Fully Automated Algorithm for Light Pole Detection and Mapping in Rural Highway Environment Using Mobile Light Detection and Ranging Point Clouds
Notice bibliographique
Résumé
The widespread use of light detection and ranging (LiDAR) data provides a promising source for the automatic detection and inventory of roadside assets. One of the essential elements in roadside furniture is light poles. There is limited research on the mapping of light poles using point-cloud data on rural highways. In this environment, the placement of light poles within roadside clear zones often poses a safety concern, as they are related to an increased risk of collisions. Only a limited number of studies have explored the relationship between light poles and safety because of the time-consuming and labor-intensive practices of collecting light pole assets data using traditional manual methods. This paper proposes an automated approach to mapping the locations of light poles. First, the scanning vehicle trajectory is extracted, smoothed, and then used to segment the point-cloud data into smaller overlapped batches of data. Several filters are applied to extract pole-like objects from the data. The segments are combined back together, and a density-based clustering algorithm is used to group the remaining points into clusters. A geometric filter is finally applied to extract light poles. The model is tested on 28 km of data on three rural highways in Alberta, Canada. The proposed algorithm is found to be accurate relative to previous studies, with average precision, recall, and F1 scores exceeding 98% for the test segments. The proposed work can assist in the automation of light pole inventory and road safety audits by transportation agencies.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».