Deep Learning Techniques for Efficient Evaluation of Asphalt Pavement Condition
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
For the last few decades, researchers have been devising a simple and cost-effective method to evaluate pavement distresses to give decision-makers adequate feedbacks about the pavement condition of a certain road. Fortunately, with the evolution and progression of computer vision tools and techniques, good results had been achieved regarding the detection, classification, and quantification of road distress. In this paper, a new efficient process of road distress analysis using deep learning models is introduced. This new process was tested on a collected road dataset to evaluate the efficiency and speed of this low-cost road maintenance system. Promising results were obtained from the proposed process based on the deep learning model used with an outstanding performance of ~400 fps and distress detection every ~5 cm for a vehicle moving at 40 km/h. Furthermore, the output of the developed process was used as an input for the Pavement Condition Index (PCI) calculation module to determine the pavement condition of the road on a single-day mission. The proposed system focuses on detecting some specific types of distresses: Alligator cracks, longitudinal cracks, transverse cracks, block cracks, lane longitudinal cracks, reflective cracks, and sealed cracks. Experimental results show that this process based on deep learning models achieved promising results of ~5% difference from the true PCI, currently calculated in a month, just in a single day using very low-cost methods.
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 | 0,001 | 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