.png){kind=icon}
返回
Assisting Weld Defect Detection Using U2Net: A Machine Learning Approach
.png){kind=icon}
PRE
AI
DOI：10.1080/09349847.2025.2580247.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
焊缝缺陷检测通常由专家通过解释射线图像来完成。这一过程耗时且困难。深度学习解决方案已被开发用于辅助解释。这些解决方案通常使用U-Net卷积神经网络来区分图像中的缺陷像素和非缺陷像素。像用于ChatGPT的那些Transformer已被广泛适配于计算机视觉任务。本研究描述了一种名为U2Net的UNet，该网络结合了Transformer和卷积U-Net，以同时编码全局和局部信息，用于射线图像中的焊缝缺陷分割。结果表明，与四种评估的U-Net相比，U2Net提供了有益的缺陷检测能力，强调了在焊缝缺陷检测中耦合全局和局部信息的优势。
Keyword:
Weld defect
defect location
semantic segmentation
期刊
R
IF:
1.6
论文数:
11
被引数:
0
机构
引用论文
.png){kind=icon}
Metrics for evaluating 3D medical image segmentation: analysis, selection, and tool评估3D医学图像分割的指标: 分析，选择和工具
OAAI
OAAI分享收藏
分享收藏
查看更多内容