A Fuzzy Rule-based Neuro-Symbolic Approach for Pipe Severity Prediction in Sewer Networks

📄 arXiv: 2607.28481v1 📥 PDF

作者: Ngoc Thai Le, Thanh Ma, Umberto Straccia

分类: cs.AI

发布日期: 2026-07-30

💡 一句话要点

提出模糊规则神经符号方法以解决污水管道严重性预测问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 污水管道预测 模糊逻辑 神经符号方法 图像分类 可解释性AI

📋 核心要点

  1. 现有的污水管道严重性评估方法依赖于图像分类，导致视觉缺陷与严重性评分之间的关系不明确。
  2. 本研究提出了一种模糊规则神经符号框架，通过解耦神经感知与符号推理，增强了模型的可解释性。
  3. 实验结果表明，该方法在多个性能指标上显著优于传统的图像分类方法，提升幅度达到17.9%至23.0%。

📝 摘要（中文）

标准的自动化污水管道严重性评估依赖于直接的图像分类，这种方法存在“黑箱”问题，视觉缺陷与最终严重性评分之间的联系不明确。本研究提出了一种模块化的、基于模糊规则的神经符号框架，通过将神经感知与符号推理解耦，填补了这一空白。感知模块利用Swin Transformer直接从图像中预测14个多标签检查CODE等级。推理部分则使用Weka的J48决策树算法，基于真实CODE和严重性标签进行训练，并将其路径转化为19条固定的IF-THEN规则。推理通过模糊逻辑进行，CODE条件的t-norm激活值根据规则置信度加权，并与相应的s-norm结合，生成可解释的类别证据。实验结果显示，相较于仅基于图像的分类方法，准确率、平衡准确率、宏观F1和MCC分别提高了17.9%、12.2%、23.0%和17.3%。

🔬 方法详解

问题定义：本论文旨在解决污水管道严重性预测中的“黑箱”问题，现有方法无法明确视觉缺陷与严重性评分之间的关系。

核心思路：论文提出的模糊规则神经符号框架通过将神经网络的感知能力与符号推理能力相结合，提供了一种可解释的预测机制。

技术框架：整体架构分为感知模块和推理模块。感知模块使用Swin Transformer从图像中提取特征并预测多标签CODE等级，推理模块则基于决策树生成IF-THEN规则进行推理。

关键创新：最重要的创新在于将模糊逻辑与神经网络结合，通过规则置信度加权和模糊逻辑推理，提供了可解释的分类证据，克服了传统方法的黑箱特性。

关键设计：在模型设计中，使用了Weka的J48决策树算法进行训练，并将路径转化为固定的IF-THEN规则，采用了多种模糊逻辑运算符（如Product、Łukasiewicz和Hamacher）进行推理。实验中使用了3244张图像，确保了标签的准确性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，提出的方法在多个指标上均有显著提升，准确率提高17.9%，平衡准确率提高12.2%，宏观F1提高23.0%，MCC提高17.3%，展示了该框架在污水管道严重性预测中的有效性和优势。

🎯 应用场景

该研究的潜在应用领域包括城市基础设施管理、污水处理系统监控和环境保护等。通过提供可解释的预测结果，相关部门可以更有效地进行管道维护和资源分配，从而提高城市污水系统的运行效率和安全性。

📄 摘要（原文）

Standard automated sewer pipe severity assessment relies on direct image classification, creating a "black box" where the link between visual defects and final severity scores remains implicit. This study introduces a modular, fuzzy rule-based neuro-symbolic framework that bridges this gap by decoupling neural perception from symbolic reasoning. The perception module utilizes a Swin Transformer to predict 14 multilabel inspection CODE degrees directly from images. For reasoning, a DT, specifically Weka's J48, algorithm is trained on ground-truth CODEs and severity labels, and its paths are converted into 19 fixed IF--THEN rules. Inference operates via fuzzy logic: t-norm activations from CODE conditions are weighted by rule confidence and combined with corresponding s-norms to produce interpretable class evidence. We assessed Product, Łukasiewicz, and Hamacher operator pairs using a dataset of 3,244 images spanning five highly imbalanced severity classes. Ground-truth labels were robustly generated via consensus from five independent large language models analyzing original inspector notes. Our results show an improvement of accuracy, balanced accuracy, Macro F1 and MCC by 17.9%, 12.2%, 23.0%, and 17.3%, respectively, over image-only based classification. Overall, the framework combines competitive class-balanced performance with traceable reasoning from predicted CODE degrees to rule supports and severity evidence.