MicrocrackAttention 下一篇: 通过特征可视化使用深度神经网络在波场分析中推进微裂纹检测
Fatahlla Moreh1, Yusuf Hasan2, Bilal Zahid Hussain3
1Department of Geo-Science, Christian Albrechts University, 24118 Kiel, Germany.
Sensors (Basel, Switzerland)
|April 12, 2025
概括
这项研究引入了一种改进的深度学习方法,用于检测材料中的微裂. 新型不对称网络有效地解决了数据限制和类不平衡,在微裂纹检测中实现了高精度.
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
- 人工智能的人工智能
背景情况:
- 使用深度神经网络 (DNN) 的自动微裂纹检测至关重要,但受到有限的,高维的时空数据的阻碍.
- 裂数据集中的显著类失衡,裂像素仅为5%,挑战了DNN,导致微裂的检测不佳.
研究的目的:
- 开发一个有效的DNN模型用于微裂检测,克服数据限制和类不平衡.
- 研究不同激活和损失函数对微裂纹检测性能的影响.
主要方法:
- 一个不对称的编码器-解码器网络与一个自适应的功能重用区块被提议用于微裂检测.
- 多重发现和分析 (MDA) 算法用于特征空间可视化,以分析激活和丢失函数.
主要成果:
- 拟议的网络架构和培训方法证明了在微裂检测方面的有效性.
- 总体准确度达到了87.74%,这表明检测微裂的显著改进.
结论:
- 开发的不对称的编码器-解码器网络与适应性特征的重复使用是微裂检测的一个有前途的方法.
- 该研究强调了解决阶级失衡和优化网络架构以准确识别微裂的重要性.


