弱监督的细分与集体可解释的AI:关于裂纹检测的全面评估

科学领域:

• 结构工程 结构工程
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 表面裂检测对于结构健康监测至关重要.
• 对于裂检测的深度学习方法需要广泛的像素级注释,增加成本和时间.
• 现有的可解释的人工智能 (XAI) 方法与裂的复杂特征作斗争.

研究的目的:

• 解决当前XAI方法在裂检测方面的局限性.
• 为了提高破裂细分的伪标签的准确性.
• 为更有效的结构性健康监测制定一个综合的XAI方法.

主要方法:

• 通过广泛的实验检查了各种XAI策略.
• 综合了不同XAI方法的优点,以减少不确定性误差.
• 在两个数据集中制定和实施多个XAI算法的集成策略.

主要成果:

• 拟议的XAI战略整合有效地减轻了不确定性错误.
• 不同的XAI算法之间的差异得到了增强.
• 该方法在生成弱监督裂细分的基本注释方面表现出卓越的性能.

结论:

• 整合多个XAI策略为裂检测提供了更强大的解决方案.
• 开发的方法显著提高了裂纹注释的效率和准确性.
• 这项工作通过增强的人工智能驱动的分析,推进了结构性健康监测领域.