Computer vision-assisted human-in-the-loop measurements: augmenting qualitative by increasing quantitative analytics for CI situational awareness
Notice bibliographique
Résumé
Many infrastructure problems are reported by the public, yet this can result in human-in-the loop, qualitative measurements and lead to slow response times as quantitative data is needed. Cameras already exist in many settings such as smartphones, or moving objects such as UAV-mounted cameras. Since many critical infrastructure (CI) problems often are first noticed by the general public and then reported, their qualitative descriptions can then be accompanied with quantitative measurements by using the indirect measurement of parameters provided using machine vision. In this paper, the authors propose a framework using Agile IoT to add new modalities to already existing sensors (cameras) such as smartphone devices to determine additional parameters using machine vision. This can result in an increase in situational awareness, and meanwhile, response and repair times can decrease, then the overall infrastructure resilience increases. This has the potential to improve preventative maintenance and increase resilience by increasing situational awareness, so resources can be deployed quickly and efficiently where they are needed. This proposed framework can apply to multiple small infrastructure such as lighting standards, playground structures, signage, access gates and fences, electrical wires, and utility poles and its affixed hardware components. The paper shows a proof-of-concept application of this methodology to the concept of tilt detection, with lean determined from simulated and field images. Quick follow-up to problems at appropriate locations can increase system resilience by quickly enabling solving the problem.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».