Модель AlexNet HSD для обнаружения повреждений промышленного наследия и адаптивного повторного использования с использованием искусственного интеллекта

Введение

Сохранение и использование промышленного наследия приобретает все большую важность, особенно в контексте строительства Третьего фронта в Юго-Западном Китае. Повышение эффективности и точности обнаружения повреждений промышленного наследия стало ключевой задачей исследований. Традиционные методы ручного осмотра не только неэффективны, но и подвержены ошибкам. С развитием компьютерного зрения и глубокого обучения (DL) сверточные нейронные сети (CNN) показали высокую производительность в задачах классификации и распознавания изображений.

Цели исследования

Основная цель данной работы — разработка модели обнаружения повреждений промышленного наследия на основе AlexNet HSD с фокусом на контексте строительства Третьего фронта в Юго-Западном Китае. Конкретные задачи включают:

• Оптимизацию структуры традиционной модели AlexNet HSD для улучшения извлечения признаков.
• Внедрение модуля внимания CBAM для повышения пространственного и семантического восприятия сложных повреждений.
• Интеграцию метода опорных векторов (SVM) для повышения точности классификации.
• Применение модели к данным изображений промышленного наследия для выявления закономерностей повреждений.
• Предложение путей адаптивного повторного использования промышленного наследия.

Методология

Оптимизация структуры AlexNet HSD

Для улучшения обнаружения повреждений в промышленном наследии традиционная структура AlexNet была оптимизирована следующим образом:

• Многоуровневая дилатированная свертка: Введена для улучшения восприятия повреждений разных масштабов.
• Замена ядер свертки: Использованы два ядра 3×3 вместо одного 5×5 для уменьшения вычислительной сложности.
• Введение ядер 1×1: Добавлены для ускорения работы сети и улучшения производительности.
• Использование Leaky ReLU: Заменена стандартная функция активации ReLU для предотвращения "затухания" нейронов.

Модуль внимания CBAM

Для более эффективного выявления ключевых областей повреждений в модель был интегрирован модуль внимания CBAM, который включает:

• Канальное внимание: Усиливает значимые каналы в картах признаков.
• Пространственное внимание: Фокусируется на ключевых областях изображения.

Метод опорных векторов (SVM)

SVM был использован в качестве классификатора для улучшения точности распознавания повреждений. Его преимущества включают:

• Лучшую обобщающую способность на малых выборках.
• Устойчивость к переобучению.

Эксперименты и результаты

Набор данных

Для обучения и тестирования модели использовался комбинированный набор данных, включающий:

• Публичный набор xBD (xView2 Building Damage Assessment Dataset).
• Фотографии промышленного наследия периода строительства Третьего фронта в Юго-Западном Китае.

Метрики оценки

Модель оценивалась по следующим метрикам:

• Точность (Accuracy): 95,7%.
• Precision: 94,8%.
• Recall: 95,7%.
• F1-score: 95,2%.

Сравнение с другими моделями

AlexNet HCS показала превосходство над такими моделями, как YOLOv5Cls, Faster RCNN и Optimized AlexNet (O_Net), демонстрируя более высокую точность и скорость сходимости.

Пути адаптивного повторного использования промышленного наследия

На основе результатов обнаружения повреждений предложены следующие пути адаптивного повторного использования промышленного наследия:

• Создание базы данных структурного здоровья для планирования ремонтных работ.
• Рациональное зонирование функциональных пространств.
• Оптимизация потоков посетителей на основе данных о повреждениях.
• Разработка механизмов координации между технологиями и политиками.

Заключение

Оптимизированная модель AlexNet HCS продемонстрировала высокую эффективность в обнаружении повреждений промышленного наследия, достигая точности 95,7%. Внедрение модуля внимания CBAM и классификатора SVM значительно улучшило производительность модели. Результаты работы могут быть использованы для цифровой архивации, мониторинга и адаптивного повторного использования промышленного наследия.