Revolutionising Visual Bridge Inspection: A Deep Learning Approach for Automated Concrete Bridge Distress Identification & Analysis of Results
Notice bibliographique
Résumé
Concrete bridges are vital infrastructure assets, yet their inspection often relies on labour-intensive, time-consuming, and sometimes subjective visual assessments.This study addresses these challenges by harnessing the power of Artificial Intelligence (AI) and Deep Learning (DL) for streamlined bridge inspection.Building upon the limitations of traditional methods, an enhanced YOLOv8s model is developed and trained on a refined CONBRID-YOLOv8 dataset.This dataset is specifically designed to minimize false positives, a common issue in concrete bridge defect detection.The integration of real-time data visualisation tools further empowers inspectors to optimize maintenance planning, ultimately enhancing bridge safety and longevity.The model exhibits exceptional performance in detecting and classifying prevalent concrete defects such as cracks, spalling, exposed bars, corrosion stains, and efflorescence.Through rigorous experimentation and analysis, the new model achieved a strong F-1 score of 0.75 and a mAP of 0.738 after 300 epochs.Real-world field testing underscores the model's practical effectiveness.Pioneering data visualisation techniques provide inspectors with the tools to rapidly interpret complex results and confidently prioritise maintenance strategies.This AI-powered approach represents a significant advancement in bridge inspection practices.By addressing the limitations of traditional methods & existing DL models, this study offers a more efficient, accurate, and objective solution for ensuring the safety and longevity of critical infrastructure assets.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,002 | 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 ».