Deep learning-enhanced smart ground robotic system for automated structural damage inspection and mapping
Notice bibliographique
Résumé
Ground robotic systems are essential for structural inspection, enhancing mobility, efficiency, and safety while minimizing risks in manual inspections. These systems automate 3D mapping and defect assessment in aging. However, current robotic platforms often require the integration of various sensors and complex parameter tuning, raising costs and limiting efficiency. This paper proposes a streamlined unmanned ground vehicle-based inspection platform, integrating only LiDAR and a low-cost monocular camera. Operated via the Robot Operating System, the platform deploys efficient instance segmentation, Simultaneous Localization and Mapping, and fusion algorithms, eliminating complex tuning across environments. A self-attention-enhanced YOLOv7 algorithm is proposed for accurate damage segmentation with limited datasets, while an enhanced KISS-ICP (Keep It Small and Simple-Iterative Closest Point) algorithm is developed to optimize point cloud odometry for efficient mapping and localization. By introducing camera-LiDAR information fusion, the proposed platform achieves structural mapping, damage localization, quantification, and 3D visualization. Laboratory and full-scale bridge tests demonstrated its high accuracy, efficiency, and robustness. • Robust UGV-based automated inspection platform for the assessment of structural damage. • Efficient framework solely uses LiDAR and a camera to achieve damage localization, quantification and visualization. • Improved YOLOv7 for enhanced instance segmentation minimizes need for custom datasets. • An approach derived from the state-of-the-art odometry strategy is proposed for SLAM. • Verification through rigorous laboratory and full-scale bridge experimentations.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».