論文の概要: Data-Driven Assessment of Concrete Slab Integrity via Impact-Echo Signals and Neural Networks
- arxiv url: http://arxiv.org/abs/2511.21080v1
- Date: Wed, 26 Nov 2025 05:49:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-27 18:37:58.981013
- Title: Data-Driven Assessment of Concrete Slab Integrity via Impact-Echo Signals and Neural Networks
- Title（参考訳）: 衝撃エコー信号とニューラルネットワークによるコンクリートスラブ一体性の評価
- Authors: Yeswanth Ravichandran, Duoduo Liao, Charan Teja Kurakula,
- Abstract要約: 剥離, ヴォイド, ハニカムなどの地下欠陥は, コンクリート製橋脚の耐久性に重大な影響を及ぼす。
本稿では, 欠陥局所化と共通コンクリート欠陥の多クラス分類の両方を自動化する機械学習ベースのImpact Echo(IE)フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Subsurface defects such as delamination, voids, and honeycombing critically affect the durability of concrete bridge decks but are difficult to detect reliably using visual inspection or manual sounding. This paper presents a machine learning based Impact Echo (IE) framework that automates both defect localization and multi-class classification of common concrete defects. Raw IE signals from Federal Highway Administration (FHWA) laboratory slabs and in-service bridge decks are transformed via Fast Fourier Transform (FFT) into dominant peak-frequency features and interpolated into spatial maps for defect zone visualization. Unsupervised k-means clustering highlights low-frequency, defect-prone regions, while Ground Truth Masks (GTMs) derived from seeded lab defects are used to validate spatial accuracy and generate high-confidence training labels. From these validated regions, spatially ordered peak-frequency sequences are constructed and fed into a stacked Long Short-Term Memory (LSTM) network that classifies four defect types shallow delamination, deep delamination, voids, and honeycombing with 73% overall accuracy. Field validation on the bridge deck demonstrates that models trained on laboratory data generalize under realistic coupling, noise, and environmental variability. The proposed framework enhances the objectivity, scalability, and repeatability of Non-Destructive Evaluation (NDE), supporting intelligent, data-driven bridge health monitoring at a network scale.
- Abstract（参考訳）: 剥離, 空隙, ハニカムなどの地下欠陥はコンクリートの橋脚の耐久性に重大な影響を及ぼすが, 視覚検査や手動音による確実な検出は困難である。
本稿では, 欠陥局所化と共通コンクリート欠陥の多クラス分類の両方を自動化する機械学習ベースのImpact Echo(IE)フレームワークを提案する。
FHWA(Federal Highway Administration)研究所のスラブとインサービス橋のデッキからの生のIE信号は、Fast Fourier Transform (FFT)を介してピーク周波数の特徴に変換され、欠陥ゾーンの可視化のための空間マップに補間される。
教師なしk-平均クラスタリングは、低周波で欠陥が発生しやすい領域を強調し、シードされた研究室欠陥から派生したGTMは、空間的精度を検証し、高信頼のトレーニングラベルを生成する。
これらの検証された領域から、空間的に順序付けられたピーク周波数シーケンスが構築され、全体の73%の精度で4つの欠陥型浅層剥離、深層剥離、空隙化、ハニカム化を分類する長短期記憶(LSTM)ネットワークに供給される。
ブリッジデッキ上のフィールド検証は、実験室のデータに基づいて訓練されたモデルが現実的な結合、ノイズ、環境変動の下で一般化されることを実証する。
提案フレームワークは,非破壊評価(NDE)の客観性,スケーラビリティ,再現性を向上し,インテリジェントでデータ駆動型ブリッジヘルスモニタリングをネットワーク規模でサポートする。
関連論文リスト
- Saliency-Guided Deep Learning for Bridge Defect Detection in Drone Imagery [4.7846041866823965]
本稿では, ドローン画像を用いたコンクリート橋梁構造物の欠陥の自動検出, 局所化, 分類を行う手法を提案する。
第1段階では、欠陥が通常の表面パターンに局所的な不連続性を示すような欠陥領域の提案に、塩分濃度を用いる。
第2段階はYOLOXをベースとした深層学習検出器を用いており、有界レベル輝度を正極欠陥領域に印加することによって得られる塩分濃度強調画像で動作する。
論文 参考訳（メタデータ） (2025-11-18T01:44:31Z) - Isolation-based Spherical Ensemble Representations for Anomaly Detection [60.989157958972356]
不正検出、ネットワークセキュリティ、ログ監視を対象とするアプリケーションによるデータマイニングと管理において、異常検出は重要なタスクである。
既存の教師なし異常検出手法は、分散仮定の矛盾、計算の非効率性、異なる異常型を扱う難しさなど、基本的な課題に直面している。
Isolation-based Spherical Ensemble Representations (ISER) は, 局所密度特性のプロキシとしてハイパースフィアラジイを用いて, 線形時間と定数空間の複雑さを保ちながら, 既存の分離法を拡張したものである。
論文 参考訳（メタデータ） (2025-10-15T09:00:05Z) - A Multimodal Fusion Framework for Bridge Defect Detection with Cross-Verification [0.0]
本稿では,橋梁欠陥の検出と解析のための多モード融合フレームワークを提案する。
非破壊的評価(NDE)技術と高度な画像処理を統合し、正確な構造評価を可能にする。
論文 参考訳（メタデータ） (2024-12-23T20:33:34Z) - Adaptive Signal Analysis for Automated Subsurface Defect Detection Using Impact Echo in Concrete Slabs [0.0]
本研究は,コンクリートスラブの地下欠陥発生領域を検出するための,新しい,自動化された,スケーラブルな手法を提案する。
このアプローチは、高度な信号処理、クラスタリング、および視覚分析を統合して、地下の異常を識別する。
結果は方法論の堅牢性を示し、最小限の偽陽性とほとんど欠陥のない欠陥発生領域を一貫して同定した。
論文 参考訳（メタデータ） (2024-12-23T20:05:53Z) - Evaluating ML Robustness in GNSS Interference Classification, Characterization & Localization [42.14439854721613]
ジャミング装置はグローバルナビゲーション衛星システム(GNSS)からの信号を妨害する
本稿では、低周波アンテナから得られたスナップショットからなる広範囲なデータセットを提案する。
本研究の目的は,機械学習モデル(ML)の環境変化に対するレジリエンスを評価することである。
論文 参考訳（メタデータ） (2024-09-23T15:20:33Z) - SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。
本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
論文 参考訳（メタデータ） (2024-07-23T20:34:23Z) - GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。
本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。
提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
論文 参考訳（メタデータ） (2024-07-17T09:27:41Z) - You Only Train Once: A Unified Framework for Both Full-Reference and No-Reference Image Quality Assessment [45.62136459502005]
本稿では,完全な参照 (FR) と非参照 (NR) IQA を行うネットワークを提案する。
まず、入力画像から多レベル特徴を抽出するためにエンコーダを用いる。
FRおよびNR入力のユニバーサルアダプタとして階層的注意(HA)モジュールを提案する。
エンコーダの浅い層と深い層との間の特徴相関を調べるために, セマンティック・ディストーション・アウェア (SDA) モジュールを提案する。
論文 参考訳（メタデータ） (2023-10-14T11:03:04Z) - CINFormer: Transformer network with multi-stage CNN feature injection
for surface defect segmentation [73.02218479926469]
表面欠陥分割のための多段CNN特徴注入を用いた変圧器ネットワークを提案する。
CINFormerは、入力画像のマルチレベルCNN機能をエンコーダ内のトランスフォーマーネットワークの異なるステージに注入する、シンプルだが効果的な機能統合機構を提供する。
さらに、CINFormerはTop-Kセルフアテンションモジュールを提供し、欠陥に関するより重要な情報を持つトークンにフォーカスする。
論文 参考訳（メタデータ） (2023-09-22T06:12:02Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。