Evaluating computer vision approaches for counting exposed aggregate number on pavement surface
Notice bibliographique
Résumé
Two mainstream solutions for counting the expose aggregate number (EAN) on expose aggregate concrete pavement (EACP) surface are evaluated in this paper. The EAN represents the average wavelength of pavement texture attributed to its correlation. This parameter affects the tire-pavement noise. The EAN is estimated manually by human counting that requires a considerable amount of effort and is time consuming. Recently, computer-vision technologies have accomplished notable success in the counting task. Several state-of-the-art technologies for object counting are proposed for achieving different targets. Therefore, the capability of current states-of-the-art technologies are evaluated to identify if they can be performed for EAN counting tasks because of the complexity characteristic of aggregates. Two deep learning models used for evaluating the EAN counting are Faster-RCNN and LC-FCN. The EACP surface image dataset is constructed for the implemented models. The Tensorflow-Library and Pytorch-Framework are used to fine-tune parameters in the Faster-RCNN and LC-FCN model, respectively. The result indicates that both models achieve a similar accuracy of approximately 70%. The LC-FCN achieves a lower mean absolute error. Further, both methods are preliminarily acceptable for counting the aggregate with their limitation and under a given condition which aggregate is not often occluded and distinguishable between the background and object.
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 | 0,001 | 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 ».