30788

تشخيص و طبقه بندي ترك در زيرساخت حمل و نقل با استفاده از يادگيري ماشين عميق

كارشناسي ارشد

مهندسي كامپيوتر

1400

1402/11/18

دكتر مرتضي آنالويي

كامپيوتر

تشخيص و طبقه¬بندي آسيب¬هاي سطحي موجود در زيرساخت¬هاي حمل¬و¬نقل براي حفظ امنيت و جلوگيري از فجايع حائز اهميت مي-باشد. اهميت اين موضوع به حدي است كه برخي از كشورها براي انجام بازرسي¬هاي دوره¬اي از اين زيرساخت¬ها مصوباتي را تصويب كرده¬اند. طبق اين مصوبات تمامي زيرساخت¬هاي حمل¬و¬نقل بايد به صورت مرتب و دوره¬اي مورد بررسي قرار بگيرند و در صورت نياز مورد بازسازي و يا بهسازي قرار بگيرند. از آن جهت كه انجام اين بازرسي¬ها توسط عاملين انساني، دشوار، زمان بر، پرهزينه و حتي مخاطره آميز است، در اين تحقيق در پي خودكار سازي اين قبيل بازرسي¬ها هستيم. براي انجام اين خودكار¬سازي¬ها از روش¬ها و مدل-هاي يادگيري ماشين و بينايي ماشين كمك خواهيم گرفت و با پياده¬سازي مدل هوش مصنوعي، تلاش در خودكار¬سازي بازرسي¬ها، تشخيص و طبقه¬بندي ترك¬ها خواهيم كرد. در اين تحقيق در دو فاز مجزا به ارائه مدل¬هايي براي تشخيص و طبقه¬بندي ترك¬ها خواهيم پرداخت. در فاز نخست، مدلي بسيار سريع و دقيق را براي طبقه¬بندي تصاوير ارائه خواهيم داد. اين مدل برروي مجموعه داده تركيبي جديدي آموزش خواهد ديد و قادر به تشخيص چهار كلاس مجزا از يكديگر خواهد بود. مدل فاز نخست در نهايت برروي يك مجموعه داده ديده نشده در زمان آموزش، مورد تست قرار ميگيرد و نتايج فوق¬العاده¬اي را به نمايش ميگذارد. در فاز دوم يك مدل بسيار بزرگ را خواهيم داشت كه برروي يك مجموعه داده بزرگ آموزش خواهد ديد و براي تشخيص ترك در تصاوير مورد استفاده قرار خواهد گرفت. هدف مدل موجود در فاز يك طبقه-بندي تصاوير است در حالي كه هدف مدل موجود در فاز دوم تشخيص اشيا ميباشد. در فاز دوم براي بهبود عملكرد مدل، از داده¬افزايي-هاي متعدد، بهينه¬سازهاي متفاوت، تنظيم دقيق ابرپارامترها استفاده شده است. همچنين تعدادي تصاوير از جاده هاي ايران تهيه شده است و مدل با توجه به آنها آموزش ديده است تا عملكرد هرچه بهتر را از خود ارائه دهد. در فاز دوم، براي تست مدل از سه راه كار استفاده ميكنيم. در راه كار اول 500 تصوير جديد از ايران كه به صورت انحصاري براي اين تحقيق جمع¬آوري و برچسب¬گذاري ¬شده¬اند، را مورد تست قرار ميدهيم كه نتايج خوبي را بدست مي¬آوريم. در راه كار دوم يك قطعه ويدئو را از سطح شهر تهيه كرديم و مدل را به صورت بصري برروي آن تست كرديم و نتايج مطلوبي را مشاهده كرديم. در راه كار سوم، مدل را در يك محيط شبيه¬سازي مورد بررسي قرار داديم كه نتايج بصري مطلوبي را نيز از آن بدست آورديم. براي پياده¬سازي دو فاز ذكر شده، به جمع¬آوري داده پرداختيم و دو مجموعه داده را ارائه ميكنيم. براي بهبود سرعت مدل بزرگ در فاز دوم از بهينه¬سازي¬هايي استفاده كرديم تا سرعت استنتاج آن بهبود پيدا كند و امكان اجراي بلادرنگ آن برروي پردازنده مركزي امكان-پذير باشد.

1403/02/12

Crack detection and classification in Transportation infrastructure using deep machine Learning

1/1/1900 12:00:00 AM

Diagnosing and classifying surface damage in transportation infrastructure is vital to maintain security and prevent disasters. This issue is so crucial that some countries have passed approvals for periodic inspections of these infrastructures. According to these approvals, all transportation infrastructures must be regularly and periodically examined and, if necessary, be reconstructed or improved. Since performing these inspections by human agents is difficult, time-consuming, expensive, and even risky, we are looking for the automation of such inspections in this research. To perform this automation, we will take help from machine learning and machine vision methods and models, and by implementing the artificial intelligence model, we will try to automate inspections, crack detection, and classification. In this research, we will present crack detection and classification models in two separate phases. We will offer a fast and accurate image classification model in the first phase. This model will be trained on a new combined dataset and can distinguish four distinct classes from each other. The first phase model is finally tested on a dataset that has not been seen during training, and it shows excellent results. In the second phase, we will have an extensive model that will be trained on a large dataset and used to detect cracks in images. The goal of the model in the first phase is to classify images, while the goal of the model in the second phase is to detect objects. In the second phase, to improve the performance of the model, multiple data Augmentations, different optimizations, and precise adjustment of hyperparameters have been used. Also, several images of Iranian roads have been prepared, and the model has been trained according to them to provide the best possible performance. In the second phase, we use three ways to test the model. In the first step, we will test 500 new images from Iran collected and tagged exclusively for this research, and we will achieve good results. In the second work, we prepared a video of the city and visually tested the model on it, and observed favorable results. Thirdly, we examined the model in a simulation environment to get good visual results. We collected data and presented two new datasets to implement the two mentioned phases. In order to improve the speed of the large model in the second phase, we used optimizations so that the speed of its inference is improved and it is possible to run it in real-time on the central processor.

يادگيري ماشين , يادگيري عميق , تشخيص ترك , طبقه بندي ترك

Machine Learning , Deep Learning , Crack detection , Crack Classification

Ardalan Ghorbanian

Dr. Morteza Analoui