شماره ركورد
30455
پديد آورنده
آريا خاوري دانشور
عنوان
تشخيص و طبقه بندي تصاوير خرابي راه با استفاده از شبكه يادگيري عميق كارآمد در بستر موبايلنت
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مهندسي عمران - راه و ترابري
سال تحصيل
1400
تاريخ دفاع
1402/8/8
استاد راهنما
برات مجردي
دانشكده
عمران
چكيده
شبكهي راههاي يك كشور مهمترين زيرساخت بنيادين آن كشور است. از همين رو نگهداري از آنها به صورتي كه پيوسته در حال خدمترساني باشند، از مهمترين عوامل صرفهجويي در زمان و بهينهكردن منابع مورد نياز انساني و مالي است. كاستيهاي سيستم حال حاضر در امر نگهداري باعث هدررفت سرمايههاي گفته شده ميباشد. يكي از مهمترين اين كاستيها شامل خودكار نبودن كارشناسي وضعيت راهها و سرعت پايين اين روند در عين نياز به حضور كارشناسان انساني در تمامي مراحل است.
استفاده از روشهاي پردازش تصوير و بهرهگيري از سرعت بالاي بينايي كامپيوتري ميتواند يكي از راهحلهاي معضل ياد شده تلقي شود. الگوريتم هاي كامپيوتري دائما در دسترس بوده و استفاده از آنها براي ارزيابي وضعيت خرابي راهها، از روشهاي مقرون به صرفه در عين حال نيازمند زمان بسيار كمتر از روشهاي سنتي شمارده ميشوند. با اينحال بنا بر شرايط، ممكن است انتخاب تجهيزات پردازشي گران قيمت و ابزارهاي دادهبرداري پيشرفته مطلوب نباشند.
هدف از اين تحقيق ارزيابي عملكرد يك مدل عصبي عميق يادگيري كارآمد در مواجهه با امر تشخيص و طبقهبندي خرابي راههاست كه از مدل هوش مصنوعي سريع و كم حجمي بهره ميبرد كه به موبايلنت نسخهي 2 مشهور ميباشد. اين شبكه كارآمد موبايلنت پردازش دادههاي خرابي راه را از دستگاههاي كامپيوتري پيشرفته بينياز مينمايد. همچنين اين تحقيق توانايي استفاده از كاربران اصلي راه، مردم، را به عنوان بازوي محرك جمع آوري داده از شبكهي راهها مورد سنجش قرار ميدهد. به همين منظور در اين تحقيق سامانهي جامعي شامل برنامهي كاربردي تلفن همراه به عنوان ابزار پيشنهادي جمع آوري داده، برنامهي ميانجيگر بين تلفن همراه كاربران و پايانهي پردازشي و همچنين برنامهي مفسر شرايط خرابي تصاوير از راه توسعه داده شدهاند. اوزان به دست آمده توسط موبايلنت در بستر تنسرفلو نسخهي 2 توسعه داده شده اند كه در برنامهي مفسر شرايط خرابي استفاده ميشوند. در قدم بعدي اين سامانه مورد ارزيابي در شرايط واقعي قرار گرفته و دقت و كارآمدي آن صحت سنجي ميشود. همچنين با استفاده از اين دادهها سه معماري ديگر نيز آموزش داده شده تا از نتايج آنها براي مقايسه با موبايلنت استفاده شود.
عملكرد اين سامانه با بررسي 378 تصوير غيرحرفهاي از خرابيهاي راه در استان تهران در هشت كلاس خرابي بررسي شده است. معيار F1 سامانهي توسعه داده شده به عدد 64.36٪ رسيده است. در نتيجه سامانه عملكرد مطلوبي را براي امر تشخيص خرابي راهها ارائه ميدهد.
تاريخ ورود اطلاعات
1402/09/29
عنوان به انگليسي
Road Damage Detection and Classification Using an Efficient Deep Learning Method Based On Mobilenet
تاريخ بهره برداري
1/1/1900 12:00:00 AM
دانشجوي وارد كننده اطلاعات
اريا خاوري دانشور
چكيده به لاتين
The road network of a country is the most important fundamental infrastructure of that country. Therefore, maintaining them in such a way that they are continuously providing services is one of the most important factors in saving time and optimizing the required human and financial resources. The shortcomings of the current system in terms of maintenance cause the waste of said funds. One of the most important of these shortcomings is the non-automation of road condition experts and the slow speed of this process, while requiring the presence of human experts in all stages.
Using image processing methods and taking advantage of the high speed of computer vision can be considered as one of the solutions to the mentioned problem. Computer algorithms are constantly available and using them to evaluate the state of road damage is one of the cost-effective methods that require much less time than traditional methods. However, according to the conditions, the choice of expensive processing equipment and advanced data collection tools may not be desirable.
The purpose of this research is to evaluate the performance of a small and fast artificial intelligence model called Mobilenet in the face of road damage detection and classification, which eliminates the need for advanced computer devices to process road damage data. Also, this research evaluates the ability to use the main road users, people, as the driving arm of data collection from the road network. For this purpose, in this project, a comprehensive system including a mobile phone application as a suggested tool for data collection, an intermediary program between users' mobile phones and processing terminals, as well as an interpreter program for road image failure conditions have been developed. In the next step, this system is evaluated in real conditions and its accuracy and efficiency are verified.
The performance of this system has been evaluated by examining 378 non-professional images of four categories of roads. The F1 score was 0.64. As a result, the system has provided good performance.
كليدواژه هاي فارسي
خرابي راه , نگهداري راه , هوش مصنوعي , بينايي ماشين , يادگيري ماشيني , موبايلنت
كليدواژه هاي لاتين
road damage , road maintenance , artificial intelligence , computer vision , machine learning , mobilenet
Author
Arya Khavari Daneshvar
SuperVisor
Barat Mojaradi