Deep learning for detecting distresses in buildings and pavements: a critical gap analysis
Notice bibliographique
Résumé
Purpose The massive number of pavements and buildings coupled with the limited inspection resources, both monetary and human, to detect distresses and recommend maintenance actions lead to rapid deterioration, decreased service life, lower level of service and increased community disruption. Therefore, this paper aims at providing a state-of-the-art review of the literature with respect to deep learning techniques for detecting distress in both pavements and buildings; research advancements per asset/structure type; and future recommendations in deep learning applications for distress detection. Design/methodology/approach A critical analysis was conducted on 181 papers of deep learning-based cracks detection. A structured analysis was adopted so that major articles were analyzed according to their focus of study, used methods, findings and limitations. Findings The utilization of deep learning to detect pavement cracks is advanced compared to assess and evaluate the structural health of buildings. There is a need for studies that compare different convolutional neural network models to foster the development of an integrated solution that considers the data collection method. Further research is required to examine the setup, implementation and running costs, frequency of capturing data and deep learning tool. In conclusion, the future of applying deep learning algorithms in lieu of manual inspection for detecting distresses has shown promising results. Practical implications The availability of previous research and the required improvements in the proposed computational tools and models (e.g. artificial intelligence, deep learning, etc.) are triggering researchers and practitioners to enhance the distresses’ inspection process and make better use of their limited resources. Originality/value A critical and structured analysis of deep learning-based crack detection for pavement and buildings is conducted for the first time to enable novice researchers to highlight the knowledge gap in each article, as well as building a knowledge base from the findings of other research to support developing future workable solutions.
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 | 0,010 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».