Automatic identification method of bridge structure damage area based on digital image
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
It is of great scientific and practical value to use effective technical means to monitor and warn the structural damage of bridges in real time and for a long time. Traditional image recognition network models are often limited by the lack of on-site images. In order to solve the problem of automatic recognition and parameter acquisition in digital images of bridge structures in the absence of data information, this paper proposes an automatic identification method for bridge structure damage areas based on digital images, which effectively achieves contour carving and quantitative characterization of bridge structure damage areas. Firstly, the digital image features of the bridge structure damage area are defined. By making full use of the feature that the pixel value of the damaged area is obviously different from that of the surrounding image, an image pre-processing method of the structure damaged area that can effectively improve the quality of the field shot image is proposed. Then, an improved Ostu method is proposed to organically fuse the global and local threshold features of the image to achieve the damaged area contour carving of the bridge structure surface image. The scale of damage area, the proportion of damage area and the calculation rule of damage area orientation are constructed. The key inspection and characteristic parameter diagnosis of bridge structure damage area are realized. Finally, test and analysis are carried out in combination with an actual project case. The results show that the method proposed in this paper is feasible and stable, which can improve the damage area measurement accuracy of the current bridge structure. The method can provide more data support for the detection and maintenance of the bridge structure.
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 | 0,001 | 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