Automated Hailpad Dent Detection and Segmentation Using Machine Learning
Notice bibliographique
Résumé
Hailpads are a widely used method for recording hailstone impact data by capturing indentations made by hailstones during hailstorms. As a simple and low-cost approach, hailpads are often deployed in vast networks to collect spatially-distributed data. However, the subsequent process of analyzing these indentations is often long and intensive (taking up to several hours for a single hailpad), and subjective. This research presents a novel, automated approach to identify the major/minor axes and depth distributions of hailpad dents via an image processing and machine learning pipeline, aimed at reducing the time and effort required to analyze the constituent dents of a hailpad. Using high-precision 3D scans, hailpads are depth mapped and then binarized based on user-prescribed adaptive thresholding, contrast equalization, and area filtering parameters. Next, the resulting binary masks are used as input to a convolutional neural network (CNN), which separates dents in clustered and non-clustered regions via instance segmentation. Built on a training dataset of simulated hailpad binary masks, the model was evaluated with a 93.0% Intersection over Union (IoU) score on predicted dent masks. In further comparisons against manual analyses and third-party commercial 3D scan assessments, the model excels in identifying individual impacts from within densely grouped regions. However, the overall prediction distributions are hindered to varying degrees by the influence of false positives in dent detection from non-hail artifacts in the input binary masks. Overall, this automated approach demonstrates the potential to considerably expedite hailstone dent identification and lays the groundwork for extracting more physical properties in the future, such as approximations for volume, impact velocity, and accumulated impact energy.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».