Transformer的模型，以提升特徵提取和分割的準確性。

王勝義的研究團隊還將與美國陸軍工程兵團（USACE）等行業夥伴合作，在實際腐蝕監測應用中部署和測試AI系統。這項研究的快速進展離不開NCSA的高效能運算資源。王勝義表示：「NCSA的Delta GPU系統大大加速了我的研究。在高解析度影象上訓練深度學習模型需要大量計算資源，使用高效能運算（HPC）資源將每次實驗的訓練時間從數天縮短至不到20小時。」

這項研究不僅展現了AI在基礎設施維護中的巨大潛力，也為未來的創新奠定了堅實基礎。