Expert evaluation system for pothole defect detection
Notice bibliographique
Résumé
• This study introduces an unsupervised approach for assessing pothole severity using vibration data. • The methodology incorporates IoT-enabled accelerometers facilitating scalable pavement monitoring. • A detailed performance comparison with a traditional wavelet-based changepoint algorithm is conducted. • The proposed system is validated using a full-scale study detecting pavement anomalies under realistic traffic conditions. • The adaptability of the proposed method is verified experimentally across varying test scenarios. The rapid deterioration of transportation infrastructure, accelerated by extreme weather events and increasing traffic loads, poses significant challenges for roadway maintenance. Potholes, a common form of pavement distress, not only compromise road safety but also increase vehicle maintenance costs and disrupt economic productivity. To address this issue, this study presents a mobile Internet-of-Things (IoT)-based pavement monitoring system for the automated detection and evaluation of potholes. The proposed system can detect and estimate pothole size based on real-time vibration data collected from unmanned ground vehicles (UGVs) by combining IoT-enabled accelerometers and a novel unsupervised threshold-based methodology. This paper introduces a scalable and cost-efficient framework that integrates IoT data acquisition technology with advanced pavement monitoring algorithms, providing municipalities and infrastructure managers with an automated solution for identifying and prioritizing road repairs. The proposed system was validated through multiple field trials and a full-scale study, where it accurately identified potholes of varying sizes across different road conditions. The threshold-based proposed approach is compared with a wavelet-based changepoint detection algorithm to demonstrate its versatility in delivering reliable and robust results even in adverse environmental conditions. The proposed method is validated using nine potholes of varying sizes which are successfully identified and estimated without any user intervention.
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 | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,008 |
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 ».