تحتاج عمليات فحص الأنفاق إلى نتائج موثوقة تدعم تحديد العيوب، قياسها، فحص شدتها، وتوثيقها هندسياً. ولقد أظهرت الأساليب الحالية التي تعتمد على نماذج أساس بدون تدريب (training-free foundation-model pipelines) قصوراً، حيث تتوقف عند مقترحات كلامية غير دقيقة، مما يجعل استخدامها صعباً في مشاهد الأنفاق المعقدة.

في هذا السياق، قدمت دراسة جديدة إطار عمل مبتكر يدعى 'TunnelMIND'، والذي يستفيد من تقنيات إعادة معايرة بصرية (visual recalibration) وبناء الكيانات (entity reconstruction). لا تُعتبر الاقتراحات الموجهة باللغة نتائج نهائية، بل يتم تعديل دعمها المكاني أثناء الاستدلال (inference) من خلال توافق بصري كثيف، مما يسمح بتحويل الأركان الدلالية الدقيقة إلى تحفيزات موثوقة أكثر في مواجهة العوائق الصعبة في الأنفاق.

تتضمن النتائج النهائية أقنعة معاد بناؤها تمثل كيانات عيوب منظمة تشمل الفئة، الموقع، الخصائص الهندسية، الشدة، والسياق، والتي يتم ربطها أيضًا بتفسيرات مدعومة بالاسترجاع (retrieval-grounded explanation) وتوليد تقارير قابلة للقراءة من قبل المهندسين تحت قيود المعرفة الخبراء.

عند إجراء اختبارات على المهام المتعلقة بعلامات العيوب المرئية، والأبعاد الجيوفيزيائية (GPR)، وعيوب الطرق، حقق 'TunnelMIND' نتائج مبهرة، إذ حقق نقاط F1 تبلغ 0.68، 0.78، و0.72 على التوالي.

بشكل عام، يظهر 'TunnelMIND' أن فحص الأنفاق بدون تدريب يمكن أن ينتقل إلى ما هو أبعد من التصنيف الخام نحو أدلة عيوب دقيقة لتقييم الهندسة. إن هذا التطور يمكن أن يغير طريقة عملنا ويزيد من دقة الفحوصات في هذا المجال الحيوي.