A Framework for Autonomous Inspection of Bridge Infrastructure using Uncrewed Aerial Vehicles
Notice bibliographique
Résumé
Traditional bridge inspections are labor-intensive, time-consuming, and costly, relying on human inspectors for close visual and physical examinations, making them subjective, inaccurate, and non-repetitive. Leveraging Uncrewed Aerial Vehicles (UAVs) for UAV-enabled bridge inspection (UBI) has the potential to save over 50% of costs compared to traditional methods. However, existing UBI research lacks a unified, end-to end autonomous solution, often presenting isolated automation solutions at each stage of the inspection process. In this work, a comprehensive framework for autonomous bridge inspection using a single UAV is presented, encompassing mission planning, data acquisition, data analysis, and decision-making. Bridges were chosen as the focus of the framework due to their mandated inspection requirements compared to other infrastructure assets. We define the UBI system architecture, evaluate specific methods for each system element, and finally present how the UBI can be achieved through a phased procedure. Using physical experiments, the proposed procedure is validated with low-cost off-the-shelf hardware and software components, which demonstrates not only the feasibility but also the simplicity of the proposed framework using currently available technology. This research offers a comprehensive solution to revolutionize bridge maintenance, improve safety, reduce expenses, and streamline the inspection process for the longevity of critical transportation infrastructure.
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 | 0,000 | 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 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 ».