An Integrated Framework for Image Acquisition, Processing, and Analysis Procedures for Automated Damage Evaluation of Concrete Surfaces
Notice bibliographique
Résumé
Concrete surface cracks serve as early indicators of potential structural threats. Visual inspection, a commonly used and versatile concrete condition assessment technique, is employed to assess concrete degradation by observing signs of damage on the surface level. However, the method tends to be qualitative and needs to be more comprehensive in providing accurate information regarding the extent of damage and its evolution, notwithstanding its time-consuming and environment-sensitive nature. As such, the integration of image analysis techniques with artificial intelligence (AI) has been increasingly proven efficient as a tool to capture damage signs on concrete surfaces. However, to improve the performance of automated crack detection, it is imperative to intensively train a machine learning model, and questions remain regarding the required image quality and image collection methodology needed to ensure the model's accuracy and reliability in damage quantitative analysis. This study aims to establish a procedure for image acquisition and processing through the application of an image-based measurement approach to explore the capabilities of concrete surface damage diagnosis. Digitizing crack intensity measurements were found to be feasible; however, larger datasets are required. Due to the anisotropic behavior of the damage, the model's ability to capture crack directionality was developed, presenting no statistically significant differences between the observed and predicted values used in this study with correlation coefficients of 0.79 and 0.82.
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 | 0,001 | 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 ».