Using image analysis to quantify defects and prioritize repairs in built-up roofs
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 aims to use convolutional neural networks (CNNs) to provide an objective approach to classify deteriorated building assets according to the type and extent of damage. This research supports automated inspection of buildings and focuses on roofing elements as one of the most critical and externally distressed elements in buildings. Design/methodology/approach In this paper, 5,000+ images of deteriorated roofs from several buildings were collected to design a CNN system that automatically identifies and sizes roofing defects. Experimenting with different CNN formulations, the best accuracy is achieved using two-stage CNNs. The first-stage CNN classifies images into defect/no defect, while the second stage classifies the defected images according to the damage type. Based on the image classification, optimization is used to prioritize roof repairs by maximizing the return from limited rehabilitation funds. Findings The developed CNNs reached 95% and 97% accuracy for the first and second phases, respectively, which is higher than achieved in previous literature efforts. Using the proposed model to automate inspection and condition assessment activities proved to be faster than conventional methods. Repair/replace strategy for a case study of 21 campus buildings based on their condition and budgetary constraints was suggested. Research limitations/implications Future research includes testing different data acquisition technologies (e.g. infrared imaging), performing severity-based classification and integrating with BIM for defect localization. Originality/value This study provides an objective approach to automate asset condition assessment and improve funding decisions using a combination of image analysis and optimization techniques. The proposed approach is applicable toward other asset types and components.
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 | 0,001 |
| 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