.png){kind=icon}
返回
Deep transfer learning framework for thermal tomographic image classification: a comparative study
.png){kind=icon}
OA
AI
DOI：10.1007/s41939-025-01153-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
热断层图像重建已作为一种关键技术在非破坏性评估、预测性维护和质量控制等众多工业应用中崭露头角。然而，此类图像的分类仍是一项复杂任务，主要由于温度分布模式的复杂性以及标注数据集的有限性。本研究系统探讨了深度迁移学习在热断层图像分类中的有效性，特别关注封闭轮廓内热气流室中加热不均匀性的估计与评估。热断层图像数据集通过COMSOL Multiphysics合成生成，采用“有限元方法”（FEM）模拟基于边界柔性和热敏电阻传感器测量的多种加热及流体流动模式。通过对比评估七种广泛采用的预训练“卷积神经网络”（CNN）架构，包括AlexNet、ResNet18、ResNet50、VGG19、SqueezeNet、DenseNet201和InceptionV3。这些模型用于提取判别特征并执行指示温度分布异常的热模式分类。准确率、精确率、召回率和F1分数是评估各模型性能的常用分类指标。在评估的架构中，SqueezeNet表现出最佳性能，达到92.81%的最高准确率和92.83%的F1分数，而AlexNet的准确率最低为89.38%，F1分数为89.38%。此外，为使模型获得可靠且稳健的性能，采用了五折交叉验证测试技术。结果表明，深度迁移学习适用于提升热断层图像的可解释性和分类精度。所提出的框架提供了一种通用且稳健的方法来评估加热不均匀性，并有望部署于热驱动流体流动过程的自动化检测系统中。
Keyword:
Tomographic image reconstruction
Deep learning
CNN
Transfer learning
Pre-trained CNN models
COMSOL
期刊
M
IF:
2
论文数:
174
被引数:
830
机构
引用论文
Classification of the COVID-19 infected patients using DenseNet201 based deep transfer learning基于DenseNet201的深度迁移学习对新型冠状病毒肺炎感染患者的分类
PREAI
分享收藏Ten deep learning techniques to address small data problems with remote sensing10种深度学习技术解决遥感小数据问题
OAAI
OAAI分享收藏A deep transfer learning based convolution neural network framework for air temperature classification using human clothing images.png)
SCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容