Development of economic and reliable tool for condition survey and middle management of asphalt pavement
Notice bibliographique
Résumé
Rehabilitation and maintenance of pavement are well established and costly operations.One of the major challenges of these operations is determining the optimum maintenance and repair schedule.In any given city, there are hundreds of miles of pavement constructed at different times and are in different states of deterioration.It is the job of municipal engineers to establish a cost effective schedule that prioritizes the repair or even the reconstruction of different segments of the roads.The schedule is usually based on an overall Pavement Condition Index (PCI).Typically, inspectors are sent out to observe the pavement conditions and conduct accurate measurements to be used in computing the PCI; however the cost associated with such inspection missions is often high.This thesis proposes a novel approach to estimate a cost effective Pavement Indicator (PI) for the entire city (or any area of interest).The proposed approach exploits newly available miniature cameras, GPS, wireless networking and Digital Signal Processing to automatically and continually collect visual information about different segments of the road, and combines these images to establish a live map of the city roads where different colours correspond to an approximate estimate of a pavement indicator (PI).The proposed technique is not a replacement of the traditional inspection, but rather it is a tool to identify the sections that are in greater need of repair.The technique involves taking pictures of various sections of the road network using cameras mounted on public vehicles and transmitting these images to a processing centre.Each image is processed using image filtering techniques to produce an initial estimate of PI.The cumulative effect of these estimates produces regional estimates that become more List of
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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 ».