一种统一的方法,通过亲属转换和伪标签精炼来进行弱监督的裂检测
Zhongmin Huangfu1, Yibo Jiao1, Fupeng Wei2
1School of Information Engineering, North China University of Water Resources and Electric Power, Zhengzhou, 450046, China.
Scientific reports
|March 14, 2025
概括
这项研究引入了一种使用深度神经网络检测结构裂的新方法,提高了准确性和可解释性. 相关转换和伪标签精炼 (AT-CAM) 方法提高了裂检测效率,并降低了成本.
科学领域:
- 工程 工程师 工程师 工程师
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 准确的裂检测对于结构完整性至关重要.
- 深度神经网络提供高性能,但需要广泛的像素级标签.
- 弱监督的学习方法降低了标签成本,但产生的标签质量较差,并且可能存在本地化问题.
研究的目的:
- 提出一种新的,高效的结构裂检测方法.
- 为了提高基于深度神经网络的裂检测的准确性和视觉解释性.
- 为了降低工程结构中裂检测相关的成本和复杂性.
主要方法:
- 拟议的同源转换和伪标签精炼 (AT-CAM) 方法涉及三个阶段.
- 第一个阶段:几何增强和基于公理的Grad-CAM (XGradCAM) 用于突出地图生成.
- 第二阶段和第三阶段:修改卷积层信息流,以改进突出度地图,消除噪声,并通过使用动态范围压缩来增强裂突出.
主要成果:
- 与基线相比,AT-CAM方法实现了7.2%的细分精度增加.
- 观察到深度神经网络预测的视觉解释性有显著的改善.
- 该方法在结构裂检测方面表现出更高的效率和成本效益.
结论:
- AT-CAM方法为结构裂检测提供了一种新,高效,具有成本效益和可解释的方法.
- 这种方法解决了现有的深度学习技术在标签成本和可解释性方面的局限性.
- 这些发现表明,在推进自动化结构健康监测方面,这是一个有希望的方向.
