The Practicality of Quality Assessment Metrics for Millimetre‐Scale Digital Image Correlation Speckle Patterns
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
ABSTRACT Digital image correlation (DIC), often used in multidisciplinary applications by nonexperts, relies heavily on the quality of a speckle pattern for accurate deformation tracking. Numerous metrics have been developed to assess speckle pattern quality and guide decision‐making in DIC postprocessing. This investigation considered the applicability of these metrics in the selection of an optimal speckling method for two‐dimensional DIC strain measurements, using the standard Brazilian tensile strength rock mechanics laboratory test as a case study. Four speckle patterning methods—spray paint, airbrush, stamp and laser engraving—were optimized to produce patterns of good visual quality for this specific DIC setup. Twenty specimens, five for each method, were prepared, and their speckle patterns were analysed using 10 published metrics. Each pattern was also deformed numerically to quantify the associated systematic and random errors. Overall, none of the 10 metrics demonstrated substantial agreement with the numerical experiment errors due to their failure to account for the confounding influence of pattern characteristics. Consequently, these tools are limited in their usefulness to evaluate the accuracy and reproducibility of speckle patterns with similar characteristics. Numerical simulation of pattern deformation is recommended as the most accurate resource for nonexpert DIC users to assess reproducibility and select optimal patterning methods in practical applications.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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