25497

تشخيص خرابي‌هاي روسازي با استفاده از روشهاي يادگيري ماشين

كارشناسي ارشد

مهندسي عمران- گرايش راه و ترابري

98-99

1398/8/27

دكتر محمودعامري، دكتر برات مجردي

مهندسي عمران

ارزيابي خرابيهاي روسازي يكي از مهمترين مرحله، در عمليات مديريت روسازي محسوب ميشود. در سالهاي اخير تحقيقاتي گستردهاي پيرامون توسعه روشهاي خودكار، جهت تشخيص خرابيهاي روسازي انجام گرفته است. يكي از اين روشها استفاده از روشهاي پردازش تصوير است. بيشتر اين مطالعات به منظور تشخيص تركهاي روسازي و بر پايهي استفاده از روشهايي هستند كه نيازمند دادههاي زياد است و داراي حجم محاسباتي بالايي ميباشند. از اين رو اين پژوهش به دنبال راهكاري براي تشخيص خرابيهاي شايع با استفاده از دادههايي با حجم كمتر و روشهاي مناسب پيشپردازش و استخراج ويژگي به منظور طبقهبندي با دقت بالا است. به اين منظور از بافت تصاوير ويژگيها مهم استخراج گرديد و توسط روشهاي يادگيري ماشين خرابيها طبقه بندي گرديد. نتايج نشان داد كه اين روش نميتواند تركها را به خوبي از يكديگر تفكيك كند، به همين منظور پس از پيشپردازش‌هاي لازم از روشي ديگر مبتني بر استخراج ويژگي از مولفههاي افقي و قائم استفاده شد. براي اين منظور هيستوگرامهايي در دو جهت افقي و قائم تصوير ايجاد شد و مقادير اين هيستوگرام به عنوان بردار ورودي به طبقهبند داده شد. نتايج حاكي از آن است كه هر نوع ترك هيستوگرام منحصر به فرد خود را دارد كه باعث تفكيك آنها از يكديگر ميشود. در اين پژوهش از روشهاي طبقهبندي ماشين بردار پشتيبان، درخت تصميم، k نزديكترين همسايه و جنگل تصادفي در يادگيري ماشين استفاده شد. نتايج طبقهبندي نشان داد كه،روش ماشين بردار پشتيبان با كرنل RBF داراي بيشترين دقت (93 درصد) نسبت به ساير طبقه بندها است.

1400/08/18

Pavement Damage Detection using Machine Learning Algorithms

11/8/2021 12:00:00 AM

Assessment of pavement distress is one of the most important steps in pavement management operations. In recent years, extensive research has been conducted on the development of automated methods to diagnose pavement distress.One of these methods is the use of image processing methods. Most of these studies are aimed at detecting pavement cracks and are based on the use of methods that require a lot of data and have a high computational volume. Therefore, this study seeks a solution to detect common distress using fewer volume data and appropriate preprocessing and feature extraction methods for high accuracy classification. For this purpose, important features were extracted from the texture of the images, and the failures were classified by machine learning methods. The results showed that this method could not separate the cracks well from each other, so after the necessary preprocessing, another method based on feature extraction from horizontal and vertical components was used. For this purpose, histograms were created in both horizontal and vertical directions and the values of this histogram were classified as input vector. The results indicate that each type of crack has its unique histogram that separates them from each other. In this study, the methods of classification of support vector machine, decision tree, k- nearest neighbor, and random forest were used in machine learning. The classification results showed that the support vector machine method with RBF kernel has the highest accuracy (93%) compared to other classifiers.

ارزيابي خرابي هاي روسازي , پردازش تصوير , استخراج ويژگي , بافت , هيستوگرام تصوير , يادگيري ماشين , طبقه بندي

Evaluation of pavement distress , Image Processing , Feature extraction , Texture , Image histogram , Machine learning , classification