Automated volumetric damage detection and quantification using region-based convolution neural networks and an inexpensive depth camera
Notice bibliographique
Résumé
Structural health monitoring has become an outstanding tool to perform structural condition assessments, once performed solely by trained experts. In this study, a methodology utilizing an inexpensive depth sensor to detect and quantify volumetric damages within concrete surfaces is proposed. To allow automatic damage detection, a Faster Region-based Convolutional Neural Network (Faster R-CNN)-based method is implemented. A database of 444 images with resolution of 853×1440 pixels annotated for concrete spalling is developed. The network is modified, trained and validated using the proposed database. Damage quantification is automatically performed using the depth data output by the sensor. The surface of the analyzed element is extracted by merging the bounding boxes output by the Faster R-CNN onto the depth map. A polystyrene test rig containing damage simulations of known volume was utilized to test the accuracy of volume calculation. In addition to that, a concrete beam was also used to test the entire system. The Faster R-CNN yielded an average precision (AP) of 77.97% for damage detection. Damage quantification routine presents error of 9.45% in volume quantification of samples located within 100 cm and 250 cm away from the sensor plane. On top of that, maximum depth measurements of damages show a mean precision error (MPE) of 3.24% considering the same distance range. The implemented method allows for damage segmentation and quantification regardless of the distance between the sensor and the analyzed element.
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 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 | 0,000 | 0,000 |
| 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».