Transfer Learning Enabled Process Recognition for Module Installation of High-rise Modular Buildings
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
High-rise modular buildings (HMB), based on the advanced approach of modular construction, have gained momentum in practice due to their offered benefits in accelerated construction, improved quality, reduced health and safety risks, and enhanced productivity. Modular construction with standard design of modules and repetitive processes of module installation is in favor of the development of construction automation. As module installation is one of the critical activities in the delivery of HMBs, it is important to recognize the module installation process automatically so as to facilitate automation in modular construction. However, there is no detailed phase-division of module installation process. Also, little research has been carried out on intelligent process recognition for module installation due to the limited amount of images of real-life projects. To fill in the knowledge gaps, this paper aims to build a transfer learning enabled process recognition model using convolutional neural network (CNN) for module installation of HMBs. The study first divided the module installation process into three stages: hooking, lifting and positioning, with a comprehensive literature review. Then the recognition model for module installation process was created and trained with the adoption of CNN-based transfer learning, and verified with images taken from real-life projects. The results show that the three stages of module installation process are effectively recognized with the proposed model. The transfer learning enabled image recognition model for module installation process accelerates automation in the construction of HMBs for enhanced productivity and accuracy.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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