Application of A Drone Camera in Detecting Road Surface Cracks: A UAE Testing Case Study
Notice bibliographique
Résumé
This research aims to introduce DJI Phantom 4 Pro, and its process of calibration and image processing. To get accurate aerial photos, a camera calibration process has been applied to find the true parameters (e.g., focal length, format size, principal point, and lens distortion) of the camera that took the photographs. Results from the point of view of variance factor confirmed the reliability of this camera for photogrammetric work. This study also calculates the 3D coordinates of unknown points on the ground and added Photogrammetric Derivatives DEM and accurate Digital Orthophotos to check the road condition. It is difficult to precisely identify them using publicly accessible standard satellite imagery (including the three multispectral bands (G, R, NIR) with resolutions of 20 meters). Agisoft software has been used for image analysis and for accuracy checking to detect street cracks to provide recommendations and guidance to the related planning entity for maintenance. Captured aerial crack images were processed using Agisoft software, from which orthophotos were produced and potential cracks identified. Moreover, the study aims to achieve optimal quality in a road 3D model using MMS and to determine the number of control points or sections needed to create an accurate 3D model of the road to be used as initial data information in the rehabilitation process by detecting the cracks in the roads.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».