Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Przegląd Elektrotechniczny

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Crack characterisation in buildings utilizing deep learning techniques

Jerushan J., Jebadurai S. Vincent Sam, Staines J. Noble, Subin S. R., Ebenezer V., Ebenezer Shamila, Hemalatha G.

Przegląd Elektrotechniczny

2025

R. 101, nr 2

137--143

A significant field of research is the use of deep learning algorithms to detect and characterize cracks in structures. Building cracks may cause catastrophic structural collapses that endanger people's lives and property. This issue can be helped by deep learning algorithms, which allow for the very accurate identification and categorization of various crack forms. The present study uses a data set of 5000 photos to examine how image pre-processing affects the effectiveness of Deep Learning crack detection. The outcomes demonstrated that the CNN model's ability to identify cracks in concrete buildings is unaffected by the use of a pretrained model with RGB weights. Pretrained VGG16 and the Keras Python library are used to create a CNN model. The SciKit Image Python package was employed to divide the original picture data set into five comparison sets. The created model performed better than 98% in terms of accuracy and F1 values.

Istotnym obszarem badań jest wykorzystanie algorytmów głębokiego uczenia do wykrywania i charakteryzowania pęknięć w konstrukcjach. Pęknięcia w budynkach mogą powodować katastrofalne zawalenia konstrukcyjne, które zagrażają życiu i mieniu ludzi. Problem ten można rozwiązać za pomocą algorytmów głębokiego uczenia, które umożliwiają bardzo dokładną identyfikację i kategoryzację różnych form pęknięć. W tym badaniu wykorzystano zestaw danych 5000 zdjęć, aby zbadać, w jaki sposób wstępne przetwarzanie obrazu wpływa na skuteczność wykrywania pęknięć metodą głębokiego uczenia. Wyniki wykazały, że zdolność modelu CNN do identyfikowania pęknięć w betonowych budynkach nie jest naruszona przez użycie wstępnie wytrenowanego modelu z wagami RGB. Wstępnie wytrenowany VGG16 i biblioteka Keras Python są używane do tworzenia modelu CNN. Pakiet SciKit Image Python został użyty do podzielenia oryginalnego zestawu danych obrazu na pięć zestawów porównawczych. Utworzony model uzyskał wyniki lepsze niż 98% pod względem dokładności i wartości F1.

Integrating scan data to enhance BIM: An overview of techniques, mapping strategies and buildinglLife-cycle applications

Jerushan, Enoch Kevin, Jebadurai S. Vincent Sam, Hemalatha G., Arunraj E., Ringle Raja S., Nirmala T., Brindha D.

Przegląd Elektrotechniczny

2024

R. 100, nr 10

93--100

In the fields of AEC (Architecture, Engineering and Construction), BIM (Building Information Modeling) is developing quickly. Integrating point clouds from 3-D laser scanners with BIM is a potent solution with a range of applications across the building life cycle. This is due to LiDAR technology, which has become a significant component in BIM, obtaining 3D point clouds – a geometric representation of 3D models that is semantically rich. It is essential to understand the current status of 3-D laser scanning and BIM applications as well as their integrated tactics. In this review paper, the first section of the study summarizes the different approaches on Scan to BIM technique. Then, a detailed explanation of the various methods of mapping the scanned data with BIM is given. Proceeded by summarizing the various applications throughout the building life cycle.

W obszarach AEC (architektura, inżynieria i budownictwo) szybko rozwija się BIM (modelowanie informacji o budynku). Integracja chmur punktów ze skanerów laserowych 3D z BIM to skuteczne rozwiązanie z szeregiem zastosowań w całym cyklu życia budynku. Dzieje się tak dzięki technologii LiDAR, która stała się istotnym elementem BIM, uzyskując chmury punktów 3D – bogatą semantycznie geometryczną reprezentację modeli 3D. Niezbędne jest zrozumienie obecnego stanu zastosowań skanowania laserowego 3D i BIM, a także ich zintegrowanej taktyki. W tym artykule przeglądowym pierwsza część badania podsumowuje różne podejścia do techniki skanowania do BIM. Następnie podano szczegółowe wyjaśnienie różnych metod mapowania zeskanowanych danych za pomocą BIM. Następnie podsumowano różne zastosowania w całym cyklu życia budynku.