Automated Bridge Inspection for Concrete Surface Defect Detection Using Deep Neural Network Based on LiDAR Scanning
Notice bibliographique
Résumé
Structural inspection and maintenance of bridges are essential to improve the safety and sustainability of the infrastructure systems. Visual inspection using non-equipped eyes is the principal method of detecting surface defects of bridges, which is time-consuming, unsafe, and encounters inspectors falling risks. Therefore, there is a need for automated bridge inspection. Recently, Light Detection and Ranging (LiDAR) scanners are used for detecting surface defects. LiDAR scanners can collect high-quality 3D point cloud datasets. In order to automate the process of structural inspection, it is important to collect proper datasets and use an efficient approach to analyze them and find the defects. Deep Neural Networks (DNNs) have been recently used for detecting 3D objects within 3D point clouds. PointNet and PointNet++ are deep neural networks for classification, part segmentation, and semantic segmentation of point clouds that are modified and adapted in this work to detect surface concrete defects. The research contributions are: (1) Designing a LiDAR-equipped UAV platform for structural inspection using an affordable 2D scanner for data collection, and (2) Proposing a method for detecting concrete surface defects using deep neural networks based on LiDAR generated point clouds. Training and testing datasets are collected from four concrete bridges in Montréal and annotated manually. The point cloud dataset prepared in five areas, which contain more than 51 million points and 2,572 annotated defects in four classes of crack, light spalling, medium spalling, and severe spalling. The accuracies of 75% (adapted PointNet) and 79% (adapted PointNet++) in detecting defects are achieved in binary semantic segmentation.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».