Automated multiclass structural damage detection and quantification using augmented reality
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
Civil infrastructure worldwide is ageing and enduring increasingly adverse weather conditions. Traditional structural health monitoring (SHM) involves the expensive and time-consuming installation of contact sensors. For example, inspectors use costly large-scale equipment to reach a certain area of the structure and at different heights to inspect it, which can pose a risk to the inspector's safety. Moreover, the inspectors rely only on the batch data acquired during the inspection period, which are analyzed by engineers at a later time due to the limited availability of a real-time visualization approach for structural inspection within the traditional mode of SHM. To address these timely challenges, an Augmented Reality (AR)-based automated multiclass damage identification and quantification methodology is proposed in this paper. The interactive visualization framework of AR is integrated with the autonomous decision-making of Artificial Intelligence (AI) in a unified fashion to incorporate human-sensor interaction. The proposed system uses an AI model that is trained and optimized using the YOLOv5 architecture to detect and classify four different types of anomalies/damages (i.e., cracks, spalls, pittings, and joints). The AI model is then updated to quantify the length, area, and perimeter of any damage using segmentation to further assess its severity. Once the model is developed, the model is embedded with the AR device and tested through its interactive environment for SHM of various structures. The paper concludes that the proposed approach successfully classifies four types of damage with an accuracy of more than 90% for up to 2 m, and it also quantifies the length, area, and perimeter with less than 2% of error.
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