شناسایی و دسته بندی ترک های روسازی آسفالتی با کمک الگوریتم آشکارسازی YOLOv۵
Publish place: Journal Of Modeling in Engineering، Vol: 21، Issue: 72
Publish Year: 1402
نوع سند: مقاله ژورنالی
زبان: Persian
View: 163
This Paper With 19 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JME-21-72_013
تاریخ نمایه سازی: 14 تیر 1402
Abstract:
تشخیص خودکار ترک روسازی برای ارزیابی الزامات تعمیر و نگهداری راه و اطمینان از ایمنی رانندگی ضروری است. تشخیص سنتی ترک دارای مشکلاتی مانند بازدهی پایین و عدم شناسایی کامل است. این پژوهش باهدف رفع مشکلات روش های سنتی تشخیص ترک و استفاده از مدل های یادگیری عمیق، روشی مبتنی بر الگوریتم های آشکارسازی و تشخیص شی برای تشخیص ترک روسازی طراحی کرده و ضمن تشریح مفاهیم تئوری، آخرین مدل های تشخیص اشیا سری YOLOv۵ را برای تشخیص ترک روسازی موردبحث قرار داده است. درنهایت یک مدل آشکارسازی ترک و مدیریت روسازی موثر ارائه شده است. این مدل قادر است نوع، موقعیت و مشخصات هندسی ترک را با دقت و سرعت بالایی نسبت به سایر روش ها مشخص کند. بدین منظور از تصاویر برداشت شده از آسفالت معابر شهر مشهد برای آموزش و ارزیابی مدل استفاده شد. تصاویر برای دو گزینه ترک خطی و ترک سطحی برچسب-گذاری شد. سپس مدل هایی با به کارگیری پنج الگوریتم سری YOLOv۵ و یادگیری انتقالی، ایجاد و ازنظر دقت و سرعت پیش بینی مورد ارزیابی قرار گرفته است. دقت مدل ها بین ۷۷ تا ۹۸ درصد و سرعت پیش بینی مدل ها بین ۴/۱۷ تا ۱۰۵ میلی ثانیه است که بیانگر عملکرد مطلوب مدل ها است. مدل v۵s با داشتن دقت ۸/۹۲ درصد و سرعت ۹/۲۳ میلی ثانیه، به عنوان مدل نهایی جهت پیش بینی واقعی ترک در یکی از معابر اصلی شهر مشهد استفاده شد. با توجه به ابعاد و نوع ترک پیش بینی شده و استفاده از درخت تصمیم پیشنهادی، رویکرد تعمیر و نگهداری برای هر قطعه مشخص گردید.
Keywords:
Authors
حسن حسین زاده
گروه مهندسی عمران، دانشکده فنی و مهندسی، موسسه آموزش عالی اقبال لاهوری
علی قیامی باجگیرانی
گروه مهندسی عمران، دانشکده فنی و مهندسی، موسسه آموزش عالی اقبال لاهوری
محدثه دلاوریان
گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، موسسه آموزش عالی اقبال لاهوری
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :