Hammering Test for Tile Wall Using Deep Learning
Notice bibliographique
Résumé
Economic activities heavily rely on social infrastructure, such as bridges, tunnels, public structures, and buildings. In Japan, regular inspections are mandated by law to ensure these assets remain functional. This kind of requirement is rare worldwide. Similar regulations exist only in major cities in the United States and Canada. These inspections often focus on detecting issues that are not visible to the naked eye, such as cavities within concrete walls. The most widely used method for such inspections is the hammering test, in which inspectors analyze the sound variations produced when a hammer strikes a surface. By interpreting these auditory changes, they can assess the structural integrity and identify hidden defects within a structure. While effective, the accuracy of this method strongly depends on the inspector’s sensory perception, which varies with individual experience and skill. Furthermore, because the test is conducted manually, it is time-consuming, especially for large-scale structures. The most critical problem is the shortage of skilled inspectors due to retirement. It is difficult to meet the demand for inspections. To solve this problem, this paper proposes an AI-based hammering test system that analyzes and evaluates structural health by detecting abnormal sounds during inspections. This system allows even less-experienced workers to accurately identify defective areas. The focus of this study is on the application of AI-driven sound analysis for inspecting adhesive-applied tile walls, a common feature in modern apartment buildings. By integrating AI technology, this approach promises to improve the consistency and quality of inspections, reduce reliance on human expertise, and significantly enhance the overall efficiency of the inspection process.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».