Automated Data Collection System of Pavement Distresses: Development, Evaluation & Validation of Distress Types and Severities
Notice bibliographique
Résumé
This study presented an affordable and simpler technique that does not require complex technology and is suitable for middle size road networks. This technique involves taking pictures of various sections of the road network using cameras that can be mounted on public vehicles and transmitting taken images to a processing center. Each image is processed using image filtering techniques to produce an initial estimate of the PI. A total of 5,070 images and 507 sections (4 x 10 m per section) were taken and tested on a part of the Sheikh Maktoum Bin Rashid Highway E11 in Abu-Dhabi city (UAE) based on the quantity and clarity of the distresses. Six types of pavement distresses were tested; (1) longitudinal cracking, (2) alligator cracking, (3) block cracking, (4) pothole distress, (5) transverse cracking and (6) edge cracking. Three severity levels were considered: (1) low, (2) medium and (3) high. There were two distress measurement methods used to identify pavement distresses; semi-automated measurement (SAM) method and automated measurement (AM) method. In order to evaluate the accuracy of the AM method, two expert observers were used individually to extract the pavement distress by using the SAM method. The Cohen's weighted Kappa used to determine the agreement between the two observers. The overall agreement result of the pavement distresses between the two observers was 98%, which is almost a perfect agreement. The overall agreement result of the pavement distresses between the two measurement methods was 89%, which is again an almost perfect agreement. In addition, the AM method validated by using R2 method and was found to be 0.93. The weighted mean speed of all distresses and standard deviation were found to be 58.56 km/h and 28.24 km/h respectively.
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 | 0,000 | 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 | 0,001 |
| 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 ».