A Deep Learning- Image Based Approach for Detecting Cracks in Buildings
Notice bibliographique
Résumé
Buildings expand and contract in response to their environment, which results in cracks in the structure. This can pose a serious threat to the people who use it, and these movements are frequently too small to be observed, and thus go unnoticed. Cracks can be caused by a variety of factors, including defects in the construction process, ground movement, foundation failure, and decay of the building fabric. If a structure is unable to accommodate this movement, cracking is likely to occur, posing a serious risk to the building's structural integrity. Only after cracks are identified can they be treated, and existing manual methods of sketching the crack patterns are highly subjective to the person performing the analysis, are frequently constrained by high costs, equipment and tool availability, and are extremely time consuming. In this paper, 40,000 images divided into two and categorized into positive and negative cracks are used as input and the presence of cracks is detected using a deep learning technique. The following crack types are included in the experimentation: hairline, stepped, vertical, and horizontal. In comparison to conventional image processing and other deep learning-based techniques, the proposed Convolutional Neural Network (CNN) achieves significantly higher accuracy than the Recurrent Neural Network (RNN). This paper’s objective is to create a model which can detect the cracks through deep learning methodology, and this will be the innovative region in crack detection using neural net framework.
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 | 0,000 | 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 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 ».