Image-Based Retrieval of Concrete Crack Properties
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
Purpose This paper presents a new method to retrieve concrete crack properties based on image processing techniques. Method Detection and quantification of cracks in concrete bridges pose various challenges. Cracks have fewer pixels compared to their background. For effective visualization, the objects need to be captured from near field. But it is not always possible to capture the complete cracked surface in a single frame while taking the image from near field. Hence image stitching is required before pre-processing of images for further analysis. Usually retrieved images have low contrast due to environmental and equipment limitations which add another difficulty in image visualization. State-ofthe-art image pre-processing as suggested in the literature may not be suitable for images captured in different environmental conditions. This paper discusses various techniques for image enhancement using point processing, histogram equalization and mask processing. Furthermore, a binary image is required to obtain a skeleton of an object. However, the pre-processing techniques cause discontinuity in crack alignment. Morphological techniques (e.g. dilation) are used in this work through successive iteration to ensure connectivity. Then the object skeleton which is unaffected by expanded boundaries is obtained by using skeleton algorithm to retrieve concrete crack properties such as length, bounding rectangle, and major and minor principal axes lengths. Results & Discussion The preliminary results obtained using this methodology is capable of retrieving length, orientation and bounding box of the identified cracks. This method is aimed at assisting in obtaining automated prediction of condition state (CS) rating of cracks in bridges. It can be also used as a tool for post-earthquake damage evaluation purposes.
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 | 0,000 |
| 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