通过U-Net和自适应值,提高历史塔比亚盆地的裂纹检测和严重性评估
Hafsa Matich1, Jamal Attmani2, Hajar Mousannif1
1LISI Laboratory, Faculty of Sciences Semlalia, Cadi Ayyad University, Marrakesh, Morocco.
Frontiers in artificial intelligence
|March 16, 2026
概括
一个人工智能系统自动检测历史水域的裂,改善结构监测. 移动NetV2模型获得了98.6%的F1评分,为遗产遗址提供了精确的数字保存.
科学领域:
- 遗产保护科学 遗产保护科学
- 计算机视觉 计算机视觉 计算机视觉
- 人工智能的人工智能是人工智能.
背景情况:
- 历史悠久的塔比亚水域面临着结构退化,特别是表面裂.
- 传统的检查方法是主观的,耗时的,容易出错,妨碍有效的保护.
- 数字化保存和结构性监测对于遗产水基础设施至关重要.
研究的目的:
- 开发一个自动化系统来检测和细分历史水域的表面裂.
- 量化测量裂特征,如长度,宽度和严重程度.
- 为数字化保存遗产水基础设施提供一个用户友好的工具.
主要方法:
- 利用人工智能和计算机视觉技术进行自动裂检测和细分.
- 使用了与U-Net架构 (MobileNetV2,ResNet-50,InceptionV3,EfficientNetB7骨干) 的比较深度学习框架.
- 实施了骨架化,裂长度估计和裂宽度提取用于定量分析.
主要成果:
- 基于MobileNetV2的U-Net模型表现出卓越的性能,准确率为98.7%,回忆率为98.2%,精度为99.1%,F1得分为98.6%.
- 该系统成功执行了裂检测,细分和定量测量.
- 为用户友好的图像分析和模型选择开发了一个Web应用程序.
结论:
- 开发的基于人工智能的系统为监测遗产水域结构完整性提供了精确有效的解决方案.
- 自动裂检测和分析显著改善了传统的检查方法.
- 综合系统支持数字保存和长期保护有价值的水产遗产基础设施.
