Road Pothole Detection and Location System Based on YOLOv5 and Beidou GPS
Notice bibliographique
Résumé
Road potholes are harmful to safe transportation, which will cause vehicle damage, poor ride comfort and put passengers in danger. Road pothole detection and result application is one of the key measures to solve the above problems. Therefore, this paper designs a road pothole detection and location system. The system mainly consists of edge computing platform (including detection algorithm), road pothole image acquisition module, positioning module, display module and auxiliary module. The computing platform adopts Jetson Nano. The road pothole detection algorithm adopts YOLOv5 algorithm. The positioning module adopts Beidou GPS module. First, the camera collects the image set of road potholes (or adopts an open image set). The image set is divided into two parts: training set and test set, which are used for training and testing respectively. Then, based on YOLOv5 algorithm, the road pothole images in the training set are trained, and the optimal target detection model is obtained. Finally, the model is used to test the road pothole images in the test set. The open road pothole image set is tested, and the road pothole recognition rate is above 90%. Through this system, road potholes can be accurately detected and the location information of potholes can be recorded. The research results in this paper can be provided to traffic management departments and used in unmanned vehicles, which is of great significance to reduce the impact of road potholes on safe driving of vehicles.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».