用于智能数字孪生的基于图像的深度学习：综述

智能数字孪生（SDTs）正被越来越多地用于通过持续的数据同化来虚拟复制和预测复杂物理系统的行为，从而通过控制系统动作来优化这些系统的性能。最近，深度学习（DL）模型显著增强了 SDTs 的能力，特别是在预测性维护、异常检测和优化等任务中。在包括医学、工程和教育在内的许多领域，SDTs 使用图像数据（基于图像的 SDTs）来观察和学习系统行为并控制其行为。本文重点关注通过持续同化来自物理系统的图像数据来开发基于图像的 SDTs 的各种方法及相关挑战。本文还讨论了为 SDTs 设计和实施 DL 模型所涉及的挑战，包括数据采集、处理和解释。此外，还提供了关于开发新的基于图像的 DL 方法以构建稳健 SDTs 的未来方向和机遇的见解。这包括利用生成模型进行数据增强的潜力、开发多模态 DL 模型，以及探索 DL 与其他技术（包括 5G、边缘计算和 IoT）的集成。在本文中，我们描述了基于图像的 SDTs，它使得数字孪生（DT）范式能够在更广泛的领域中得到更广泛的应用，并开发了新方法来提高 SDTs 在复制、预测和优化复杂系统行为方面的能力。