基于多尺度特征融合的改进双分支模型在断裂表面图像识别中的应用
Fei Gao1, Denghui Wang2, Fulai Yang1
1School of Materials Science and Engineering, Beihang University, Beijing 100191, China.
Materials (Basel, Switzerland)
|November 27, 2025
概括
本研究介绍了一种改进的双分支模型 (IDBM),用于从扫描电子显微镜 (SEM) 图像中增强金属断裂识别. 即使使用有限的数据,IDBM也能实现高准确性和可解释性.
科学领域:
- 材料科学 材料科学 材料科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 准确识别金属断裂模式对于材料故障分析至关重要.
- 现有的方法在准确性和可解释性方面扎,尤其是在小样本条件下.
- 扫描电子显微镜 (SEM) 图像提供了详细的断裂表面信息.
研究的目的:
- 开发一个改进的双分支模型 (IDBM) 以准确和可解释的识别金属断裂SEM图像.
- 通过使用多尺度融合和注意力机制来增强特征提取.
- 为了验证模型在各种骨折图像数据集上的性能.
主要方法:
- 一个改进的双分支模型 (IDBM) 使用VGG19和Inception V3进行本地和全球特征提取.
- 整合道和空间注意力机制,专注于歧视性地区.
- 具有固定比率 (0.8:0.2) 的多尺度特征融合和在四个类别的800个骨折SEM图像上进行训练.
- 类激活映射 (CAM) 和功能空间可视化用于解释性分析.
主要成果:
- 在小样本数据集上,IDBM实现了99.50%的验证准确率,99.51%的回忆率和0.9998的AUC.
- 与单个模型和其他融合策略相比,表现出卓越的性能.
- 通过CAM和功能空间可视化表现出强大的解释性.
- 在100x到10,000x的放大度中保持稳定的识别性能.
结论:
- IDBM显著提高了金属断裂SEM图像的识别精度和模型解释性.
- 该模型是强大的和有效的,特别是在小样本数据限制下.
- IDBM为识别不同骨折类型的最佳放大范围提供了宝贵的见解.
