Depth Completion from Sparse 3D Maps for Automated Defect Quantification
Notice bibliographique
Résumé
For lifeline systems, routine visual inspections play a vital role in gathering structure-level data to inform asset maintenance strategies. Current research has shown that data repeatability and objectivity may be enhanced with computer vision and robotics, whereby manual collection, cataloguing, and quantification of defects is automated. For instance, low-cost lidar sensors integrated with a robotic platform can collect 3D geometric information of a structure via simultaneous localization and mapping (SLAM), with image data fusion allowing for defect measurement. While low-cost lidars provide a fast and inexpensive way of obtaining defect measurements, maps they produce often lack the density required for accurate quantification. To remedy this, we combine depth completion enhanced point cloud data from a lidar with labelled image data to extract a more complete surface estimate in physical scale. Given a 3D map, image data with known camera poses, and camera intrinsic calibrations, our approach first transforms the 3D map to a depth map (within camera frame) through ray casting. Depth maps are then densified using a depth completion algorithm that employs image processing techniques tailored to suit sparse lidar map data. Lastly, the combination of labeled defect images and dense depth maps is exploited to extract high-resolution area measurements for defects such as spalls and delaminations. The accuracy of our method has been assessed by comparing results to those obtained from non-depth completed data and to ground truth measurements obtained using a high-resolution monocular camera with manual scale input to each image. Using a data set containing six concrete area defects, our method was shown to reduce error, on average, by 14.2%, with depth completed results having an average area error of 5.3% from the ground truth. Our results show that depth completion on sparse 3D maps can be effective in fine-scale defect quantification, providing a more complete assessment of lifeline system condition using affordable sensors.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».