A Benchmark Dataset for Vision-based Bridge Traffic Load Monitoring in a Cable-stayed Bridge
Notice bibliographique
Résumé
Traffic load monitoring based on deep learning and computer vision has garnered significant attention in bridge engineering worldwide. Unlike traditional traffic load monitoring systems, computer vision-based techniques can accurately extract the spatiotemporal load distribution across the entire bridge in an autonomous manner. However, many of the related studies in the literature used datasets that were collected from a few specific areas of different bridges, and there are very limited datasets that provide complete coverage of the entire bridge, making a detailed comparison of different methods difficult. This paper presents a benchmark dataset that provides a series of annotations and field measurements required for traffic load detection, tracking and continuous monitoring on the bridge. The dataset was collected by five cameras, and two weigh-in-motion systems installed on a cable-stayed bridge and is divided into three subsets. The first subset contains over 32,000 images and annotation files of eleven types of vehicle-related targets, which are necessary for the training of vehicle detection models. The second subset consists of photos of the calibration board and coordinates of reference points that are used for camera calibration. The last subset is designated for the field verification of various algorithms, providing synchronized vehicle weight data and monitoring videos covering the whole bridge. To the author’s knowledge, this dataset is the first open-source dataset for vision-based traffic load monitoring in a bridge, which will have tremendous value in promoting research in the area of innovative bridge health monitoring technologies.
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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».