論文の概要: Automated Road Crack Localization to Guide Highway Maintenance
- arxiv url: http://arxiv.org/abs/2601.16737v1
- Date: Wed, 21 Jan 2026 13:33:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-26 14:27:27.697519
- Title: Automated Road Crack Localization to Guide Highway Maintenance
- Title（参考訳）: ガイドハイウェイ維持のための自動道路ひび割れ位置決め
- Authors: Steffen Knoblauch, Ram Kumar Muthusamy, Pedram Ghamisi, Alexander Zipf,
- Abstract要約: 本研究では,高速道路整備の指針となるオープンソースデータの可能性について検討する。
提案手法は空飛ぶ画像とOpenStreetMapをハイウェイクラックの局所化のための細いYOLOv11に統合する。
実世界の適用性を示すために,スイス相対高速き裂密度(RHCD)指数を算出した。
- 参考スコア（独自算出の注目度）: 49.52476995589485
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Highway networks are crucial for economic prosperity. Climate change-induced temperature fluctuations are exacerbating stress on road pavements, resulting in elevated maintenance costs. This underscores the need for targeted and efficient maintenance strategies. This study investigates the potential of open-source data to guide highway infrastructure maintenance. The proposed framework integrates airborne imagery and OpenStreetMap (OSM) to fine-tune YOLOv11 for highway crack localization. To demonstrate the framework's real-world applicability, a Swiss Relative Highway Crack Density (RHCD) index was calculated to inform nationwide highway maintenance. The crack classification model achieved an F1-score of $0.84$ for the positive class (crack) and $0.97$ for the negative class (no crack). The Swiss RHCD index exhibited weak correlations with Long-term Land Surface Temperature Amplitudes (LT-LST-A) (Pearson's $r\ = -0.05$) and Traffic Volume (TV) (Pearson's $r\ = 0.17$), underlining the added value of this novel index for guiding maintenance over other data. Significantly high RHCD values were observed near urban centers and intersections, providing contextual validation for the predictions. These findings highlight the value of open-source data sharing to drive innovation, ultimately enabling more efficient solutions in the public sector.
- Abstract（参考訳）: 高速道路網は経済的繁栄に不可欠である。
気候変動によって引き起こされる温度変動は道路舗装のストレスを悪化させ、メンテナンスコストが上昇する。
これは、ターゲットと効率的なメンテナンス戦略の必要性を浮き彫りにする。
本研究では,高速道路整備の指針となるオープンソースデータの可能性について検討する。
提案手法は空飛ぶ画像とOpenStreetMap(OSM)をハイウェイクラックローカライゼーションのための細いYOLOv11に統合する。
このフレームワークの現実的な適用性を示すために、スイス相対高速道路クラック密度(RHCD)指数を算出し、全国の高速道路の整備状況を知らせた。
クラック分類モデルは、正のクラス (crack) に対して$0.84$、負のクラス (crack) に対して$0.97$のF1スコアを達成した。
スイスのRHCD指数は、長期土地表面温度振幅 (LT-LST-A) (ピアソンの$r\ = -0.05$) と交通量 (TV) (ピアソンの$r\ = 0.17$) との弱い相関を示した。
都市中心部や交差点付近で高いRHCD値が観測され,予測の文脈的検証が得られた。
これらの調査結果は、イノベーションを促進するためのオープンソースのデータ共有の価値を強調し、最終的には公共セクターにおけるより効率的なソリューションを可能にします。
関連論文リスト
- Hybrid-Segmentor: A Hybrid Approach to Automated Fine-Grained Crack Segmentation in Civil Infrastructure [52.2025114590481]
エンコーダ・デコーダをベースとした手法であるHybrid-Segmentorを導入する。
これにより、モデルは、様々な種類の形状、表面、き裂の大きさを区別する一般化能力を向上させることができる。
提案モデルは,5つの測定基準(精度0.971,精度0.804,リコール0.744,F1スコア0.770,IoUスコア0.630)で既存ベンチマークモデルより優れ,最先端の状態を達成している。
論文 参考訳（メタデータ） (2024-09-04T16:47:16Z) - V-RoAst: Visual Road Assessment. Can VLM be a Road Safety Assessor Using the iRAP Standard? [1.3201295431850615]
道路安全評価は、特に低所得国・中所得国(LMICs)では、重要だが費用がかかる
従来の手法では、専門家のアノテーションとトレーニングデータが必要であるが、教師付き学習ベースのアプローチでは、地域をまたいだ一般化が困難である。
道路安全属性を分類するために視覚言語モデル (VLM) を用いたゼロショット視覚質問応答フレームワークである textitV-RoAst を導入する。
論文 参考訳（メタデータ） (2024-08-20T14:03:30Z) - FedSpeed: Larger Local Interval, Less Communication Round, and Higher
Generalization Accuracy [84.45004766136663]
フェデレートラーニング(Federated Learning)は、分散機械学習フレームワークである。
これは、局所的不整合最適と局所的過度な適合による頑丈なクライアントドリフトによってもたらされる非消滅バイアスに悩まされる。
本稿では,これらの問題による負の影響を軽減するために,新しい実用的手法であるFedSpeedを提案する。
論文 参考訳（メタデータ） (2023-02-21T03:55:29Z) - DAGMapper: Learning to Map by Discovering Lane Topology [84.12949740822117]
我々は、分岐とマージによるトポロジー変化を含む多くのレーンを持つ複雑な高速道路のレーン境界を描くことに集中する。
グラフのノードがレーン境界の局所領域の幾何学的および位相的特性を符号化する有向非巡回グラフィカルモデル(DAG)における推論として問題を定式化する。
2つの異なる州における2つの幹線道路における我々のアプローチの有効性を示し、高い精度とリコールと89%の正しいトポロジーを示す。
論文 参考訳（メタデータ） (2020-12-22T21:58:57Z) - $\pi$-ROAD: a Learn-as-You-Go Framework for On-Demand Emergency Slices
in V2X Scenarios [68.33556559127011]
$pi$-roadは、道路沿いの通常のモバイルトラフィックパターンを自動的に学習し、定期的でないイベントを検出し、重大度で分類するフレームワークである。
この結果から,$pi$-ROADは未発生の道路イベントの検出と分類に成功し,すでに稼働しているサービスに対するENSの影響を最大30%削減できることがわかった。
論文 参考訳（メタデータ） (2020-12-11T09:35:55Z) - Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。
本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。
提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文 参考訳（メタデータ） (2020-06-24T04:45:14Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。