在结构图像中使用混合Swin变压器和增强功能表示块的裂纹检测结构图像
1Department of IoT, School of Computer Science and Engineering, Vellore Institute of Technology, Vellore, India.
Frontiers in artificial intelligence
|December 18, 2025
概括
这项研究引入了一种新的混合模型,用于精确检测图像中的裂,达到98%的准确性. 该框架通过使用先进的深度学习技术有效识别裂来加强结构性监测.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 结构工程 结构工程
背景情况:
- 精确的裂检测对于结构健康监测至关重要.
- 传统的方法经常与复杂的图像数据和微妙的裂纹模式作斗争.
研究的目的:
- 开发一个强大而精确的裂检测框架.
- 提高用于结构监测的图像中识别裂的准确性和效率.
主要方法:
- 一个混合深度学习模型,集成Swin变压器和增强功能表示块 (EFRB).
- 在EFRB中利用深度和点向卷,以改善空间和通道表示.
- 使用剩余连接来促进更深层次网络的培训.
主要成果:
- 在裂检测方面取得了98%的准确性.
- 证明了高性能与精度 (0.97),回忆 (0.99),和F1得分 (0.98) 的高性能.
- 基于人群的特征选择优化了训练过程,以获得强大的性能.
结论:
- 拟议的混合模型在现实世界裂检测应用中非常有效.
- 在基于图像的结构监测中,Swin变压器和EFRB的集成提供了显著的优势.
- 该框架提供了一种可靠的解决方案,通过精确的裂识别来评估结构完整性.
