Texture analysis in corrosion management: A scoping review
Notice bibliographique
Résumé
Corrosion-induced failures result in economic losses exceeding 3-4% of GDP annually across developed nations, necessitating advanced detection and monitoring methodologies. Texture analysis techniques have emerged as powerful tools for automated corrosion assessment, evolving from traditional statistical descriptors to sophisticated deep learning approaches. This scoping review systematically maps the landscape of texture analysis methodologies applied to corrosion detection, monitoring, and management across industrial sectors, identifying current capabilities, limitations, and research gaps. Following PRISMA-ScR guidelines, a comprehensive search across IEEE Xplore, ScienceDirect, Scopus, SpringerLink, and ACM Digital Library for literature published between 2010-2025 was conducted. Search terms encompassed texture analysis methods (GLCM, LBP, HOG, wavelet transforms, CNN-based approaches) combined with corrosion-related keywords. A total of 127 relevant studies were identified, spanning traditional texture descriptors, hybrid approaches, and deep learning methods, which was further filtered down to 25 representative studies. Performance metrics ranged from 78-98% accuracy, with CNN-based methods showing better performance in complex industrial environments. Traditional texture analysis methods such as GLCM and LBP continue to perform adequately in controlled settings but fall short in complex industrial scenarios compared to CNN-based approaches. Hybrid methodologies that blend traditional texture descriptors with deep learning show promise by balancing accuracy and computational efficiency.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,015 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».