Evaluation of Vision-Based Measurements for Shake-Table Testing of Nonstructural Components
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
During an earthquake, freestanding equipment and contents in a building may experience large complex 3D motion. Depending on the geometry, mass distribution, and support mechanism (e.g., wheels, casters, legs) of the object, this motion may include rolling, sliding, twisting, and rocking—potentially resulting in overturning or impact with building occupants, neighboring walls or other objects. Measuring this complex motion by traditional, contact-type displacement sensors is challenging. Owing to recent advances in video capture sensors and image processing techniques, vision-based motion tracking and measurement have been introduced as a practical, economical, and fairly accurate measuring method. This paper presents a procedure utilized to evaluate the accuracy of a consumer-grade camera for the purpose of measuring the motion of a piece of medical equipment during shake-table testing. The fixed-focal length camera considered in this study can capture video recordings with different resolution and frame rates. During experimental testing, the camera is positioned at a distance from the target (as it would be in a real application) to track the motion of four LED lights attached to the shake table. The capabilities of the camera are evaluated using as input a signal with varying frequency and amplitude. A wavelet approach is proposed and utilized in order to synchronize the vision-based displacement measurement with the output of the displacement transducer installed on the shake table, to be later used in accuracy assessments. Absolute and relative error curves are presented to evaluate the errors in the frequency range of interest for the actual experiments. Finally, contour plots are proposed that specify the displacement, velocity, and acceleration accuracy of vision-based measurements, which can be used in future applications.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 découle