Generalized Extraction of Bolts, Mesh, and Rock in Tunnel Point Clouds: A Critical Comparison of Geometric Feature-Based Methods Using Random Forest and Neural Networks
Notice bibliographique
Résumé
Automatically identifying mine and tunnel infrastructure elements, such as rock bolts, from point cloud data improves deformation and quality control analyses and could ultimately contribute to improved safety on engineering projects. However, we hypothesize that existing methods are sensitive to small changes in object characteristics across datasets if trained insufficiently, and previous studies have only investigated single datasets. In this study, we present a cross-site training (generalization) investigation for a multi-class tunnel infrastructure classification task on terrestrial laser scanning data. In contrast to previous work, the novelty of this work is that the models are trained and tested across multiple datasets collected in different tunnels. We used two random forest (RF) implementations and one neural network (NN), as proposed in recent studies, on four datasets collected in different mines and tunnels in the US and Canada. We labeled points as belonging to one of four classes—rock, bolt, mesh, and other—and performed cross-site training experiments to evaluate accuracy differences between sites. In general, we found that the NN and RF models had similar performance to each other, and that same-site classification was generally successful, but cross-site performance was much lower and judged as not practically useful. Thus, our results indicate that standard geometric features are often insufficient for generalized classification of tunnel infrastructure, and these types of methods are most successful when applied to specific individual sites using interactive software for classification. Possible future research directions to improve generalized performance are discussed, including domain adaptation and deep learning methods.
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 | 0,010 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».