增加混凝土生产过程中数字化和自动化的程度可以在减少与混凝土生产相关的 CO2 排放中起到至关重要的作用。本文提出了一种方法，可以基于混凝土流动行为的立体图像序列来预测新鲜混凝土的性质。该预测使用了卷积神经网络（CNN），它接收以图像为输入并支持混合设计信息的图像，并通过时间差来隐含学习混凝土性质的时态行为。网络预测了塌落流动直径、屈服应力和塑性粘度。这种时态预测潜在地为在混合过程中确定新鲜混凝土性质的时态发展提供了巨大优势，从而使混凝土行业能够及时采取应对措施。研究结果表明，基于深度和光流图像结合混合设计信息的方法取得了最佳结果。

Feb, 2024

提出了一种高效的算法，用于在大规模计算机断层扫描（CT）图像中识别裂缝区域，并验证了其在提高裂缝分割效率和减少计算资源需求方面的有效性。

Feb, 2024

本文研究了使用卫星图像语义分割实现自动生成地图的问题。通过使用不同的训练数据集进行对比分析，文章指出采用大规模公开标注来取代部分手动标注可以显著降低成本且不影响语义分割效果

Jul, 2017

本文使用卷积神经网络（CNN）对真实数据和合成数据组合进行了训练，提高了晶界分割的准确性，为粉末冶金过程中的晶界分析提供了新的方法。

Jul, 2023

在数字岩石物理学中，使用扫描电子显微镜和计算机断层扫描技术分析岩石的细微结构对估计孔隙度和孔隙连通性等性质至关重要。我们的研究采用了先进的生成型人工智能模型 —— 扩散模型，克服传统分割方法的局限性并通过生成大量的数据集来改善岩石显微结构分割的准确性和稳定性。利用 Transformer 结构的 TransU-Net 在分割图像方面表现出更高的准确性和 IoU 指标，超过了 U-Net 和 Attention-U-Net，推进了数字岩石物理学的发展，为地球科学和工程学的突破铺平了道路。

Nov, 2023

本研究提出了一种半自动裂缝分割工具，通过图像处理算法利用多方位小波变换构建图像的 “方向得分”，从而计算出最佳裂缝路径，进而实现像素级的分割，该方法优于完全自动方法，并显示出成为手动数据标注的合适替代方法的潜力。

Mar, 2024

本文利用卷积神经网络技术进行微观组织中晶界的检测，结合不同仪器下的多模式显微镜技术生成像素级标签，提高了检测精度，并且通过引入拓扑信息，得到了更好的分割性能和晶粒形貌分布预测。

May, 2023

本研究提出了一种基于分割的深度学习架构，用于表面异常检测和分割，在表面裂纹检测的特定领域中表现出比其他深度学习方法更好的性能，可以使用少量的样本进行训练，因此可以实际应用于工业领域。

Mar, 2019

使用三阶段方法，在 3D 空间中从图像级别的检测模型上分割出异常实例，以实现有效的结构损伤评估。

Jan, 2024

利用无人机和图像处理技术自动化当前桥梁视觉检查实践是提高检查效果、鲁棒性和降低成本的一种显著途径。本文研究了一种新颖的深度学习方法，用于检测高分辨率钢桥图像中的疲劳裂纹，首先，我们介绍了一个包含钢桥裂纹图像的新颖而具有挑战性的数据集。其次，我们将 ConvNext 神经网络与先前最先进的编码器 - 解码器网络集成，进行裂纹分割研究和报告，并研究了在应用于高分辨率钢桥裂纹图像时使用背景补丁对网络性能的影响。最后，我们引入了一种损失函数，允许在训练过程中使用更多的背景补丁，从而显著降低了误报率。

Mar, 2024