Railway Tracks Detection of Railways Based On Computer VisionTechnique and GNSS Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Railway networks are major components of any country's infrastructure. In Egypt, the length of the railway network is 9570 km, where, 85% of the lines' movements are operated by mechanical signals. In July 2017, the Egyptian government launched a series of railway infrastructure projects aimed to modernize the Egyptian National Railways which includes the infrastructures rehabilitation for the network. This research focuses on developing an efficient low-cost framework using video camera and computer vision techniques for automatic railway track detection. A computer vision technique is used for automatic detection of railway tracks. Interior orientation parameters are extracted as part of the camera calibration task. Bundle adjustment calibration technique is used to compute the exterior orientation parameters based on selected ground control points. Hence, the eye fish effect of the images is removed and orthogonal images for the railway tracks are constructed using matching and feature extraction algorithms. The framework is tested on a dataset of a railway network with an approximate length of 20 km. The accuracy of the results is compared with a field survey data conducted to the same area using conventional surveying instruments such as Total station and Global Navigation Satellite System (GNSS). The proposed framework enables automatic extraction of railway tracks and its relationship with surrounding features, which contributes to quality control and assurance procedures for field collected data. The framework also offers a method for continuous and low-cost monitoring of the railway network. This will help to rapidly assess maintenance requirements for the network.
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.
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 | 0,000 |
| 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 découle