Conference
Προβολή σε EDS

Глубокое обучение для обнаружения дефектов в гражданском строительстве на основе данных дистанционного зондирования высокого разрешения

Λεπτομέρειες βιβλιογραφικής εγγραφής
Τίτλος: Глубокое обучение для обнаружения дефектов в гражданском строительстве на основе данных дистанционного зондирования высокого разрешения
Συγγραφείς: Xiao, Shuoting, Fomin, N., Zhang, Yuwen, Ji, Zheng, Meng, Tianxin
Στοιχεία εκδότη: Издательский дом «Ажур», 2023.
Έτος έκδοσης: 2023
Θεματικοί όροι: MARKOV RANDOM FIELD, STRUCTURAL DEFECTS, DEEP LEARNING, МАРКОВСКОЕ СЛУЧАЙНОЕ ПОЛЕ, СТРУКТУРНЫЕ ДЕФЕКТЫ, SATELLITE IMAGERY, ДИСТАНЦИОННОЕ ЗОНДИРОВАНИЕ, DEFECT DETECTION, ВЫЯВЛЕНИЕ ДЕФЕКТОВ, ГЛУБОКОЕ ОБУЧЕНИЕ, СПУТНИКОВЫЕ ИЗОБРАЖЕНИЯ, REMOTE SENSING
Περιγραφή: Определение структурных дефектов в инфраструктуре и зданиях с помощью спутниковых изображений высокого разрешения по-прежнему остается ключевой задачей для обслуживания, планирования и оценки безопасности в городских условиях. В этой статье представлена новая глубокая обучающая модель, специально разработанная для выявления структурных дефектов с использованием данных дистанционного зондирования высокого разрешения. Основой этого подхода является метод обучения с учителем, который использует всеобъемлющий учебный набор данных для выявления тонкостей различных структурных дефектов. Последующий этап постобработки с использованием модели марковского случайного поля (МСП) обеспечивает назначение оптимальных меток, позволяя более точно различать дефектные и недефектные регионы на наблюдаемых сценах. Количественные оценки и экспериментальные результаты подчеркивают эффективность и потенциал этого метода в области выявления структурных дефектов.
The detection of structural defects in infrastructure and buildings via high-resolution satellite imagery remains a pivotal challenge for maintenance, planning, and safety evaluations in urban contexts. This paper presents a novel deep learning framework specifically tailored for the identification of structural defects using high-resolution remote sensing data. Central to this approach is a supervised learning method that employs a comprehensive training dataset to discern the intricacies of various structural defects. A subsequent post-processing step utilizing a Markov Random Field (MRF) model ensures the assignment of optimal labels, allowing for a more accurate differentiation between defect and non-deffect regions in the observed scenes. Quantitative evaluations and experimental results highlight the effectiveness and potential of this method in the realm of structural defect detection.
Τύπος εγγράφου: Conference object
Περιγραφή αρχείου: application/pdf
Γλώσσα: Russian
Σύνδεσμος πρόσβασης: http://elar.urfu.ru/handle/10995/128555
Αριθμός Καταχώρησης: edsair.od.......917..ec40e2089c0d3fa333a1ed794b076a9a
Βάση Δεδομένων: OpenAIRE
FullText Text:
  Availability: 0
Header DbId: edsair
DbLabel: OpenAIRE
An: edsair.od.......917..ec40e2089c0d3fa333a1ed794b076a9a
RelevancyScore: 921
AccessLevel: 3
PubType: Conference
PubTypeId: conference
PreciseRelevancyScore: 920.5576171875
IllustrationInfo
Items – Name: Title
  Label: Title
  Group: Ti
  Data: Глубокое обучение для обнаружения дефектов в гражданском строительстве на основе данных дистанционного зондирования высокого разрешения
– Name: Author
  Label: Authors
  Group: Au
  Data: <searchLink fieldCode="AR" term="%22Xiao%2C+Shuoting%22">Xiao, Shuoting</searchLink><br /><searchLink fieldCode="AR" term="%22Fomin%2C+N%2E%22">Fomin, N.</searchLink><br /><searchLink fieldCode="AR" term="%22Zhang%2C+Yuwen%22">Zhang, Yuwen</searchLink><br /><searchLink fieldCode="AR" term="%22Ji%2C+Zheng%22">Ji, Zheng</searchLink><br /><searchLink fieldCode="AR" term="%22Meng%2C+Tianxin%22">Meng, Tianxin</searchLink>
– Name: Publisher
  Label: Publisher Information
  Group: PubInfo
  Data: Издательский дом «Ажур», 2023.
– Name: DatePubCY
  Label: Publication Year
  Group: Date
  Data: 2023
– Name: Subject
  Label: Subject Terms
  Group: Su
  Data: <searchLink fieldCode="DE" term="%22MARKOV+RANDOM+FIELD%22">MARKOV RANDOM FIELD</searchLink><br /><searchLink fieldCode="DE" term="%22STRUCTURAL+DEFECTS%22">STRUCTURAL DEFECTS</searchLink><br /><searchLink fieldCode="DE" term="%22DEEP+LEARNING%22">DEEP LEARNING</searchLink><br /><searchLink fieldCode="DE" term="%22МАРКОВСКОЕ+СЛУЧАЙНОЕ+ПОЛЕ%22">МАРКОВСКОЕ СЛУЧАЙНОЕ ПОЛЕ</searchLink><br /><searchLink fieldCode="DE" term="%22СТРУКТУРНЫЕ+ДЕФЕКТЫ%22">СТРУКТУРНЫЕ ДЕФЕКТЫ</searchLink><br /><searchLink fieldCode="DE" term="%22SATELLITE+IMAGERY%22">SATELLITE IMAGERY</searchLink><br /><searchLink fieldCode="DE" term="%22ДИСТАНЦИОННОЕ+ЗОНДИРОВАНИЕ%22">ДИСТАНЦИОННОЕ ЗОНДИРОВАНИЕ</searchLink><br /><searchLink fieldCode="DE" term="%22DEFECT+DETECTION%22">DEFECT DETECTION</searchLink><br /><searchLink fieldCode="DE" term="%22ВЫЯВЛЕНИЕ+ДЕФЕКТОВ%22">ВЫЯВЛЕНИЕ ДЕФЕКТОВ</searchLink><br /><searchLink fieldCode="DE" term="%22ГЛУБОКОЕ+ОБУЧЕНИЕ%22">ГЛУБОКОЕ ОБУЧЕНИЕ</searchLink><br /><searchLink fieldCode="DE" term="%22СПУТНИКОВЫЕ+ИЗОБРАЖЕНИЯ%22">СПУТНИКОВЫЕ ИЗОБРАЖЕНИЯ</searchLink><br /><searchLink fieldCode="DE" term="%22REMOTE+SENSING%22">REMOTE SENSING</searchLink>
– Name: Abstract
  Label: Description
  Group: Ab
  Data: Определение структурных дефектов в инфраструктуре и зданиях с помощью спутниковых изображений высокого разрешения по-прежнему остается ключевой задачей для обслуживания, планирования и оценки безопасности в городских условиях. В этой статье представлена новая глубокая обучающая модель, специально разработанная для выявления структурных дефектов с использованием данных дистанционного зондирования высокого разрешения. Основой этого подхода является метод обучения с учителем, который использует всеобъемлющий учебный набор данных для выявления тонкостей различных структурных дефектов. Последующий этап постобработки с использованием модели марковского случайного поля (МСП) обеспечивает назначение оптимальных меток, позволяя более точно различать дефектные и недефектные регионы на наблюдаемых сценах. Количественные оценки и экспериментальные результаты подчеркивают эффективность и потенциал этого метода в области выявления структурных дефектов.<br />The detection of structural defects in infrastructure and buildings via high-resolution satellite imagery remains a pivotal challenge for maintenance, planning, and safety evaluations in urban contexts. This paper presents a novel deep learning framework specifically tailored for the identification of structural defects using high-resolution remote sensing data. Central to this approach is a supervised learning method that employs a comprehensive training dataset to discern the intricacies of various structural defects. A subsequent post-processing step utilizing a Markov Random Field (MRF) model ensures the assignment of optimal labels, allowing for a more accurate differentiation between defect and non-deffect regions in the observed scenes. Quantitative evaluations and experimental results highlight the effectiveness and potential of this method in the realm of structural defect detection.
– Name: TypeDocument
  Label: Document Type
  Group: TypDoc
  Data: Conference object
– Name: Format
  Label: File Description
  Group: SrcInfo
  Data: application/pdf
– Name: Language
  Label: Language
  Group: Lang
  Data: Russian
– Name: URL
  Label: Access URL
  Group: URL
  Data: <link linkTarget="URL" linkTerm="http://elar.urfu.ru/handle/10995/128555" linkWindow="_blank">http://elar.urfu.ru/handle/10995/128555</link>
– Name: AN
  Label: Accession Number
  Group: ID
  Data: edsair.od.......917..ec40e2089c0d3fa333a1ed794b076a9a
PLink https://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsair&AN=edsair.od.......917..ec40e2089c0d3fa333a1ed794b076a9a
RecordInfo BibRecord:
  BibEntity:
    Languages:
      – Text: Russian
    Subjects:
      – SubjectFull: MARKOV RANDOM FIELD
        Type: general
      – SubjectFull: STRUCTURAL DEFECTS
        Type: general
      – SubjectFull: DEEP LEARNING
        Type: general
      – SubjectFull: МАРКОВСКОЕ СЛУЧАЙНОЕ ПОЛЕ
        Type: general
      – SubjectFull: СТРУКТУРНЫЕ ДЕФЕКТЫ
        Type: general
      – SubjectFull: SATELLITE IMAGERY
        Type: general
      – SubjectFull: ДИСТАНЦИОННОЕ ЗОНДИРОВАНИЕ
        Type: general
      – SubjectFull: DEFECT DETECTION
        Type: general
      – SubjectFull: ВЫЯВЛЕНИЕ ДЕФЕКТОВ
        Type: general
      – SubjectFull: ГЛУБОКОЕ ОБУЧЕНИЕ
        Type: general
      – SubjectFull: СПУТНИКОВЫЕ ИЗОБРАЖЕНИЯ
        Type: general
      – SubjectFull: REMOTE SENSING
        Type: general
    Titles:
      – TitleFull: Глубокое обучение для обнаружения дефектов в гражданском строительстве на основе данных дистанционного зондирования высокого разрешения
        Type: main
  BibRelationships:
    HasContributorRelationships:
      – PersonEntity:
          Name:
            NameFull: Xiao, Shuoting
      – PersonEntity:
          Name:
            NameFull: Fomin, N.
      – PersonEntity:
          Name:
            NameFull: Zhang, Yuwen
      – PersonEntity:
          Name:
            NameFull: Ji, Zheng
      – PersonEntity:
          Name:
            NameFull: Meng, Tianxin
    IsPartOfRelationships:
      – BibEntity:
          Dates:
            – D: 25
              M: 12
              Type: published
              Y: 2023
          Identifiers:
            – Type: issn-locals
              Value: edsair
ResultId 1