Enhancing Moisture-Induced Defect Detection in Insulated Steel Pipes through Infrared Thermography and Hybrid Dataset
Notice bibliographique
Résumé
It is crucial to accurately detect moisture-induced defects in steel pipe insulation in order to combat corrosion under insulation (CUI). This study enhances the capabilities of infrared thermography (IRT) by integrating it with top-performing machine learning models renowned for their effectiveness in image segmentation tasks. A novel methodology was developed to enrich machine learning training, incorporating synthetic datasets generated via finite element method (FEM) simulations with experimental data. The performance of four advanced models—UNet, UNet++, DeepLabV3+, and FPN—was evaluated. These models demonstrated significant enhancements in defect detection capabilities, with notable improvements observed in FPN, which exhibited a mean intersection over union (IoU) increase from 0.78 to 0.94, a reduction in loss from 0.19 to 0.06, and an F1 score increase from 0.92 to 0.96 when trained on hybrid datasets compared to those trained solely on real data. The results highlight the benefits of integrating synthetic and experimental data, effectively overcoming the challenges of limited dataset sizes, and significantly improving the models’ accuracy and generalization capabilities in identifying defects. This approach marks a significant advancement in industrial maintenance and inspection, offering a precise, reliable, and scalable solution to managing the risks associated with CUI.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».