Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Potenciar los gemelos digitales puente mediante la reducción de la brecha de datos con un marco de síntesis unificado

Created by
  • Haebom

Autor

Wang Wang, Mingyu Shi, Jun Jiang, Wenqian Ma, Chong Liu, Yasutaka Narazaki, Xuguang Wang

Describir

Este artículo presenta un nuevo paradigma basado en datos y nubes de puntos 3D para la gestión y el mantenimiento automatizados de puentes que presentan signos de envejecimiento y deterioro. Para superar las ineficiencias de los métodos de inspección manual existentes, proponemos un marco sistemático de generación de datos 3D para puentes que aborda los desafíos de la insuficiencia de datos reales (etiquetas faltantes e interferencias de escaneo). Este marco genera automáticamente nubes de puntos completas con anotaciones de instancia a nivel de componente, colores de alta fidelidad y vectores normales precisos. Además, genera nubes de puntos incompletas diversas y físicamente realistas para facilitar el entrenamiento de redes de segmentación y compleción. Los resultados experimentales demuestran que un modelo PointNet++ entrenado con datos sintéticos alcanzó un IoU promedio del 84,2 % en la segmentación semántica de puentes reales, mientras que una KT-Net optimizada demostró un rendimiento superior en la compleción de componentes. Esta investigación proporciona una metodología innovadora y un conjunto de datos fundamental para el análisis visual estructural de puentes 3D, lo cual tiene importantes implicaciones para el avance de la gestión y el mantenimiento automatizados de infraestructuras.

Takeaways, Limitations

•
Takeaways:
◦
Presentación de un novedoso marco de generación de datos que contribuye a mejorar la eficiencia de la inspección de puentes basada en nubes de puntos 3D.
◦
Resuelva eficazmente el problema de la falta de datos reales generando datos sintéticos.
◦
Se demostró un rendimiento superior en tareas de segmentación semántica de puentes y finalización de componentes utilizando PointNet++ y KT-Net.
◦
Sentando las bases para el desarrollo de sistemas automatizados de gestión y mantenimiento de puentes.
•
Limitations:
◦
Es necesaria una verificación adicional del rendimiento de generalización del marco propuesto.
◦
Se necesitan estudios de aplicabilidad para varios tipos de estructuras y entornos de puentes.
◦
Se necesita más investigación para cerrar la brecha de dominio entre los datos reales y los sintéticos.
◦
Se requiere un análisis de comparación de precisión de los datos sintéticos generados con los datos del mundo real.
👍
Made with Slashpage