MétaCan
Menu
Retour à la cohorte
Enregistrement W1990780152 · doi:10.1117/12.889191

Use of 3D range cameras for structural deformation measurement

2011· article· en· W1990780152 sur OpenAlexaff
Sonam Jamtsho, Derek D. Lichti

Notice bibliographique

RevueProceedings of SPIE, the International Society for Optical Engineering/Proceedings of SPIE · 2011
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueAdvanced Optical Sensing Technologies
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésScannerDeformation (meteorology)Deflection (physics)Accuracy and precisionDeformation monitoringRange (aeronautics)OpticsBeam (structure)Image resolutionObservational errorComputer scienceMaterials sciencePhysicsMathematics

Résumé

récupéré en direct d'OpenAlex

A three-dimensional range camera is a state-of-the-art imaging technology that has strong potential for various closerange high-precision measurement applications. One such application is the measurement of structural deformation under external loading conditions. Deformation tests have been conducted on two concrete beams with and without steel-reinforced polymer sheets in an indoor testing facility using an SR4000 range camera. The achieved measurement precision and accuracy were both within 1 mm when compared with a terrestrial laser scanner. Further testing on the concrete beam with the steel-reinforced polymer sheets has shown that a deformation as small as 3 mm can be reliably detected with a range camera with a measurement precision of 0.3 mm and an accuracy of 0.4 mm. These results clearly indicate the high metric potential of 3D range cameras in spite of their coarse imaging resolution and low (centimeterlevel) single point accuracy. The high accuracy can be achieved thanks to the differencing scheme used to derive the deflection estimates from two sets of range camera measurements, one at no-load and one of the beam in a loaded state, which eliminates the scene-dependent range biases such as scattering and multi-path errors.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,717
Score d'incertitude au seuil0,809

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,032
Tête enseignante GPT0,233
Écart entre enseignants0,202 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of SPIE, the International Society for Optical Engineering/Proceedings of SPIEMême sujetAdvanced Optical Sensing TechnologiesTravaux en français237 207