Decentralized operational modal identification using drone-mounted vision system via homography transformation
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
Due to recent advancements in camera and mobile sensing platforms, drone-based structural inspection techniques have gained considerable interest in structural health monitoring. In particular, drone-based techniques provide promising alternatives for contactless and remote inspections for hard-to-reach areas at low cost. Although these drone-assisted image-based inspections have shown significant success for fast, safe, and cost-effective structural assessments, their application in vibration-based structural monitoring is still in the infancy stage. The majority of drone-assisted vibration monitoring remains limited to lab-scale experiments due to the challenges of accurately estimating drone motion in field conditions, with many limited to the extraction of natural frequencies. The primary challenge in estimating mode shapes is capturing phase information from low-amplitude vibration under noisy field conditions. This paper presents a contactless, drone-based vision methodology for decentralized modal identification, where modal parameters are extracted using a drone-mounted camera. Video is recorded in multiple flight sections to capture civil structures in high resolution and is calibrated to correct lens distortion. Fiducial markers on the structure serve as virtual sensors for identifying marker and corner pixel coordinates. Homography transformation is used to determine marker position and orientation in real-world coordinates, followed by egomotion compensation to obtain absolute displacement and acceleration along with modal identification. The proposed method is validated through both laboratory and field experiments, demonstrating its effectiveness in structural modal identification.
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 | 0,000 |
| 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 découle