26141

تشخيص خرابي چاله در روسازي آسفالتي با استفاده از يادگيري ماشين

كارشناسي ارشد

مهندسي عمران راه وترابري

1397

11/11/1400

دكتر محمود عامري_دكتر برات مجردي

مهندسي عمران

شناسايي خرابي هاي روسازي يكي از مراحل مهم در عمليات مديريت روسازي مي باشد ، از طرفي تعمير و نگهداري جاده ها به منظور پايداري سيستم روسازي و حفظ امنيت وسايل نقليه امري مهم محسوب مي شود. لذا بازبيني و نظارت از سيستم روسازي به منظور تشخيص خرابي ها (ازجمله خرابي هاي موثر در تصادفات رانندگي مانند چاله ها )و تعمير سيستم روسازي جهت جلوگيري از سوانح جاده اي و ترمييم خرابي هاي سيستم روسازي امري ضروري است به همين دليل در دهه اخير، به منظور رفع نقائص و مشكلات مربوط به ارزيابي دستي و چشمي خرابي هاي روسازي، تحقيقات گسترده اي به منظور توسعه روش هاي نيمه خودكار و تمام خودكار بازرسي وضعيت روسازي وشناسايي خرابي هاي روسازي انجام گرفته است. بررسي مطالعات پيرامون شناسايي خودكار خرابي چاله نشان ميدهد روش هايي كه به شناسايي اين خرابي از روي تصاوير دوبعدي مي پردازد، ازلحاظ صرفه اقتصادي وكارآمدي مناسب‌تر از ساير روش هاي ارائه شده مي باشد. از اين رو اين پژوهش به توسعه روش هايي براي شناسايي خرابي چاله از روي تصاوير سطح آسفالت با استفاده از دادههايي با حجم كمتر و روشهاي مناسب پيشپردازش و استخراج ويژگي به منظور طبقهبندي با دقت بالا پرداخته است. به اين منظور دو روش براي شناسايي خرابي چاله ها در تصاوير روسازي آسفالتي در اين پژوهش ارائه شده است. نتايج بررسي معيار هاي ازريابي روش هاي ارائه شده نشان داد كه اين روش ها ميتواند با عملكرد قابل قبول تصاوير داراي خرابي چاله در روسازي آسفالتي راشناسايي كند . همچنين مقايسه الگوريتم هاي طبقه‌بندي در يادگيري ماشين نشان ميدهد روش ماشين بردار پشتيبان با كرنل خطي داراي بيشترين دقت (97 درصد) نسبت به ساير روش هاي طبقه بندي در يادگيري ماشين مي باشد.

1400/12/15

Pothole detection in asphalt pavement using machine learning

1/31/2023 12:00:00 AM

Identifying pavement failures is one of the important steps in pavement management operations, on the other hand, road maintenance is important in order to stabilize the pavement system and maintain the safety of vehicles. Therefore, reviewing and monitoring the pavement system in order to diagnose breakdowns (including effective breakdowns in traffic accidents such as potholes) and repairing the pavement system to prevent road accidents and repair pavement system breakdowns is essential. In order to eliminate defects and problems related to manual and visual assessment of pavement failures, extensive research has been conducted to develop semi-automatic and fully automatic methods of pavement inspection and identification of pavement defects. A review of studies on automatic pothole detection shows that the methods that detect this failure from two-dimensional images are more economical and efficient than other methods presented. Therefore, this study has developed methods for identifying pothole from asphalt surface images using less volume data and appropriate preprocessing and feature extraction methods for high-precision classification. For this purpose, two methods to identify the failure of pothole in asphalt pavement images are presented in this study. The results of reviewing the evaluation criteria of the proposed methods showed that these methods can identify the images with pothole in the asphalt pavement with acceptable performance. Also, comparison of classification algorithms in machine learning shows that the support vector machine method with linear kernel has the highest accuracy (97%) compared to other classifiers.

شناسايي خرابيهاي روسازي، پردازش تصوير، استخراج ويژگي، يادگيري ماشين

: Identify pavement failures, Image processing, Feature extraction, Machine learning

Mohammadali Tabeei

Dr. Mahmod Ameri_ Dr. Barat mojaradi