Understanding the Effects of Point Cloud Density on Automated Traffic Sign Change Detection Using Lidar Technology
Notice bibliographique
Résumé
Change detection is the process of identifying variations in roadway asset conditions and flagging them for timely repair or replacement. This practice is crucial for maintaining road safety and infrastructure integrity but is highly time-consuming. Automating change detection with mobile lidar technology has been considered by many agencies, but the cost of high-resolution lidar is a significant burden. Although low-cost lidar is available, it is not clear whether the point cloud density from such systems is sufficient for accurate change detection. We addressed this gap by conducting a sensitivity analysis on the effect of varying mobile lidar point densities on the accuracy of traffic sign change detection. The assessment involved randomly simulating changes (e.g., damage) in traffic signs, then subsampling the point cloud to different densities. A machine learning algorithm was used to detect changes at these densities. Additionally, a logistic regression model was used to statistically assess the relationship between point density, traffic sign size, and change detection accuracy using data from over 130 traffic signs across three highways. Results show that point densities above 250 points/m 2 yield F1 scores and detection rates exceeding 95% for both partial breakage and rotational changes, establishing a critical threshold for high detection accuracy. The study revealed that both point density and change magnitude are significant predictors of detection accuracy, with traffic sign size being significant for partial breakage changes. This paper also highlights the effect of change size per unit area on detection precision, offering broader insights for road infrastructure maintenance.
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 | 0,006 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».