Potential of Low-Cost, Close-Range Photogrammetry Toward Unified Automatic Pavement Distress Surveying
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
Automatic pavement distress detection and data collection is important for pavement management systems. It is estimated that pavement defects cause damage costing $10 billion/year in the US alone. Despite the importance of image-based distress detection systems, they are still semi-automatic to a great extent. They rely internally on one or more threshold values during processing or may need a pre-processing stage, and the quality is affected by shadows and low or extra illumination among other factors. After years of research, processing still typically relies heavily on global or in-context pixels content analysis. Such systems lack the robust sensor modeling, hence, robust detection and modeling which cannot be achieved directly through 2D image space analysis. The exploitation of arrays of laser profilers for 3D data acquisition is an expensive approach and has limitations for enhancing or replacing image-based output. Alternatively, 3D surfaces can be generated using stereo vision techniques. This research has investigated close range photogrammetry as a robust approach to overcome the above disadvantages. The experimental work is carried out using a non-metric DSLR camera with its built-in flash and natural daylight as sources of illumination. Initial investigations show significant potential for 3D distress detection and modeling with higher spatial precision and a higher level of automation, while retaining 2D color and shading information for data fusion. The output of automatic photogrammetric processing can be further exploited directly in existing automated and semi-automated systems for updating the content, analysis and visualization of pavement management system (PMS) and geographic information systems (GIS).
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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