.png){kind=icon}
返回
Structural damage identification based on image compressed sensing and unsupervised learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.istruc.2026.111480.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
提出了一种用于图像压缩数据损伤识别的深度聚类框架。该框架包括两个阶段：智能数据传输和智能数据挖掘。首先，智能数据传输系统不仅能压缩图像数据，还能重建图像。在此基础上，智能数据挖掘系统使用可学习的聚类层对密集自编码器提取的特征进行软聚类，并通过Kullback-Leibler散度损失优化聚类中心和编码器权重。该方法能够有效将压缩数据低维表示分类到不同类别，从而实现损伤数据与正常数据的自动区分。为验证该方法的有效性，我们使用真实检测图像数据集进行了实验。结果表明，在裂缝识别任务中，该方法比传统K-means算法的识别精度高出5～12%。此外，随着比特率的增加，该方法在归一化互信息（normalized Mutual Information）和调整兰德指数（adjusted Rand Index）评估指标上均展现出持续改进。
Keyword:
deep clustering
image compressed sensing
unsupervised learning
damage recognition
feature extraction
期刊
IF:
4.3
论文数:
1.3W
被引数:
2.7W
机构
引用论文
Bearing fault diagnosis based on Cluster-contraction Stage-wise Orthogonal-Matching-Pursuit.png)
MEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏Wavelet-integrated deep neural network for deblurring and segmentation of crack images基于小波融合的深度神经网络用于裂纹图像的去模糊与分割
PREAI
分享收藏Correction for Closeness: Adjusting Normalized Mutual Information Measure for Clustering Comparison
PREAI
分享收藏Baseline-free damage imaging of CFRP lap joints using K-means clustering of guided wave signals基于导波信号K-means聚类的CFRP搭接接头无基准损伤成像
OAAI
OAAI分享收藏
查看更多内容