XiaoMi-AI文件搜索系统
World File Search System裂缝检测
关于在裂缝检测中使用人工智能的审查
人工智能（AI）使用最少人工干预的计算机模拟智能行为。AI的最新进展，尤其是深度学习，在感知操作方面取得了重大进展，使计算机能够更准确地传达和理解复杂的输入。在全球范围内，裂缝会影响各个年龄段和地球所有地区的人们。最普遍的诊断和医疗诉讼的原因之一是急诊室拍摄的X光片的骨折，急诊室的骨折可能在2％至9％之间。由于对多种成像方式的破裂检测需求的增长，劳动力将很快受到很大的压力。由于雇用延迟和接近退休的放射科医生的很大一部分，放射科医生的缺乏使这种需求的增长加剧了。此外，解释诊断图像的过程有时可能具有挑战性和乏味。将骨科无线电诊断与AI整合，为这些问题提供了有希望的解决方案。最近，深度学习技术的应用，即卷积神经网络（CNN），在医学成像中的应用显着上升。在骨科创伤领域中，正在记录CNN，以在骨折的识别和分类中以专家骨科医生和放射科医生的熟练程度运作。CNN可以以超过人类观察的速率分析大量数据。在这篇综述中，我们讨论了深度学习方法在断裂检测和分类中的使用，将AI与各种成像方式的集成以及将AI与无线电诊断相结合的好处和缺点。
裂缝检测中的人工智能：系统...
骨折的发生率为每 100,000 患者年 733 至 4017 例 (1–3)。在 2019 年 4 月至 2020 年 4 月的财年中，英国有 120 万名患者因急性骨折或脱位到急诊室就诊，比前一年增加了 23% (4)。X 光片上漏诊或延迟诊断骨折是一种常见的诊断错误，发生率为 3% 至 10% (5–7)。临床医生的经验与骨折误诊率呈反比，但及时获取专家意见的机会并不多 (6)。影像学检查量的增长速度继续超过放射科医生的招聘速度：2019 年的一项加拿大研究 (8) 发现，12 年来放射科医生的工作量增加了 26%，而美国放射科医师学会的一项研究发现，
使用裂缝检测对钢筋混凝土构件建筑结构进行脆弱性评估
摘要 — 地震发生后，出于各种原因，需要立即进入受损建筑物，包括紧急搜救、建筑物稳定和修复以及抢救和取回财物。然而，进入受损建筑物总是存在风险，而且进一步的结构倒塌往往会造成更多的受害者。本文提出了一种自动检测和分析混凝土表面数字图像中裂缝的图像处理技术。图像处理技术自动测量裂缝特征，包括宽度、长度、方向和裂缝模式。根据混凝土表面裂缝的性质、方向和行为，对建筑物进行脆弱性评估。使用各种边缘检测算法来查找裂缝。连接像素标记用于裂缝的细节分析。因此，使用裂缝检测对 RCC 建筑物进行了脆弱性评估。使用 Gorkha 地震影响的建筑物裂缝图像测试了算法。将结果与市政当局的脆弱性决策进行了比较，发现结果非常准确。
无人驾驶裂缝检测系统的开发...
摘要 传统的结构裂缝检测主要基于目视检查方法。众所周知，诸如索桥、高耸塔楼、大坝和工业发电厂等巨型高层结构由于其几何形状而存在难以进入的区域和现场检测限制。在某些情况下，由于空间限制，无法检查关键结构构件。随着无人机 (UAV) 技术的快速发展，先进的数字图像处理技术可以克服传统目视检查的局限性。在本研究中，开发了使用无人机和数字图像处理技术的裂缝检测系统 结构检查系统以检测结构中的裂缝。 1. 引言 世界各地频繁发生大规模灾难和安全事故。因此，人们对基础设施安全检查和维护的兴趣飙升。然而，迄今为止应用的结构检查和维护技术既费时又昂贵，并且由于检查员的主观判断，结果的客观性可能会下降。需要一种能够更有效地检查和调查结构并及时明显地预防灾难的系统。本研究结合无人机 (UAV) 技术展示了用于结构检查和调查的技术潜力