测试课题
基于轻量级卷积神经网络的道路裂缝图像识别方法研究
输入材料
每份材料承担明确的证据角色
synthetic_experiment_report.docx实验对象、数据划分、环境、方法和结果总览
synthetic_training_runs.csv四个模型、三个随机种子的重复运行指标
synthetic_ablation_metrics.csvECA 与 Focal Loss 的模块消融结果
synthetic_subgroup_metrics.csv不同成像条件下的受限鲁棒性分析
synthetic_confusion_matrix.csv选定模型的分类错误分布
工作流
从材料识别到章节审阅
- 01
识别材料性质
将报告和 CSV 分类为实验结果材料，同时保留“合成测试”的证据边界。
- 02
建立材料计划
为每份材料分配稳定标识，并绑定方法、实验和结果分析章节。
- 03
补充外部证据
实验数据不能代替方法来源；相关工作仍需检索并核验真实公开文献。
- 04
按依赖写作
先写方法与实验设置，再依据 CSV 生成结果叙述和图表，禁止补造缺失指标。
- 05
两阶段审阅
分别检查数据追溯，以及章节结构、衔接和学术表达。
材料摘要
可用于验证流程的结构化信息
数据规模6,000合成图像记录
测试集900正负样本各 450
改进模型 F10.9599三个合成随机种子均值
模型参数量2.57M合成测试配置
结论边界
系统必须保留的限制
所有数值均为工作流测试数据，不代表完成过真实道路采集或模型训练。
允许测试数值读取、图表生成和有限结果叙述，但不允许生成统计显著性或真实工程结论。
投稿质量检查应识别合成材料，不能将其升级为正式研究证据。
了解相应写作方法
指南进一步解释如何让材料、文献、章节和结论保持可追溯。
阅读对应指南