AUTOMATED RETRIEVAL OF PROJECT THREE-DIMENSIONAL CAD OBJECTS IN RANGE POINT CLOUDS TO SUPPORT AUTOMATED DIMENSIONAL QA/QC
Notice bibliographique
Résumé
SUMMARY: In construction, dimensional quality is critical but is very difficult to achieve, especially with built-in-place elements. As a result, dimensional Quality Assessment / Quality Control (QA/QC) must systematically be conducted, which often delays the value-adding work. Current methods for dimensional QA/QC are labor intensive, time consuming and therefore expensive. Comprehensive dimensional QA/QC approaches are thus often discarded for strategic ones, which may provide misleading dimensional QA/QC results, and result in future rework or failures. In the research presented here, the authors take advantage of new technologies available to the Architectural Engineering Construction & Facility Management industry – 3D Computer-Aided Design (CAD) engines, 3D positioning technologies and 3D laser scanners – to develop a method for automated retrieval of 3D CAD model objects in 3D laser scanner range images. This approach for automated CAD object retrieval allows for the automated and accurate segmentation of the as-built cloud corresponding to each project 3D CAD object, and it is robust with respect to occlusions. The quality of the output data is such that it is possible to use it to perform automated defect detection for dimensional QA/QC. In this paper, the authors first present the developed approach and demonstrate its efficiency through a simple experiment. Then, the authors discuss in more detail how the retrieval output data can be used to support automated dimensional QA/QC.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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 ».