Comparative Analysis of Different Machine Learning Models for Sewer Pipe Defects Detection: Faster-RCNN, Single Shot Detector (SSD) and YOLOv8
Notice bibliographique
Résumé
Preventive maintenance of municipal drainage infrastructure plays a vital role in ensuring its operational effectiveness, especially as aging systems require proactive solutions and municipalities emphasize preventive maintenance to avoid costly failures.Using object detection models to automate defect detection in drainage pipeline can increase efficiency and reduce the need for manual inspections.However, selecting the most suitable model remains a challenge.This study compares the performance of Faster R-CNN and YOLOv8 in detecting drainage pipe defects using a dataset of 1824 annotated images categorized according to Pipeline Assessment Certification Program (PACP) defect codes, covering seven defect types: broken, crack, deposits, fracture, tap, hole, and roots.Both Faster R-CNN and YOLOv8 models were trained and validated using 5-fold cross-validation to ensure robust evaluation.Their performance was measured using the metrics such as precision, recall, F1 score, mean Average Precision (mAP), and Intersection over Union (IoU).The results show that YOLOv8 outperforms Faster R-CNN in accuracy and speed, achieving a higher mean Average Precision (mAP@50) of 83.28% and (mAp@50-95) of 60.76% with faster inference times, making it more suitable for real-time applications.In contrast, Faster R-CNN showed lower detection accuracy and required significantly more computational resources.This study highlights the potential of deep learning models to automate drainage defect detection, reducing manual inspection efforts and improving efficiency in preventive maintenance programs.Future work will focus on hyperparameter tuning and real-time deployment to improve classification performance and adaptability to environmental conditions.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».