Potential of Low-Cost, Close-Range Photogrammetry Toward Unified Automatic Pavement Distress Surveying
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».