28192

بهبود عملكرد شناساگر خرابي‌هاي جاده با استفاده از روش‌هاي يادگيري عميق و داده افزايي

كارشناسي ارشد

مهندسي خودرو گرايش الكترونيك و برق خودرو

1399

1401/12/22

عبدالله اميرخاني شهركي

خودرو

تشخيص آسيب‌هاي جاده، علاوه بر بهبود فرايند نگهداري از آن‌ها مي¬تواند از تصادفات رانندگي بي‌شماري جلوگيري كند. بررسي پايگاه‌هاي داده موجود در تشخيص خرابي‌هاي جاده نشان مي‌دهد كه داده‌هاي آن‌ها، تعداد و توزيع مناسبي در شرايط محيطي مختلف ندارند. همچنين بررسي روند جمع‌آوري خرابي‌هاي جاده‌اي با استفاده از تلفن همراه نشان مي‌دهد كه بسياري از داده‌ها قابل استفاده براي تشخيص نيستند و كيفيت مناسبي ندارند. در اين پايان‌نامه در گام اول با استفاده از تكنيك‌هاي داده افزايي سنتي شرايط محيطي مختلف در داده‌هاي آموزشي و صحت‌سنجي پايگاه RDD2020 ايجاد شده است. سپس پايگاه خرابي‌هاي جاده‌اي ايران با استفاده از يك دوربين تلفن همراه نصب شده بر خودرو جمع‌آوري شده است. جمع‌آوري داده‌هاي باكيفيت يكي از چالش‌هاي اساسي اين روش است. با استفاده از تكنيك BRISQUE فرايندي خودكار جهت حذف داده‌هاي بي‌كيفيت توسعه داده شده است. اين پايگاه شامل 25000 تصوير و 48890 نشان است. در گام دوم، الگوريتمي مبتني بر YOLOv5 با چندين مدل مبنا، جهت تشخيص آسيب¬هاي جاده ايجاد شده است. در گام سوم، جهت بهبود دقت، تعميم پذيري و استحكام مدل‌هاي شناساگر از داده افزايي سنتي در فرايند آموزش استفاده شده است. سپس دقت شناساگر‌ها در كلاس‌ها با تعداد نمونه‌ي محدود، با تركيب داده افزايي جعبه مرزي و روش تلفيق پوآسن اصلاح شده در RDD2020 و پايگاه خرابي‌هاي جاده‌اي ايران بهبود داده شده است. در گام چهارم، با آموزش شبكه‌هاي مولد متخاصم بر مبناي (StyleGAN-ADA-2) و داده‌هاي نشان شده، روشي براي ايجاد داده‌هاي آموزشي جديد با استفاده از داده‌هاي بدون خرابي جاده‌اي ايجاد شده است. نتايج اين پژوهش حاكي از آن است كه رويكرد‌هاي داده افزايي در پايگاه RDD2020 موجب بهبود عملكرد شناساگر‌ها در معيار F1-Score و mAP به ترتيب به ميزان 33 و 50 درصد شده است. همچنين اين روش‌ها در پايگاه خرابي‌هاي جاده‌اي ايران موجب بهبود mAP و F1-score به ترتيب به ميزان 13.79 و 7.58 درصد شده است. پايگاه داده خرابي‌هاي جاده‌اي ايران و بخشي از كد در لينك: https://github.com/IranRoadDamageDataset/IRRDD در دسترس است.

1402/02/10

Improving the performance of Road Damage Detector using Deep Learning and Data Augmentation Methods

3/12/2024 12:00:00 AM

Detecting road damage, in addition to improving road maintenance process, can prevent countless traffic accidents. Examining existing datasets in the road damages detection shows that their data do not have the appropriate number of samples and distribution in different environmental conditions. Also, the investigation of the process of collecting road damages using mobile phones shows that many data cannot be used for detection and are not of good quality. In this thesis, in the first step, using traditional data augmentation techniques, different environmental conditions have been created in the training and validation data of the RDD2020 dataset. Then, the Iran Road Damage Dataset has been collected using a mobile phone camera installed on the car dashboard. Collecting quality data is one of the main challenges of this method. Using the BRISQUE technique, an automatic process has been developed to remove poor quality data. This dataset contains 25,000 images and 48,890 instances. In the second step, an algorithm based on YOLOv5 with several base models has been created to detect road damage. In the third step, in order to improve the accuracy, generalizability and robustness of the detection models, traditional data augmentation has been used in the training process. Then, the accuracy of the detectors in classes with a limited number of samples has been improved by combining bounding box data augmentation and the modified Poisson blending method in RDD2020 and Iran Road Damage Dataset. In the fourth step, by training generative adversarial networks based on (StyleGAN-ADA-2) and labeled data, a method to create new training data using data without road damages has been developed. The results of this research indicate that data augmentation approaches in the RDD2020 dataset have improved the performance of detectors in the F1-Score and mAP criteria by 33 and 50 percent, respectively. Also, these methods have improved mAP and F1-score by 13.79% and 7.58%, respectively, in the Iran Road Damage Dataset. Iran Road Damage Dataset and part of the code is available in the link: https://github.com/IranRoadDamageDataset/IRRDD

شناساگر اشياء , شناسايي خرابي‌هاي جاده , داده افزايي , پايگاه داده , يادگيري عميق

Object Detector , Road damage detection , Data augmentation , Dataset , Deep learning

Nima Aghayan Mashhadi

Abdollah Amirkhani