A New Method for Change Detection in Stone and Concrete Structures with Digital Photogrammetry
Notice bibliographique
Résumé
Point clouds, generated by Photogrammetry and LiDAR, allow us to detect far more complex deformation processes, with greater speed and accuracy, than previous surveying techniques. The accuracy of any monitoring is determined, in part, by the method used to align the two epochs in the same space. Surveying equipment can be used to stake-out ground control points visible in either the laser scan or the photogrammetry and so provide absolute positioning for each epoch. As an alternative, 3D shape-matching algorithms like RANSAC and Iterative Closest Point (ICP) can be used downstream to align the two epochs based only on the invariant features visible in the dense clouds. Shape-matching is, however, limited in accuracy because a) operator proficiency in guiding the algorithms leaves room for error, and b) the point clouds used for alignment are usually insufficiently dense to guarantee sub-centimeter change detection. Proposed is a new method of alignment between monitoring epochs for photogrammetry. Photogrammetry has the ability to match features between images down to the accuracy of 0.15 pixels, and provides us with a robust statistical model to predict both accuracy and error. Using invariant features in photographs shared between monitoring epochs, we can use the algorithms of Normalized Cross Correlation and Least-Squares Matching to very accurately "pin" one monitoring epoch to another. In a series of simple experiments we demonstrate that sub-centimeter change detection is easily accomplished on highly textured surfaces such as stone and concrete. This has applications in Archaeology, Architecture, and Civil Engineering surveys.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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) | 0,002 | 0,001 |
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 ».