حامد جباری - دانشجوی دکتری مهندسی برق -کنترل، دانشگاه بین المللی امام خمینی(ره) قزوین.
نوشین بیگدلی - گروه مهندسی برق -کنترل، دانشگاه بین المللی امام خمینی(ره) قزوین

طبقه بندی نامتوازن تصاویر یکی از مسائل مهم و دشوار در زمینه داده کاوی است. با عدم توانایی الگوریتم های طبقه بندی استاندارد، شبکه های عصبی کپسولی با درنظر گرفتن ارتباطات فضایی ویژگی ها، در مقایسه با سایر شبکه های عمیق مثل شبکه های عصبی کانولوشنی بستر مناسبی را برای طراحی مدل های طبقه بندی نامتوازن فراهم می کنند. ازطرف دیگر چندشاخگی در ترک های سطحی یکی از ناهنجاری ها و دسته های اقلیت موجود در سازه های بتنی است که تشخیص آن می تواند در نگهداری سازه های بتنی و مدیریت هزینه ها موثر باشد. به همین منظور در این مقاله یک معماری جدید بر اساس شبکه های عصبی کپسولی برای ارزیابی طبقه بندی نامتوازن تصاویر ترک های سطحی در سازه های بتنی معرفی شده است. بررسی و مقایسه شبکه پیشنهادی با شبکه های کانولوشنی در طبقه بندی متوازن و نامتوازن ترکهای سطحی روی ۱۳۵۰۰ مجموعه تصاویر جمع آوری شده، نشان از برتری شبکه پیشنهادی داشت. شبکه پیشنهادی در بررسی اثر کاهش تعداد تصاویر آموزش در دقت طبقه بندی نیز برتری چشمگیری در مقایسه با شبکه های کانولوشنی از خود نشان داد. این شبکه طبقه بندی متوازن ترکهای سطحی را با دقت ۹۹/۵۶ درصد انجام داد. همچنین شبکه پیشنهادی تا عدم توازن دسته اقلیت به اکثریت ۱ به ۸، دقت بالای ۸۰ درصد داشت که نسبت به سایر روش ها بسیار مناسب است.

طبقه بندی تصاویر, طبقه بندی نامتوازن, ترک های سطحی, چندشاخگی, یادگیری عمیق, شبکه های عصبی کپسولی