针对这一问题，中国科学院金属研究所王长罡研究团队提出了一种可解释多任务深度学习框架 MultiTask-ResNet50（MTR-50），仅从一张碳钢锈层形貌图像出发，即可同步判断氯离子环境等级、预测腐蚀时长和腐蚀增重，并进一步分析模型所依赖的视觉特征与腐蚀机理之间的联系。相关研究结果发表于：Corrosion Science 272 (2026) 114269

一、传统方法为何难以支撑多参数预测？

碳钢是海洋工程中应用最广的结构材料之一。在模拟海洋大气环境中，研究人员设置了 6 种 NaCl 稀释条件：5×、10×、50×、100×、500×、1000×，对应不同的氯离子环境等级。经过 60 个干湿循环后，不同试样表面都形成锈层，但腐蚀产物比例、锈层结构和腐蚀增重并不相同。问题在于：这些差异在宏观图像上非常微弱。传统机器学习方法依赖手工设计特征，例如 RGB 统计、GLCM 纹理、LBP 直方图和图像熵等。但在这项任务中，传统方法表现极差：腐蚀增重预测 R² 仅约 0.081，腐蚀时长预测 R² 仅约 0.084，氯离子环境等级判断准确率仅 26.6%。这说明，简单手工特征无法捕捉锈层形貌中高度非线性、多尺度、强耦合的腐蚀信息。

图1 不同大气环境下铜与碳钢的腐蚀形貌对比。（a—c）热带海洋、温带海洋及湿热城市大气环境中的典型铜管；（d—f）低、中、高盐度大气环境中的碳钢。

图2 支持向量机对氯离子浓度等级的分类混淆矩阵。对角线表示各类别正确分类的比例，非对角线表示误分类比例。

图3 不同氯离子浓度条件下传统机器学习方法的预测表现。（a）随机森林对腐蚀增重的预测结果；（b）支持向量机对腐蚀周期的预测结果。图中展示决定系数R²及相对误差，横坐标为氯化钠溶液稀释倍数。

二、标准化实验与图像数据集构建

为了让深度学习模型学到真正与腐蚀相关的特征，团队首先建立了一套标准化的实验与图像采集流程。实验采用 Q235 碳钢，试样尺寸为 30 mm × 30 mm × 5 mm。表面经打磨、清洗、干燥后，分别滴加 360 μL 不同稀释倍数的 NaCl 溶液，随后在可编程干湿循环试验箱中进行 60 个完整腐蚀循环。每个循环包括低温高湿阶段和高温低湿阶段，模拟热带海洋大气昼夜温湿度交替。图像采集使用智能手机后置主摄，固定拍摄距离 12 cm，关闭自动对焦，手动固定曝光参数，保证成像条件一致。随后，原始图像经过树脂区域定位、金属区域提取、几何校正、边缘伪影去除、归一化和分块处理，最终构建了包含 18 个试样、1098 张原始图像、17568 个图像块的数据集。

 图4 加速腐蚀实验与数据采集流程示意图。

图5 基于腐蚀形貌的多任务学习研究流程示意图。

三、MTR-50：一个模型，三个任务

团队提出的 MultiTask-ResNet50（MTR-50） 以 ResNet-50 为共享骨干网络，从四个残差阶段提取多尺度特征。浅层特征保留细粒度纹理信息，深层特征表征全局语义信息。随后，模型通过全局平均池化、通道拼接、SE 通道注意力和共享表示学习，将多尺度特征融合为统一表示。

在输出端，模型设置三个并行任务分支：

1. 腐蚀损伤量回归；

2. 腐蚀时长回归；

3. 氯离子环境等级六分类判断。

为解决多任务学习中梯度冲突和损失权重难以手动平衡的问题，模型采用基于同方差不确定性的自适应加权损失函数，让网络在训练中自动学习三个任务的权重。

图6 用于腐蚀状态多任务预测的深度学习模型结构示意图。

图7 多任务自适应加权损失函数结构示意图。

四、结果：图像级氯离子环境等级判断 97.9%，腐蚀时长与损伤量 R² 均超 0.96

在图像级评估中，所提模型取得了非常亮眼的表现：

· 氯离子环境等级判断准确率：97.88%；

· 腐蚀损伤量回归 R²：0.9738；

· 腐蚀时长回归 R²：0.9630；

· 综合得分 Combined Score：0.972。

在图像块级别，模型同样表现稳定：氯离子环境等级判断准确率 95.67%，腐蚀增重 R² 0.9588，腐蚀时长 R² 0.9360。混淆矩阵显示，氯离子环境等级误判主要集中在相邻稀释档位之间，极端等级之间几乎没有混淆，说明模型捕捉到了细粒度的腐蚀差异，而不是只依赖极端类别间的颜色差。

更重要的是，多任务模型在保持单任务级性能的同时，显著提升了参数效率。三个独立单任务ResNet50模型合计约76.8 M参数，而所提多任务模型约32.6 M参数，约为三者的42%。也就是说，一次前向传播即可同时输出三个任务结果。

图8 多任务深度学习模型对氯离子浓度等级的分类混淆矩阵。对角线表示各类别正确分类的比例，非对角线表示误分类比例。

图9 不同氯离子浓度条件下腐蚀增重预测值与实测值的对比，以及腐蚀增重随腐蚀周期的演化曲线。

五、AI到底看到了什么？可解释性揭示“局部 vs 全局”分工

这项研究不仅追求精度，还系统分析了模型的可解释性。

第一，RGB 通道随腐蚀演化有规律。R 通道均值随腐蚀时长增加而升高，与腐蚀增重呈正相关，Pearson r = 0.87；B 通道均值随腐蚀时长增加而下降，r = -0.83，且 B 通道标准差逐渐收敛。这说明，锈层覆盖增加、金属反光减弱、表面趋于均匀的过程，被模型稳定捕捉。

第二，不同任务依赖不同尺度特征。回归任务——腐蚀损伤量和腐蚀时长——主要关注局部纹理、边缘、点蚀坑、缝隙和高对比度区域；而氯离子环境等级判断更依赖全局锈层覆盖、整体颜色统计和大尺度形态分布。浅层网络响应局部细节，深层网络整合全局信息，形成“局部 vs 全局”的任务分工。

第三，视觉特征与腐蚀机理具有定性一致性。锈层主要由 α-FeOOH、γ-FeOOH 和 Fe₃O₄ 等组成。外层富集橙红色 γ-FeOOH 和黄褐色 α-FeOOH，贡献 R 通道；内层暗色 Fe₃O₄ 增强局部对比和边缘信息。腐蚀过程中的产物形成与覆盖扩展，对应图像上的亮度、颜色及纹理变化。这为模型的可解释性提供了物理线索。

此外，输入模态消融实验表明，在标准化成像条件下，颜色信息是主导线索，但纹理信息仍具有明显预测能力。

图10 腐蚀形貌RGB图像中红色通道相关特征的演化及可解释性分析。（a—c）红色通道相对响应强度、标准差及信息熵随腐蚀周期和氯化钠溶液稀释倍数的变化；（d—f）上述三个特征与腐蚀增重的关系。

图11 多任务模型在均匀腐蚀区域的不同网络层中的特征响应可视化。各组图从左至右依次为原始图像、腐蚀增重预测、腐蚀周期预测和氯离子浓度等级分类；从上至下依次为第1至第4层特征响应热图，红色表示高响应区域。

图12 不同氯离子浓度及腐蚀周期下碳钢锈层的物相组成与截面结构特征。（a）六种稀释条件下腐蚀60周期后的锈层XRD图谱；（b）锈层截面SEM图像及相应拉曼光谱；（c）腐蚀10、30、60周期后的锈层表面光学形貌及相应拉曼光谱。

六、应用展望：从实验室走向工程现场

这项研究的价值不止于“分类”和“回归”。它提出了一套基于视觉、可解释的腐蚀状态评估范式。

在海洋工程中，该方法有望用于桥梁、港口设备、海上风电、船舶等结构的腐蚀状态辅助评估。当然，目前研究仍基于标准化实验室成像条件。真实现场中，光照、白平衡、表面污染、盐结晶和拍摄角度都会变化。未来需要结合域适应、颜色恒常性预处理、多条件数据集和现场验证，进一步提升模型鲁棒性。同时，氯离子环境等级目前为六分类离散判断，后续可探索连续变量回归或序回归方法；腐蚀时长与损伤量预测也可结合多时序图像序列和红外、光谱等多模态信息，构建更完整的腐蚀状态感知系统。

论文信息

题目：Interpretable multi-task learning for corrosion state prediction of carbon steel in simulated marine atmospheric environments from rust morphology

作者：Guoyu Tong, Changgang Wang, Jiajun Feng, Nanzi Su, Weirong Xu, Hui Yan, Haonan Chen

单位：

1. 沈阳工业大学软件学院

2. 中国科学院金属研究所

3. 湖州市特种设备检测研究院

4. 江苏省特种设备安全监督检验研究院

通讯作者：王长罡

邮箱：cgwang@imr.ac.cn

原文链接：https://doi.org/10.1016/j.corsci.2026.114269

团队简介

中国科学院金属研究所王长罡研究团队，研究主攻方向：腐蚀电化学、腐蚀监测、人工智能在腐蚀与防护中的应用。