-
شماره ركورد
28302
-
پديد آورنده
مهدي نيك صفت
-
عنوان
شناسايي آسيب هاي روسازي جاده اي مبتني بريادگيري عميق
-
مقطع تحصيلي
كارشناسي ارشد
-
رشته تحصيلي
مهندسي عمران- زلزله
-
سال تحصيل
1399
-
تاريخ دفاع
1402/2/12
-
استاد راهنما
غلامرضا قدرتي اميري
-
استاد مشاور
احسان درويشان
-
دانشكده
دانشكده مهندسي عمران
-
چكيده
راه‌ها يكي از مهم‌ترين زيرساخت‌هاي حمل و نقل هستند كه وضعيت آنها تأثير زيادي بر ايمني و كارايي حمل و نقل دارد. آسيب‌هاي روسازي مانند ترك‌ها و چاله‌ها مي‌تواند منجر به افزايش هزينه‌هاي نگهداري خودرو، افزايش زمان سفر و كاهش ايمني جاده شود. لذا تشخيص آسيب‌هاي جاده‌اي، به منظور ايجاد ايمني جاده‌ها، كاهش تصادفات رانندگي و بهبود شرايط رانندگي، بسيار مهم است. روشهاي سنتي تشخيص آسيب جاده داراي محدوديت‌هايي مانند هزينه بالا، راندمان كم و دقت‌پايين هستند. بر اين اساس تكنيك‌هاي خودكار مختلفي مانند الگوريتم‌هاي پردازش تصوير و مدل‌هاي يادگيري ماشين براي رفع اين محدوديت‌ها پيشنهاد شده‌اند. استفاده از يادگيري عميق و بالاخص الگوريتم هاي تقسيم بندي معنايي عميق به عنوان يك روش تشخيص آسيب‌هاي جاده‌اي، اين پتانسيل را دارد كه با ارائه راه‌حل‌هاي دقيق‌تر و كارآمدتر، تحولي عظيم در اين زمينه ايجاد كند. يكي از روشهايي كه در اين زمينه بسيار مورد استفاده قرار گرفته است روشهاي مبتني بر معماري Unet مي باشد. با اين حال معماري Unet به دليل آن كه نمي تواند در قسمت‌هاي ابتدايي رمزنگار خود نقشه ويژگي مناسبي را ايجاد كند، ويژگي هايي كه با استفاده از برش‌هاي اتصال به قسمت رمزگشا متصل مي شوند ويژگي‌هاي سطح پاييني را بازسازي مي‌كنند و نتيجه‌ي مطلوبي را به ثبت نمي رساند. هدف از اين پايان نامه، شناسايي آسيب هاي جاده اي با استفاده بهبود شبكه Unet مي باشد. براي اين كار از معماري ResNet براي بهبود استخراج ويژگي ها استفاده شده است. به علاوه از دروازه توجه براي تمركز بر ويژگي‌هاي مهم استفاده شده است. از تصاوير وزارت زيرساخت حمل و نقل ملي كشور برزيل به عنوان داده هاي بنچمارك استفاده شده است. در نهايت نيز عملكرد معماري پيشنهادي با ساير معماري هاي موجود شامل Unet attention، Unet CBAM attention و Unet ResNet مقايسه شده است. نتايج نشان مي دهد كه مدل مذكور مي تواند با دقتIou 0.8665 براي داده‌هاي آموزش، 0.6298 براي داده‌هاي ارزيابي و 0.5844 براي داده‌هاي تست برسد كه نشان از عملكرد بالاتر اين روش نسبت به روشهاي موجود دارد.
-
تاريخ ورود اطلاعات
1402/03/07
-
عنوان به انگليسي
Deep learning-based damage detection of road pavements
-
تاريخ بهره برداري
5/1/2024 12:00:00 AM
-
دانشجوي وارد كننده اطلاعات
مهدي نيك صفت
-
چكيده به لاتين
Roads are an essential part of transportation infrastructure, and their condition significantly affects safety and efficiency. Pavement damage can lead to increased vehicle maintenance costs, longer travel times, and decreased road safety. Automatic techniques such as image processing algorithms and machine learning models have been explored to overcome the limitations of traditional road damage detection methods. Deep learning and deep semantic segmentation algorithms have shown great potential in providing accurate and efficient solutions.The commonly used Unet architecture has limitations in creating feature maps in the encoder, which can lead to suboptimal performance in pavement damage detection. This thesis proposes an enhanced Unet network for pavement damage detection by utilizing ResNet architecture for feature extraction and an attention gate to focus on critical features. The proposed architecture has been evaluated using benchmark data from the Ministry of National Transportation Infrastructure of Brazil and compared with existing models, including Unet attention, Unet CBAM attention, and Unet ResNet. The evaluation results show that the proposed model outperforms existing models in terms of accuracy, achieving an accuracy of 0.8665 for training data, 0.6298 for evaluation data, and 0.5844 for test data. The proposed model's performance improvement can be attributed to the use of ResNet architecture, which improves the feature extraction process, and the attention gate, which focuses on critical features.
-
كليدواژه هاي فارسي
آسيب روسازي , تقسيم بندي معنايي , شبكه Unet , شبكه ResNet , دوازه توجه
-
كليدواژه هاي لاتين
road pavements damage , semantic segmentation , Unet , ResNet , attention gate
-
Author
Mehdi Niksefat
-
SuperVisor
Dr. Gholamreza Ghodrati
-
لينک به اين مدرک :
