知识卡片：图像引导的GPR路面缺陷识别与新型3D深度学习架构

一句话结论

本文提出了一条利用RGB正射影像辅助生成3D探地雷达（GPR）标注数据的高性价比流程，并设计了一个融合残差连接、混合卷积核与深度/通道注意力机制的3D CNN，在路面修补（patch）和裂缝（crack）缺陷的二分类任务中优于基线架构。

事件概述或研究问题

探地雷达（GPR）是土木与交通工程中广泛使用的无损地下探测技术，但要在自动化道路检测中大规模应用，面临两个关键挑战：一是标注过的真实3D GPR数据集稀缺；二是缺少专门针对3D GPR数据特性设计的深度学习模型。本研究同时应对这两项挑战，在真实运营中的高速公路路段上构建数据集，并提出专用3D深度学习框架。

方法/产品要点

数据制备流程：将正射RGB影像与3D GPR扫描数据配准对齐，以路面表面可见缺陷为参照，把表面缺陷标签迁移到对应的GPR片段，实现大规模、低成本标注。
3D CNN架构：引入残差连接、混合卷积核大小，以及深度维和通道维注意力机制，增强特征表示与缺陷分类能力。
任务设置：在真实数据集上进行二分类，分别检测路面结构中的修补缺陷和裂缝缺陷。
评估方式：与基线架构比较，并在多项评估指标上表现更优；消融实验进一步验证了架构组件的有效性。

主要结果或产业意义

摘要报告所提网络在修补和裂缝二分类任务上优于基线架构，且消融实验支持残差、混合卷积核和注意力机制设计的有效性。产业意义在于：该方法提供了一种可扩展、低成本的真实GPR数据集生成路径，有助于推动探地雷达在道路自动化巡检与养护中的大规模应用。具体量化指标在摘要中未给出，需核实。

为什么重要

它将路面表面可见的缺陷标签迁移到地下GPR数据中，绕开了纯人工标注3D GPR数据的巨大成本，为交通基础设施智能检测提供了一条实用的数据生产路线。同时，3D CNN中的残差、混合卷积核和注意力机制组合，也可迁移到其他体数据或三维传感器数据的分类任务中。

与既有脉络的关系

与前几张“数据有限条件下深度学习”的卡片相比，本文不是时间序列预报或细胞轨迹分类，而是面向土木工程无损检测的3D体数据分类。增量信息在于：它重点解决的是“如何用可见光图像辅助生成3D GPR标注数据”，而不只是模型层面的迁移、数据增强或可解释性方法；并已在真实运营高速路段数据上验证。

局限与不确定性

摘要未给出具体性能数值，如准确率、精确率、召回率、F1等，均待核实。
数据集规模、路段位置、缺陷样本数量、GPR设备参数等信息待核实。
与哪些基线架构比较、消融实验的具体设置待核实。
模型在其他路面类型、其他GPR设备或更多缺陷类别上的泛化能力待核实。
实际部署中的计算成本、推理速度与自动化流程细节待核实。

可用于图书/PPT/简报的角度

“用路面照片当‘老师’，给探地雷达数据做标注”：展示跨模态标签迁移如何缓解3D数据标注稀缺。
“3D CNN如何融合残差、混合卷积核与注意力机制”：作为体数据深度学习的架构示例。
“从数据稀缺到模型设计”：土木工程自动化检测中AI落地的典型路径。
“GPR + RGB图像”的多传感器融合思路，可用于基础设施智能养护案例展示。

原始材料

英文标题：Image-Guided Pavement Defect Recognition in GPR Data with novel 3D Deep Learning Architecture
英文关键词（依据摘要提炼）：Ground Penetrating Radar; 3D Convolutional Neural Network; Pavement Defect Recognition; Image-Guided Annotation; Attention Mechanism
来源：https://arxiv.org/abs/2608.19177v1
arXiv ID：2608.19177v1
作者：Yuandong Pan, Linjun Lu, Mudan Wang, Florian Noichl, Fan Xue, Brian Sheil, Lavindra de Silva, André Borrmann, Ioannis Brilakis
发布信息：2026-08-19T17:53:54Z（据arXiv）
Primary category：cs.CV
Abstract URL：https://arxiv.org/abs/2608.19177v1
PDF URL：https://arxiv.org/pdf/2608.19177v1