A multiclassifier convolutional neural network to identify defect type and severity in roofing elements
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
Purpose Roofing is highly susceptible to environmental damage from elements like wind, snow and rain. Regular inspection and maintenance are essential to extend a roof’s lifespan. This study aims to develop an automated system that detects and classifies roofing damage types and their severity using image-based analysis, helping asset managers prioritize repairs and allocate maintenance resources more effectively. Design/methodology/approach This study uses Convolutional Neural Networks (CNNs) for image-based damage detection and classification. Over 3,000 images of roofing segments (1.5 × 1.12 m) from institutional buildings were used for training and testing. The model first identifies damage type – no damage, vegetation or ponding – then classifies vegetation damage severity into low, moderate or severe. Findings The developed CNN model achieved over 94% accuracy in both damage type and severity classification. The results demonstrate the model’s effectiveness in analyzing roofing defects. Research limitations/implications Future enhancements include expanding the system to detect additional defect types like cracks and flashing defects, offering a scalable solution for systematic roof condition assessment and maintenance planning. Originality/value Unlike traditional manual inspections, this approach uses computer vision techniques to offer a scalable, data-driven framework that identifies damage types and quantifies severity levels. This makes roofing inspections more efficient, consistent and safer.
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