MBL-TransUNet:通过多尺度特征融合和边界引导学习增强织复合图像的半结构细分
Hang Qi1, Aiqing Ni2, Yuwei Feng1
1School of Material Science and Engineering, Wuhan University of Technology, 122 Luoshi Road, Hongshan District, Wuhan 430070, China.
Materials (Basel, Switzerland)
|March 27, 2025
概括
本研究介绍了MBL-TransUNet,这是一个深度学习模型,用于在复合分析中精确创建数字双胞胎. 它显著提高了拖边界的细分精度,优于现有的方法.
科学领域:
- 材料科学 材料科学 材料科学
- 计算机科学 计算机科学
- 图像分析 图像分析
背景情况:
- 在复合材料分析中,精确细分体积图像对于高保真度数字双胞胎至关重要.
- 传统的细分方法是手动的,劳动密集型和耗时的,限制了它们的实际应用.
- 在复杂的织物结构中,精确识别拖边界存在挑战.
研究的目的:
- 开发一种自动化的深度学习模型,用于精确细分复合材料.
- 增强拖边界的识别,以提高数字双胞胎的真实性.
- 为了克服传统的手动细分技术的局限性.
主要方法:
- 开发了一个新的深度学习模型,MBL-TransUNet.
- 包含一个边界引导学习模块,用于精确的拖边界识别.
- 集成了一个多尺度特征融合模块,以捕获本地和全球模式.
- 使用BatchFormerV2来改进交叉批量学习和概括.
主要成果:
- 与TransUNet相比,MBL-TransUNet表现出优越的性能.
- 在欧盟 (MIoU) 中平均交叉点实现了2.38%的改进.
- 在零射击实验中,MIoU增加了4.23%,表明了高强度.
- 废弃性研究证实了综合模块的有效性.
结论:
- MBL-TransUNet为复合材料细分提供了一个高度准确和强大的解决方案.
- 该模型通过精确的边界识别来促进高保真数字双胞胎的创建.
- 拟议的方法显著推进了材料分析中的自动化细分.
