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
- Learning Multimodal Embeddings for Traffic Accident Prediction and Causal Estimation [15.119440099674918]
道路ネットワークデータと道路グラフノードに整列した衛星画像の両方を用いて交通事故パターンを解析することを検討する。
我々は、米国6州にまたがる大規模なマルチモーダルデータセットを構築し、公式資料から900万件の交通事故の記録を含む。
降水量の増加により事故率は24%上昇し、自動車などの高速道路では22%上昇し、季節的なパターンにより29%上昇した。
論文 参考訳（メタデータ） (2025-12-02T16:39:32Z) - 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) - Computer vision-based model for detecting turning lane features on Florida's public roadways [2.5849315636929475]
本研究では,AIを用いた高解像度空中画像からフロリダ州の公道の道路特徴を検出する。
抽出された道路形状データは、事故や交通データと統合して、政策立案者や道路利用者に貴重な洞察を与えることができる。
論文 参考訳（メタデータ） (2024-06-13T05:28:53Z) - 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) - A deep reinforcement learning model for predictive maintenance planning
of road assets: Integrating LCA and LCCA [0.0]
本研究では,M&R実践のタイプとタイミングを決定するために,強化学習(RL)を用いたフレームワークを提案する。
その結果,道路条件が良好な条件域に留まる20年間のM&R計画が提案された。
意思決定者や交通機関は、このスキームを利用して、予算の無駄を防ぎ、環境への影響を最小限に抑える、より良いメンテナンスの実践を行うことができる。
論文 参考訳（メタデータ） (2021-12-20T13:46:39Z) - Spatio-Temporal Graph Convolutional Networks for Road Network Inundation
Status Prediction during Urban Flooding [1.376408511310322]
本研究の目的は, 道路セグメントの近未来洪水の現状を, 道路セグメントの現状と隣接道路セグメントに基づいて予測することである。
道路セグメントレベルでの道路ネットワークの洪水状況の予測に関する既存の研究は欠落している。
論文 参考訳（メタデータ） (2021-04-06T04:03:34Z) - 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。