Municipal Infrastructure Anomaly and Defect Detection
Notice bibliographique
Résumé
Road quality assessment is a key task in a city's duties as it allows a city to operate more efficiently. This assessment means a city's budget can be allocated appropriately to make sure the city makes the most of its usually limited budget. However, this assessment still relies largely on manual annotation to generate the Overall Condition Index (OCI) of a pavement stretch. Manual surveying can be inaccurate, while on the other side of the spectrum a large portion of automatic surveying techniques rely on expensive equipment (such as laser line scanners). To solve this problem, we propose an automated infrastructure assessment method that relies on street view images for its input and uses a spectrum of computer vision and pattern recognition methods to generate its assessments. We first segment the pavement surface in the natural image. After this, we operate under the assumption that only the road pavement remains, and utilize a sliding window approach using Fisher Vector encoding to detect the defects in that pavement; with labelled data, we would also be able to classify the defect type (longitudinal crack, transverse crack, alligator crack, pothole ... etc.) at this stage. A weighed contour map within these distressed regions can be used to identify exact crack and defect locations. Combining this information allows us to determine severities and locations of individual defects in the image. We use a manually annotated dataset of Google Street View images in Hamilton, Ontario, Canada. We show promising results, achieving a 93% Fl-measure on crack region detection from perspective images.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».