street-imagery-inspection
Skill3 starsChanged 2 days agoApache-2.0View on GitHub
地上視点の 360 度画像 (Panoramax のような、キーの要らないオープンな画像) から、柱 (電柱、街灯) を見つけて傾きを測り、柱の上部の植生を測り、路面の損傷の割合と材質を推定し、それぞれを推定の位置つきの表にして格子で集計する。損傷は公開の損傷データ (RDD2022) で学習した線形プローブで、国をまたいだ試験で確かめる。材質は OpenStreetMap の surface と突き合わせる。現地で測った PCI が無いので、PCI そのものは出さない。
In this repository56 other files it gives its agents.
- AGENTS.mdAGENTS.md
- .agents/skills/AGENTS.mdAGENTS.md
- analysis-reportingSkill
- analysis-unit-designSkill
- analysis-visualizeSkill
- anomaly-detectionSkill
- areal-interpolationSkill
- causal-designSkill
- causal-estimationSkill
- clustering-analysisSkill
- cross-validation-designSkill
- data-quality-auditSkill
- dataset-discoverySkill
- data-variable-semanticsSkill
- dimensionality-reductionSkill
- eda-and-baselineSkill
- experiment-designSkill
- frontend-designSkill
- grid-risk-mappingSkill
- image-segmentationSkill
- land-cover-costSkill
- leakage-auditSkill
- location-privacySkill
- model-explanationSkill
- natural-japaneseSkill
- noise-ceiling-analysisSkill
- observation-bias-auditSkill
- poi-insightsSkill
- point-pattern-analysisSkill
- raster-cost-distanceSkill
- raster-data-integrationSkill
- research-paper-writingSkill
- research-question-generationSkill
- robustness-analysisSkill
- sar-change-detectionSkill
- spatial-accessibility-analysisSkill
- spatial-autocorrelationSkill
- spatial-data-integrationSkill
- spatial-data-modelingSkill
- spatial-feature-engineeringSkill
- spatial-gnnSkill
- spatial-interpolationSkill
- spatial-network-analysisSkill
- spatial-optimizationSkill
- spatial-process-modelingSkill
- spatial-sampling-designSkill
- spatial-weights-designSkill
- spatiotemporal-modelingSkill
- stop-describing-uiSkill
- terrain-hydrologySkill
- time-series-forecastingSkill
- trajectory-predictionSkill
- travel-time-reliabilitySkill
- uncertainty-estimationSkill
- web-design-guidelinesSkill
- yomiyasuSkill
The file
Files
street-imagery-inspection
通りの写真から設備と路面の状態を拾い、地図に落とす。公開データの試験で当たるモデルでも、別の機材の画像では当たらないことがある (メリニャックの 360 度画像では、損傷も材質も使えなかった)。当てる画像で目で確かめるまで、値を地図にして結論にしない。写真から言えることと言えないことの境目がはっきりしているので、出す値ごとに、測ったもの、推定したもの、出せないものを分ける。柱の傾きは視線に直角な成分だけ、位置はカメラの高さを仮定した推定、損傷は画像の上の指標で、現地の PCI ではない。
別の問いとの境界:
- 衛星や航空の画像の区分や変化は、画像の切り出しや変化の検出の問い。ここは地上から撮った写真。
- 写真を学習して新しい検出器を作るのは、ここでは扱わない。既存の公開のモデル (OWLv2、OpenCLIP) と、公開の損傷データで学習した線形のプローブだけを使う。
| reference | 読むとき | 中身 |
| imagery-sources | 画像を選ぶ前 | Panoramax の検索と取得、ライセンス、撮影者と機材の違い、標本の取り方、商用の画像との差 |
| views-and-geometry | 透視の画像を切り出す前、柱の傾きと位置を出す前 | 正距円筒と透視、水平な画像で鉛直が縦になること、カメラの傾きの補正、見える傾きの成分、足の俯角からの距離 |
| surface | 路面の損傷と材質を推定する前 | RDD2022 でのプローブの学習と試験 (国をまたぐ)、パッチの取り方と近道、材質のゼロショットと OSM との突き合わせ、PCI を出さない理由 |
| validation-and-gaps | 結果を書く前 | 目で確かめる標本の取り方と記録、確かめられないこと、商用のサービスとの差 |
手順
- 問いを 1 行で書く。どの範囲の、何の設備や路面を、何のために見るか。
- 画像を選ぶ (imagery-sources)。範囲の全ての画像を数え、撮影者、機材 (360 度か)、撮影の時期で絞り、一様な無作為の標本を取る (
scripts/panoramax_fetch.py)。標本の数と、絞った理由ごとの数を書く。 - 透視の画像を切り出す (
scripts/equirect_view.py)。柱は水平 (pitch 0) の 4 方向、路面は前方の少し下向き。車体や機材が写る部分は使わない。 GPU が無いときは、torch を PyTorch の CPU 版の配布元から入れる (各スクリプトの冒頭のuvx --index https://download.pytorch.org/whl/cpu ...)。指定しないと CUDA 版 (数 GB) が入り、CPU 8 コアの Docker で 6 分半かかった (CPU 版は 44 秒、2026-11-13)。GPU があるときは--indexを外して--device cuda。 - 柱 (
scripts/inspect_views.py): OWLv2 で柱を見つけ、細長い枠だけを残し、pole_lean.pyで傾きを測り、上部の植生の割合を測り、足の俯角から位置を推定し、近い位置をまとめる (views-and-geometry)。 - 路面の損傷 (
scripts/surface_damage.py): 公開の損傷データでプローブを学習し、写真単位の分割と、別の国のデータで試験してから、路面の帯のパッチに当てる (surface)。 - 路面の材質 (
scripts/surface_material.py): ゼロショットで分け、OSM の surface と突き合わせ、多数派のクラスを当てるだけの基準と並べる。 - 目で確かめる (validation-and-gaps)。一様に選んだ標本の画像に、結果を重ねて見て、記録する。誰が見たか (人か、AI か) を書く。見る数が足りないなら、先に見る数を決め、
scripts/review_plan.pyで点の上位と残りの標本に分けて見る。台帳や OSM の柱を検出が拾わなかったとき、取りこぼしと数える前に、scripts/expected_view.pyで写るはずだったかを計算する (views-and-geometry)。検出が除いた画像の見直しと、2 回のラベルの一致は、データの品質を監査するスキルの、絞り込みと判定の見直しで測る。 - 写真ごとの表と、H3 の格子ごとの集計と、地図 (PNG) を書き出す。
書き出すもの
- 問い、画像の出どころ、ライセンス、範囲の画像の数、絞り方、標本の数
- 柱: 見つけた数、補正できた数、傾きの分布、5 度を超えたもの、植生の割合、位置の推定の仮定 (カメラの高さ)
- 路面: プローブの試験の結果 (写真単位の分割と、別の国)、損傷の割合の分布、材質の分布と OSM との一致、多数派の基準
- 目で確かめた結果 (誰が、何枚)
- 写真ごとの表と格子ごとの集計、地図
- 出していない値と理由 (PCI、視線方向の傾き、正確な位置)
Does it work?
Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.
No reviews yet
People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.
- It worked
- Partly
- It didn't
Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.
Your trail
Files you open will collect here, so you can find them again.
Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.
Now do this for your own.
Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.

