Road Damage Identification Using a Combination of UAV Quadcopter Technology and Subgrade Investigation
Notice bibliographique
Résumé
Good road infrastructure is essential for traffic safety.However, more than 60% of roads in developing countries are in poor condition.As a developing country, Indonesia has 540,000 kilometers of roads, of which 40% are still in poor condition.Fast identification is needed to handle road damage.This research aims to identify road damage quickly using Unmanned Aerial Vehicle (UAV) and subgrade investigation through Dynamic Cone Penetrometer (DCP) testing.This study employs an experimental method, where the results of UAV aerial imagery are digitally processed using Agisoft Metashape and ArcGIS software with polygon analysis.Subgrade testing was conducted using DCP to measure the California Bearing Ratio (CBR) value.A descriptive study analyzed the relationship between subgrade conditions and road damage affecting traffic safety.The results showed 114 damage points with five types of road damage with a total area of 1,564.93 m 2 .UAV mapping accuracy using omission and commission tests reached 98.39%, indicating highly accurate data.The average subgrade CBR value only reached 1.44%, indicating very poor soil conditions.This condition contributes to road damage, including potholes, depression, and cracks.Road repairs and subgrade improvements are needed to prevent further damage and improve road safety.
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 | 0,001 | 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 ».