摘要
في مواجهة مشكلة انخفاض كفاءة طرق الكشف التقليدية لتسرب الأنفاق وعدم استغلال نماذج التعلم العميق الحالية لميزات النسيج بشكل كافٍ، تقترح هذه الورقة طريقة تقسيم صور التسرب استنادًا إلى الالتفاف الطولي للنسيج وآلية الانتباه القنوية القابلة للتعلم. أولاً، بناءً على خاصية الامتداد الطولي لمنطقة التسرب، تم تصميم التواء نسيجي طولي يتألف من ثلاثة نوى التواء غير متناظرة مختلفة متسلسلة، مما يعزز قدرة استخراج ميزات النسيج الطولي من خلال مجال استقبال متعدد المقاييس. ثانيًا، في آلية الانتباه القنوي، تم إدخال مصفوفة معاملات قابلة للتعلم لتحسين أوزان قنوات الميزات ديناميكيًا للتركيز على المناطق الرئيسية. أخيرًا، استنادًا إلى بنية المشفر-فك التشفير SegNet، وبالاقتران مع المعالجة المسبقة لمؤشر Sobel وتقنية الزيادة باستخدام فهرس التجميع، تم إنشاء شبكة تقسيم خفيفة الوزن. أُجريت التجارب على مجموعة بيانات عامة تحتوي على 4,555 صورة تسرب، وأظهرت النتائج أن الطريقة المقترحة تحسنت بنسبة 0.72٪~2.82٪ في مؤشر التقاطع على الاتحاد (IoU) مقارنة بنماذج مثل U-Net وDeepLabv3+، وبلغت 80.64٪؛ كما ارتفعت الدقة وقيمة F1 إلى 94.68٪ و89.30٪ على التوالي. أكدت التجارب الإزالة فعالية وحدتي LTC وLCA، حيث أسهم الجمع بينهما في زيادة 3.96٪ في IoU. من خلال دمج ميزات النسيج الطولي متعددة المقاييس وآلية وزن القنوات التكيفية، تعزز هذه الطريقة بشكل ملحوظ دقة تقسيم مناطق التسرب، مما يوفر حلاً فعالًا لمراقبة سلامة البنى التحتية.
关键词
كشف تسرب الأنفاق; الالتفاف الطولي للنسيج; الانتباه القنوي; مجال استقبال متعدد المقاييس
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website