10649

رويكرد يادگيري ژرف ماشيني براي توسعه يك شاخص جديد وضعيت روسازي آسفالتي

1397

جناب آقاي دكتر زياري

ارزيابي وضعيت روسازي، اطلاعاتي را براي تصميم‌گيري مقرون‌به‌صرفه و سازگارتر جهت مديريت شبكه روسازي فراهم مي‌كند. به‌طوركلي، بازرسي خرابي‌هاي روسازي با استفاده از وسايل نقليه پيشرفته جمع‌آوري داده‌ها و يا بازرسي‌هاي زميني انجام مي‌شود. هريك از اين دو روش، فرايند تشخيص خرابي‌ها را وابسته به نيروي انساني انجام مي‌دهند كه پرهزينه، ناكارآمد و ناامن است. تشخيص وضعيت خرابي به‌صورت خودكار از طريق عكس‌برداري از جاده‌ها، هنوز يك مسئله چالش‌برانگيز در ميان محققين روسازي و جامعه ايده پردازان كامپيوتري است. در مهروموم‌هاي اخير، پيشرفت در يادگيري عميق(روشي است بر مبناي مجموعه‌اي از الگوريتم‌هاي ذهني براي مدل‌سازي) ، محققان را قادر ساخته است تا ابزارهاي قوي براي تجزيه‌وتحليل تصاوير روسازي با دقت بي‌سابقه‌اي ايجاد كنند. بااين‌وجود، استفاده از مدل‌هاي يادگيري عميق، مستلزم مجموعه‌اي بزرگ از داده‌هاي مربوط به زمين است كه معمولاً براي روسازي‌ها به‌راحتي در دسترس نيستند. در مطالعه حاضر، مطالعات پيشين موردبررسي قرارگرفته شده و مجموعه‌اي از داده‌هاي روسازي به‌عنوان اولين مرحله براي راه‌اندازي و گسترش يك سيستم ارزيابي وضعيت روسازي قدرتمند و درعين‌حال آسان‌تر، در نظر گرفته شد. درمجموع، تعداد 7237 تصوير از تصاوير خيابان‌ها، در ديتابيس گوگل (نقشه گوگل) استخراج و با طبقه‌بندي آن‌ها در قالب نُه خرابي، شرح داده شدند. سپس با مدل (YOLO )، چارچوب و بدنه اين روش (يادگيري عميق ) براي مدل‌سازي، با استفاده از مجموعه داده‌هاي نشان شده، شكل گرفت. در مطالعه حاضر، يك مدل مبتني بر ( U-net) نيز كه اين مدل هم بر اساس شبكه‌هاي عصبي كانولوشني عمل مي‌كند، براي كمّي سازي شدّت خرابي‌ها و نهايتاً ارائه يك مدل تركيبي با يكپارچه‌سازي مدل YOLO و U-Net براي طبقه‌بندي نوع خرابي و كمّي سازي شدت آن‌ها به‌صورت هم‌زمان معرفي‌شده است. شاخص‌هاي مختلف وضعيت روسازي با اجراي الگوريتم‌هاي مختلف با استفاده از چارچوب يادگيري عميق (YOLO) براي تعيين نوع خرابي‌ها و U-Net براي تقسيم‌بندي و شدت خرابي‌ها توسعه مي‌يابد. خروجي مدل تركيبي حاضر (طبقه‌بندي و تعيين نوع خرابي‌ها و كمّي سازي شدّت آن‌ها) (YOLO & U-net)، براي توسعه يك ابزار جامع و فراگير جهت تعيين وضعيت روسازي، هر تصوير از روسازي را با توجّه به نوع و شدّت خرابي استخراج‌شده رتبه‌بندي مي‌كند. درنتيجه استفاده از اين مدل باعث مي‌شود تا از وابستگي بيش‌ازحد قضاوت انساني در طول فرايند ارزيابي وضعيت روسازي جلوگيري شود. نتيجه اين مطالعه مي‌تواند براي ارزيابي وضعيت روسازي در طول بهره‌برداري از راه استفاده‌شده و به تصميم‌گيري قابل‌اطمينان و معتبر براي ترميم و نگهداري، نوسازي يا بازسازي جاده‌ها در زمان مناسب كمك كند.

1/11/2022 12:00:00 AM

74606

1401/01/28

Deep Machine Learning Approach to Develop a New Asphalt Pavement Condition Index

بازرسي و نظارت روسازي , تشخيص خرابي‌هاي روسازي , يادگيري عميق , يادگيري ماشين , پردازش تصوير

Pavement monitoring , ; Pavement distresses detection , Deep learning;Google API , ; Machine learning , ; Pavement condition prediction , YOLO , Image processing