Generative AI-driven edge-cloud system for intelligent road infrastructure inspection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The rapid advancement of edge computing and artificial intelligence (AI) has transformed infrastructure inspection by enabling real-time monitoring of roads, bridges, and pipelines. However, high bandwidth consumption, latency, and limited interpretability remain key challenges. This paper presents a novel hybrid edge-cloud framework for intelligent road infrastructure inspection, combining lightweight AI on edge devices with generative AI in the cloud. The Edge AI Module, built on MobileNetV3, performs real-time anomaly detection and generates concise reports with GPS-tagged severity information. Anomalous data is selectively transmitted to the cloud, where advanced models—EfficientNet-B4, MiDaS DPT-Large, and T5-XL—refine classification, estimate depth, compute road quality metrics, and generate structured, actionable reports. The system is evaluated on two diverse datasets: RDD2022, a multinational road damage dataset, and UAV-PDD2023, a high-resolution aerial imagery dataset. Results demonstrate the framework's real-time capability, achieving an edge inference time of 30 to 50 ms and reducing bandwidth usage by 50 to 70%. Cloud processing provides fine-grained analysis and high accuracy in natural language reporting. This dual-tier architecture balances low-latency anomaly detection and in-depth analysis, providing a scalable and interpretable solution for large-scale infrastructure monitoring in dynamic environments.
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.
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 | 0,000 | 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 découle