7666

استفاده از يادگيري عميق در پردازش عكس هاي پانوراماي شهري به منظور برداشت خرابي هاي روسازي

1398

دكتر ندا كامبوزيا

در كلان‌شهرهايي مانند تهران، بيش از شش درصد از بودجه‌هاي مرتبط با بند تملك دارايي صرف تعمير و نگهداري از معابر شهري مي‌شود و به اين ترتيب يكي از عمده‌ترين رديف‌هاي بودجه شهر به اين زير بند اختصاص مي‌يابد. از سوي ديگر عدم تخصيص به موقع منابع و يا به عبارت ديگر سوء مديريت منابع، مي‌تواند موجب افزايش چند برابري اين هزينه شود. بنابراين در اين‌جا نيز راهكار منطقي براي پيش‌گيري از هدر رفت منابع، مديريت معابر موجود و برنامه‌ريزي براي تعمير و نگهداري به موقع آن است. نخستين گام براي اعمال چنين مديريتي، تعيين وضعيت معبر به خصوص روسازي آن است. اين گام در طول فرآيند مديريتي به صورت مداوم تكرار مي‌شود و به تدريج و همگام با بروزرساني اطلاعات، دقت ابزار و مدل‌هاي پيش‌بيني وضعيت آتي و تخصيص منابع مورد استفاده در اين سيستم مديريتي را بهبود مي‌دهد. از همين رو در اين پژوهش با ارائه راهكاري كم‌هزينه براي برداشت اطلاعات ارائه شده است. اين راهكار بر مبناي استفاده از شبكه عصبي عميق براي پردازش تصاوير بدست آمده در پروژه تصوير برداري پانوراماي معابر شهري كه با نام شهرنما شناخته مي‌شود بنا شده است. از آن‌جا كه اين تصاوير به صورت دائم و با اهداف مديريت منظر و شهرسازي برداشت مي‌شوند، ارائه تحليل بر روي اين تصاوير موجب ايجاد ارزش افزوده مي‌گردد. با استفاده از چنين راهكاري مي‌توان در زماني منطقي به ديد مناسبي از وضعيت خرابي روسازي در سطح شبكه رسيد.

7/6/2020 12:00:00 AM

68971

1399/08/25

Deep Neural Network-based Network-level Urban Pavement Inspection Using Street View Images

مديريت روسازي