基于混合微调MnasNet和自适应修补的混合微调MnasNet和自适应修补的基础设施中的自动裂检测
Kun Li1, Feng He2,3, Xiaojun Zhao1
1Special Equipment Inspection and Research Institute of Yunnan Province, Kunming, 650228, China.
Scientific reports
|December 16, 2025
概括
本研究介绍了一种基于视觉的新型框架,用于基础设施中自动检测裂. 与升级的莲花效果优化 (ULEO) 算法相结合的MnasNet CNN实现了实时应用的高精度和效率.
科学领域:
- 土木工程 土木工程是指土木工程.
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 自动裂检测对于民用基础设施的安全性和耐用性至关重要.
- 现有的方法在现实条件下经常失败,需要大量的资源,或者涉及手动的特征提取.
研究的目的:
- 开发一个高效和准确的基于视觉的裂检测框架.
- 在现实生活场景中克服当前深度学习模型的局限性.
主要方法:
- 轻量级的MnasNet卷积神经网络 (CNN) 与升级的莲花效果优化 (ULEO) 算法的集成,用于自动化超参数调整.
- 实现动态补丁机制,根据图像复杂度调整补丁大小.
- 在ULEO算法中利用混沌理论和Levy飞行动力学来增强融合并避免局部最佳.
主要成果:
- 在CRACK500数据集上实现了高性能指标:97.1%的准确性,96.0%的灵敏性,97.8%的特异性和95.6%的F1分数.
- 与VGG16,OpenMV-CNN,XGBoost和XAI/t-SNE等基准标准相比,表现优越.
- 处理图像的计算时间为每张图像0.05秒,表明高效率.
结论:
- MnasNet/ULEO模型为裂检测提供了一个高度准确和计算效率高的解决方案.
- 该框架适用于民用,机械和工业系统的实时和移动式检查.
- 介绍了一种用于缺陷检测的新型自我优化智能视觉模型.
