Tạp chí
 
Năm 2026
 
Số 67, Kỳ 5, [10 - 2026]

Đánh giá hình học trong phân đoạn vết nứt: phân tích tính tương hỗ giữa chỉ số vùng (IoU) và chỉ số biên (BF1)

DOI:10.46326/JMES.2026.67(5).09

  • Cơ quan:

    1 Trường Đại học Giao thông Vận tải, Hà Nội, Việt Nam
    2 Trường Đại học Mỏ - Địa chất, Hà Nội, Việt Nam

  • *Tác giả liên hệ:
    This email address is being protected from spambots. You need JavaScript enabled to view it.
  • Nhận bài: 10-03-2026
  • Sửa xong: 02-09-2026
  • Chấp nhận: 12-09-2026
  • Ngày đăng: 01-10-2026
Trang: 113 - 125
Lượt xem: 22
Xem onlineXem online
Lượt tải: 1
Tải về PDF
★★★★★Yêu thích: , Số lượt: 0
  • ★
  • ★
  • ★
  • ★
  • ★
Bạn yêu thích

Tóm tắt:

Phân đoạn vết nứt từ ảnh là một nhiệm vụ quan trọng trong kiểm tra và bảo trì kết cấu hạ tầng, trong đó độ tin cậy của mặt nạ dự báo ảnh hưởng trực tiếp đến việc đánh giá mức độ hư hỏng. Mặc dù chỉ số Intersection over Union (IoU) được sử dụng rộng rãi để đánh giá kết quả phân đoạn, chỉ số này chủ yếu phản ánh mức độ chồng lấp vùng và chưa mô tả đầy đủ độ chính xác hình học của ranh giới đối với các đối tượng dạng tuyến mảnh như vết nứt. Nghiên cứu này phân tích mối quan hệ bổ sung giữa chỉ số vùng IoU và chỉ số biên Boundary F1-score (BF1), nhằm làm rõ vai trò và hạn chế của từng chỉ số trong đánh giá phân đoạn vết nứt. Thực nghiệm được thực hiện với mô hình U-Net sử dụng bộ mã hóa ResNet-34 trên hai bộ dữ liệu có đặc tính nhãn khác nhau, gồm tập ảnh đa nguồn mặt đất và tập ảnh UAV được gán nhãn nhất quán. Bên cạnh đó, một thí nghiệm sai lệch biên có kiểm soát được xây dựng để đánh giá trực tiếp phản ứng của các chỉ số trước các biến dạng hình học. Kết quả cho thấy IoU có xu hướng tăng theobề rộng vết nứt và chủ yếu phản ánh mức độ chồng lấp diện tích, trong khi BF1 nhạy hơn với sai lệch vị trí ranh giới và chất lượng nhãn gán. Trên nhóm vết nứt rộng, IoU đạt giá trị tương đương giữa hai bộ dữ liệu (0,706), nhưng BF1 phân biệt rõ chất lượng dữ liệu, tăng từ 0,273 ở tập đa nguồn lên 0,875 ở tập UAV. Thí nghiệm sai lệch có kiểm soát cho thấy BF1 suy giảm mạnh khi sai lệch biên vượt quá ngưỡng dung sai, trong khi IoU biến đổi tương đối từ từ theo mức độ biến dạng. Những kết quả này chứng minh rằng IoU và BF1 phản ánh các khía cạnh hình học khác nhau và không thể thay thế cho nhau trong đánh giá phân đoạn vết nứt. Trên cơ sở đó, nghiên cứu đề xuất quy trình đánh giá chuẩn hóa theo hướng báo cáo đồng thời chỉ số vùng và chỉ số biên nhằm nâng cao độ tin cậy trong đánh giá các cấu trúc dạng tuyến mảnh.

Trích dẫn
Vũ Ngọc Phượng và Phạm Trung Dũng, 2026. Đánh giá hình học trong phân đoạn vết nứt: phân tích tính tương hỗ giữa chỉ số vùng (IoU) và chỉ số biên (BF1), Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, số 67, kỳ 5, tr. 113-125.
Tài liệu tham khảo

Al-Huda, Z., Peng, B., Algburi, R. N. A., Al-Antari, M., Al-Jarazi, R., and Zhai, D. (2023). A hybrid deep learning pavement crack semantic segmentation. Eng. Appl. Artif. Intell., 122, 106142. https://doi.org/10.1016/j.engappai. 2023.106142.

Bộ Khoa học và Công nghệ. (2024). Bảo dưỡng thường xuyên đường bộ - Yêu cầu kỹ thuật (TCVN 14182:2024). Bộ Khoa học và Công nghệ. https://tieuchuan.vsqi.gov.vn/tieu chuan/view?sohieu=TCVN+14182%3A2024.

Chen, Z., Shamsabadi, E. A., Jiang, S., Shen, L., and Dias-Da-Costa, D. (2024). Vision Mamba-based autonomous crack segmentation on concrete, asphalt, and masonry surfaces. ArXiv, abs/2406.16518. https://doi.org/10.48550/ arxiv.2406.16518.

Cheng, B., Girshick, R., Dollár, P., Berg, A. C., and Kirillov, A. (2021). Boundary IoU: Improving Object-Centric Image Segmentation Evaluation (arXiv:2103.16562). arXiv. https://doi.org/ 10.48550/arXiv.2103.16562.

Csurka, G., Larlus, D., and Perronnin, F. (2013). What is a good evaluation measure for semantic segmentation? Proceedings of the British Machine Vision Conference 2013, 32.1-32.11. https://doi.org/10.5244/C.27.32.

Du, Z., Yuan, J., Xiao, F., and Hettiarachchi, C. (2021). Application of image technology on pavement distress detection: A review. Measurement, 184, 109900. https://doi.org/10.1016/ j.measurement.2021.109900.

Dung, C. V, Anh, L. D. (2019). Autonomous concrete crack detection using deep fully convolutional neural network. Automation in Construction, 99, 52-58. https://doi.org/10. 1016/j.autcon.2018.11.028.

Fan, Z., Li, C., Chen, Y., Mascio, P. D., Chen, X., Zhu, G., and Loprencipe, G. (2020). Ensemble of Deep Convolutional Neural Networks for Automatic Pavement Crack Detection and Measurement. Coatings, 10(2), 152. https://doi.org/10.3390/ coatings10020152.

Fei, Y., Wang, K. C. P., Zhang, A., Chen, C., Li, J. Q., Liu, Y., Yang, G., and Li, B. (2020). Pixel-Level Cracking Detection on 3D Asphalt Pavement Images Through Deep-Learning- Based CrackNet-V. IEEE Transactions on Intelligent Transportation Systems, 21(1), 273-284. https://doi.org/10.1109/TITS.2019.2891167.

Goo, J. M., Milidonis, X., Artusi, A., Boehm, J., and Ciliberto, C. (2025). Hybrid-Segmentor: Hybrid approach for automated fine-grained crack segmentation in civil infrastructure. Automation in Construction, 170, 105960. https://doi.org/10.1016/j.autcon.2024.105960.

He, K., Zhang, X., Ren, S., and Sun, J. (2016). Deep Residual Learning for Image Recognition. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770-778. https://doi.org/10.1109/CVPR.2016.90.

Kang, D., and Cha, Y. (2022). Efficient attention-based deep encoder and decoder for automatic crack segmentation. Structural Health Monitoring, 21(5), 2190-2205. https://doi. org/10.1177/14759217211053776.

Kheradmandi, N., and Mehranfar, V. (2022). A critical review and comparative study on image segmentation-based techniques for pavement crack detection. Construction and Building Materials, 321, 126162. https://doi. org/10.1016/j.conbuildmat.2021.126162.

Korcynski, N. (2026). A Boundary-Metric Evaluation Protocol for Whiteboard Stroke Segmentation Under Extreme Imbalance (arXiv:2603.00163). arXiv. https://doi.org/ 10.48550/arXiv.2603.00163.

Martin, D. R., Fowlkes, C. C., and Malik, J. (2004). Learning to detect natural image boundaries using local brightness, color, and texture cues. IEEE Transactions on Pattern Analysis and Machine Intelligence, 26(5), 530-549. https:// doi.org/10.1109/TPAMI.2004.1273918.

Middha, L. (2020). Crack Segmentation Dataset [Data set]. https://www.kaggle.com/datasets /lakshaymiddha/crack-segmentation-dataset.

Miller,J.S and Bellinger,W.Y. (2014). Distress Identification Manual for the Long-Term Pavement Performance Program. (5th rev.ed.; Report No. FHWA-HRT-13-092.)Federal Highway Administration. https://www.fhwa. dot.gov/publications/research/infrastructure/pavements/ltpp/13092/13092.pdf.

Rahman, M. A., and Wang, Y. (2016). Optimizing Intersection-Over-Union in Deep Neural Networks for Image Segmentation. In G. Bebis, R. Boyle, B. Parvin, D. Koracin, F. Porikli, S. Skaff, A. Entezari, J. Min, D. Iwai, A. Sadagic, C. Scheidegger, and T. Isenberg (Eds.), Advances in Visual Computing (pp. 234-244). Springer International Publishing. https://doi.org/ 10.1007/978-3-319-50835-1_22.

Ronneberger, O., Fischer, P., and Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. In N. Navab, J. Hornegger, W. M. Wells, and A. F. Frangi (Eds.), Medical Image Computing and Computer-Assisted Intervention - MICCAI 2015 (pp. 234-241). Springer International Publishing. https://doi. org/10.1007/978-3-319-24574-4_28.

Shit, S., Paetzold, J. C., Sekuboyina, A., Ezhov, I., Unger, A., Zhylka, A., Pluim, J. P. W., Bauer, U., and Menze, B. H. (2021). clDice-A Novel Topology-Preserving Loss Function for Tubular Structure Segmentation. 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 16560-16569. https:// doi.org/10.1109/CVPR46437.2021.01629.

Sudre, C. H., Li, W., Vercauteren, T., Ourselin, S., and Cardoso, M. J. (2017). Generalised Dice overlap as a deep learning loss function for highly unbalanced segmentations. In Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support (Vol. 10553, pp. 240-248). https://doi.org/ 10.1007/978-3-319-67558-9_28 (Original work published In: DLMIA Workshop, MICCAI.).

Wang, Z., and Pang, J. (2025). Fast Measuring Pavement Crack Width by Cascading Principal Component Analysis (arXiv:2511.02144). arXiv. https://doi.org/10.48550/arXiv.2511. 02144.

Yu, G., Dong, J., Wang, Y., and Zhou, X. (2023). RUC-Net: A Residual-Unet-Based Convolutional Neural Network for Pixel-Level Pavement Crack Segmentation. Sensors, 23(1), 53. https://doi.org/10.3390/s23010053

Ziya. (2025). UAV-Based Crack Detection Dataset [Data set]. https://www.kaggle.com/ datasets/ziya07/uav-based-crack-detection-dataset.

Các bài báo khác