Scientometric analysis and critical review on the application of deep learning in the construction industry
Notice bibliographique
Résumé
The application of deep learning in construction has attracted increasing attention among researchers in recent years. In this review article, comprehensive scientometric analysis and critical review were performed to analyze the state-of-the-art literature on the application of deep learning in construction. This research used the science mapping method to quantitatively and systematically analyze 423 related bibliographic records retrieved from the Scopus database, and further, a critical review was performed on the collected themes of all the related publications. The results of the critical review indicate that deep convolution neural networks, you only look once, single-shot detectors, recurrent neural networks, residual neural networks, and fast region-based convolution neural networks have been the most widely used deep-learning methods in the construction industry. The most commonly addressed problems in the construction industry using deep-learning methods include classification of construction equipment, worker's safety helmet detection, ergonomics analysis, image enhancement, and feature extraction. This paper provides an in-depth understanding and big-picture overview of the existing literature along with the challenges and future direction of research on deep learning in construction.
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 | 0,086 | 0,317 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,126 | 0,083 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».