<01.>引言
桥梁、建筑等结构的裂纹识别是结构健康监测的关键，直接关系到公共安全 —— 及时发现裂纹可避免结构恶化引发的坍塌事故，同时降低维护成本。近年来，深度学习技术在裂纹识别中取得了高准确率，但研究者们发现一个致命隐患：DNNs 在这类安全关键型任务中校准性能极差。简单来说，模型的 “自信” 与 “正确率” 严重脱节：
· 欠自信：明明正确识别了裂纹，却给出低置信度，可能导致裂纹被遗漏，埋下安全隐患；
· 过自信：将非裂纹误判为裂纹且置信度极高，徒增人工复核工作量。
更特殊的是，这种 “双重失准” 不同于普通分类任务中常见的单一过自信问题，现有校准方法难以应对。此外，真实场景中裂纹形状不规则、背景噪声多（如光照不均、模糊）等问题，进一步加剧了模型校准难度。如何让裂纹识别模型的预测置信度与实际正确性精准匹配，成为其落地应用的核心瓶颈。针对上述问题，团队提出攻击启发校准损失（AICL），通过 “正确性估计 - 分布引导” 的双模块设计，实现裂纹识别模型的高效校准，且可作为即插即用的损失函数，适配任意 DNNs 架构。
技术贡献亮点：
1. 首次揭示裂纹识别任务中 DNNs 的 “过自信 + 欠自信” 双重失准特性，填补了该场景下置信校准研究的空白；
2. 提出攻击启发正确性估计（ACE）方法：通过对抗攻击次数量化样本预测的正确性 —— 需要更多攻击步数才能篡改预测结果的样本，其正确分类的概率更高，反之则更低；
3. 设计正确性感知分布引导机制：跳出单样本层面的严格约束，从分布角度要求 “高正确性样本集的平均置信度高于低正确性样本集”，为校准提供更高灵活性，避免单一样本估计误差的影响；
4. 构建 BRIDGE2024 数据集：包含 1000 张高分辨率桥梁图像（切片后共 13372 个标注样本），涵盖复杂裂纹形态与噪声背景，贴近真实应用场景。
方法介绍
图一: 数据图
如图一a所示样本成功被攻击所需的最少迭代次数与其预测正确性之间的关系。针对三个数据集的所有实验均证实，攻击次数与其对应的预测正确性之间存在关联。图一b所示可靠性图表:在SDNET2018数据集上使用(w/)和不使用(w/o)AICL进行裂缝识别。
AICL 的核心逻辑是 “用攻击测正确性，用分布定置信”：
1. ACE 正确性估计：对样本特征进行迭代对抗攻击（基于 PGD 算法），记录篡改初始预测所需的最少攻击步数 κ，κ 值越大代表样本预测的正确性越高；
2. 分布级置信引导：将样本按 κ 值分组，通过损失函数约束不同组别的置信度期望满足 “高 κ 组≥低 κ 组”，使模型置信度与正确性趋势保持一致；
3. 整体训练目标：融合交叉熵损失（保证分类准确率）与 AICL 损失（保证校准性能），实现 “高精度 + 高可信” 的双重目标。
实验验证：三大数据集全面超越 SOTA，性能与校准双优
团队在 CRACK2019、SDNET2018 及自建的 BRIDGE2024 三大数据集上开展全面实验，以预期校准误差（ECE，越低越好）衡量校准性能，同时兼顾 AUC、准确率（ACC）等分类指标。
关键结果：
1. 校准性能大幅领先：在 BRIDGE2024 数据集上，VGG16+AICL 的 ECE 仅为 2.19，ResNet50+AICL 的 ECE 低至 2.10，远优于现有方法（最低为 2.44）；在 SDNET2018 数据集上，AICL 将 ECE 降至 6.79-7.80，显著低于传统方法的 8.02-11.7；
2. 分类性能稳步提升：在保持校准优势的同时，AICL 在 BRIDGE2024 上的 AUC 高达 99.25-99.65，ACC 超 91%，F1 值达 95% 以上，全面超越 SDNET、SilvaNet 等主流裂纹识别方法；
3. 数据集有效性验证：BRIDGE2024 的复杂场景验证了 AICL 的鲁棒性，其性能提升幅度在真实桥梁数据上更为显著，凸显实际应用价值。
总结展望
本研究首次将置信校准问题引入裂纹识别领域，提出的 AICL 框架通过对抗攻击与分布引导的创新结合，解决了 DNNs 的双重失准难题，同时构建的 BRIDGE2024 数据集为该方向的后续研究提供了重要基础。AICL 作为即插即用的损失函数，可轻松集成到现有裂纹识别系统中，大幅提升模型在实际应用中的可靠性，为桥梁、建筑等结构的安全监测提供更有力的技术支撑。未来，团队计划将该校准方法与机器人感知技术结合，助力真实场景下的机器人自主巡检与规划，进一步推动结构健康监测的智能化、自动化发展。
附录：
