Automated traffic sign change detection using low-cost LiDAR scans and unsupervised machine learning
Notice bibliographique
Résumé
Current practices in traffic sign monitoring heavily rely on manual inspections, a method that is both time-consuming and prone to human error. This leads to inefficiencies in the management and maintenance of these critical roadside assets. The objective of this work is to overcome these limitations by proposing a method for automated change detection in traffic signs using low-density LiDAR data. The proposed solution integrates noise elimination, point cloud restructuring, and cross-scan KD-tree generation, followed by the application of unsupervised machine learning techniques for change identification. The effectiveness of this method was verified by testing across three different highways with varying point cloud resolutions. For robust testing, an algorithm was also designed to simulate a broad range of different damage scenarios in traffic signs of different types, sizes, and placements. Testing in different scenarios along almost 15 km of the road revealed impressive results with accuracy and F1 score metrics ranging from 92% to 100%. Moreover, the algorithm was also extremely efficient with an average runtime of just 115” per km of fully automated unattended processing. The change detection potential of the proposed algorithm extends beyond traffic signs, as it could be adapted for many highway elements, enhancing the efficiency of transportation asset management and highway maintenance programmes. The findings indicate that this approach not only fills a significant gap in the current traffic sign monitoring and asset management practice but also offers a promising, comprehensive solution towards automated, cost-effective, and precise monitoring and maintenance of traffic signs, thus addressing a major challenge in this area.
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 ».