پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شماره‌ها | 610 |
| تعداد مقالات | 9,028 |
| تعداد مشاهده مقاله | 67,082,873 |
| تعداد دریافت فایل اصل مقاله | 7,656,353 |
کاربرد شبکه های عصبی عمیق در طبقه بندی تصاویر آسیب های شبکه فاضلاب و مشخص کردن مسیرهای بحرانی آنها | ||
| مدل سازی در مهندسی | ||
| دوره 20، شماره 70، مهر 1401، صفحه 121-132 اصل مقاله (1.67 M) | ||
| نوع مقاله: مقاله مکانیک | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2022.24913.2162 | ||
| نویسندگان | ||
| مسلم سردشتی بیرجندی1؛ حسین رحمانی* 2؛ سعید فراهت2 | ||
| 1دانشجوی دکتری گرایش مکاترونیک، گروه مهندسی مکانیک، دانشکده مهندسی شهید نیکبخت، دانشگاه سیستان و بلوچستان، زاهدان، ایران. | ||
| 2دانشگاه سیستان و بلوچستان | ||
| تاریخ دریافت: 09 آبان 1400، تاریخ بازنگری: 03 اسفند 1400، تاریخ پذیرش: 27 فروردین 1401 | ||
| چکیده | ||
| فاضلابروها جزء اصلی تأسیسات زیربنایی شبکه فاضلاب شهری به حساب می‌آیند. آسیب‌های فاضلابروها به دلیل غیرقابل رویت بودن کمتر توجه شده و این عدم رسیدگی به آسیب‌ها، موجب وضعیت‌های اضطراری و هزینه‌های غیر منطقی می‌گردد. این شریان‌های حیاتی در طول سرویس‌دهی، نیازمند نگهداری و بازسازی جهت عملکرد بهینه در تمام ابعاد می‌باشند. امروزه روش‌های پردازش و طبقه‌بندی عکس و فیلم-های گرفته شده توسط ربات‌های ویدئو متری متحرک برای انجام بازرسی شبکه فاضلاب بسیار مورد استفاده قرار می‌گیرند. یکی از الگوریتم‌های موفق در زمینه پردازش تصویر، الگوریتم شبکه عصبی کانولوشن است که از زیر مجموعه‌های الگوریتم یادگیری عمیق به شمار می‌رود. در این مقاله از یک الگوریتم شبکه عصبی کانولوشن جهت طبقه‌بندی تصاویر آسیب‌های شبکه فاضلاب و موارد مؤثر در بهبود و دقت و عملکرد این الگوریتم، پرداخته شده است. تصاویر توسط ربات ویدئومتری از شبکه فاضلاب بدست آمده است. نتایج حاصل از استفاده از الگوریتم پیشنهادی در شبکه فاضلاب، دستیابی به دقت 98 درصدی در طبقه‌بندی آسیب‌های شبکه و در مقایسه با سایر روش‌ها و نیز کاهش زمان اجرای نسبتا کم معماری پیشنهادی (91 دقیقه) در مقایسه با سایر معماری‌های معتبر در یادگیری عمیق در یک بستر سخت‌افزاری یکسان می‌باشد. همچنین، در آینده، الگوریتم پیشنهادی جهت تحلیل شبکههای فاضلاب بدون نیاز به نیروهای متخصص و همچنین کنترل یک ربات هدایت خودکار ویدئومتری شبکه فاضلاب مورد استفاده قرار خواهد گرفت. | ||
| کلیدواژه‌ها | ||
| الگوریتم یادگیری عمیق؛ شبکه عصبی کانولوشن؛ ویدئومتری شبکه فاضلاب؛ پردازش تصویر | ||
| عنوان مقاله [English] | ||
| Application of deep neural networks in classifying images of sewer network damage and identifying their critical paths | ||
| نویسندگان [English] | ||
| Moslem Sardashti Birjandi1؛ said farahat2؛ | ||
| 1PhD Student, Department of Mechanical Engineering, Shahid Nikbakht Faculty of Engineering, Sistan and Baluchestan University, Zahedan, Iran. | ||
| چکیده [English] | ||
| Sewage flow path is the main component of urban sewerage network infrastructure. Damage to sewers is less noticeable due to invisibility, and this failure to handle the damage leads to emergencies and unreasonable costs. These vital arteries need to be maintained and rebuilt during service for optimal performance in all dimensions. Nowadays, the methods of processing and classifying photos and videos taken by mobile videometer robots are widely used to inspect the sewer network. One of the successful algorithms in the field of image processing is the convolutional neural network algorithm, which is a subset of deep learning algorithm. In this paper, a convolutional neural network algorithm is used to classify images of sewer network damage and cases affecting the improvement, accuracy and performance of this algorithm. The images were obtained by a videometric robot from the sewer network. Results of using the proposed algorithm in the sewerage network, achieving 98% accuracy in classifying network faults and compared to other methods and also reducing the relatively low execution time of the proposed architecture (91 minutes) compared to other architectures valid ones are the same in deep learning on the same hardware platform. Also, in the future, the proposed algorithm will be used to analyze networks without the need for specialized personnel and also to control an automatic network videometry robot. | ||
| کلیدواژه‌ها [English] | ||
| Deep learning algorithm Deep learning algorithm, Convolution neural network, Sewer network videometry, Image Processing | ||
| مراجع | ||
|
[1] جواد لشکری زاده و سید محمود حسینی، "رتبه بندی آسیب پذیری فاضلابروها جهت تدوین برنامه نگهداری و بازسازی شبکه فاضلاب شهری با استفاده از روش SAW"، نهمین کنگره مهندسی عمران، 21 و 22 اردیبهشت ماه 1395 دانشگاه فردوسی مشهد، مشهد، ایران. [2] S. Reyna, M. Delleur, W. Jacques, J.A. Vanegas, “Multi Attribute Rehabilitation of Storm or Combined Sewer System”, Urban Drainage Rehabilitation Programs and Techniques, Macaitis, New York, 1994, pp 55–72. [3] G. Rivard, P. Depuis, “Evaluation du Comportement Hydraulique d’un Re´seaud’e´Goutexistant: Parame`tres et Crite`resd’Analyse Pour la Re´habilitation,” Proc., INFRA, 2000. [4] S. Bennis, J. Bengassem, P. Lamarre, “Hydraulic Performance Index of a Sewer Network”, Journal of Hydraulic Engineering, Vol. 129, 2003, pp. 504-510. [5] A. Cardoso, V. Prigiobbe, M. Giulianelli, E. Baer, J. Benedittis, S.T. Coelho, “Assessing the Impact of Infiltration and Exfiltration in Sewer Systems Using Performance Indicators: Case Studies of the APUSS Project”, Proceeding of International Conference on Urban Drainage, Copenhagen, Denmark, August 21-26, 2005. [6] F. Chughtai, T. Zayed, “Sewer Pipeline Operational Condition Prediction Using Multiple Regression”, Journal of Pipeline Engineering, ASCE, Vol. 1, 2007, pp. 1-11. [7] J. Bengassem, S. Bennis, “Fuzzy Expert System for Sewer Networks Diagnosis”, Proc. of International Conference on Decision Making in Urban and Civil Engineering, Lyon, France, 2000. [8] سپیده سادات مدنی تنکابنی، و مسعود تابش، "بررسی شاخص عملکرد هیدرولیکی شبکههای جمع آوری فاضلاب شهری"، پنجمین کنفرانس هیدرولیک ایران،کرمان، 7 تا 19 آبان، 1384. [9] S.M. Hosseini, A. Ghasemi, “Hydraulic Performance Analysis of Sewer Systems with Uncertain Parameters”, Journal of Hydroinformatics, Vol. 14, 2012, pp. 682-696. [10] A. Mohan, S. Poobal, “Crack Detection Using Image Processing: A Critical Review and Analysis”, Alexandria Engineering Journal, Vol. 57, 2018, pp. 787-798. [11] J.K. Oh, G. Jang, S. Oh, J.H. Lee, B.J. Yi, Y.S. Moon, J.S. Lee, Y. Choi, “Bridge Inspection Robot System with Machine ision”, Automation in Construction, Vol. 18, 2009, pp. 929-941. [12] N.D. Hoang, Q.L. Nguyen, “A Novel Method for Asphalt Pavement Crack Classification Based on Image Processing and Machine Learning, Engineering with Computers”, Vol. 35, 2019, pp. 487-498. [13] I. Goodfellow, Y. Bengio, A. Courville, “Deep Learning”, MIT Press, 2016. [14] N. Dwivedi, D.K. Singh, “Review of Deep Learning Techniques for Gender Classification in Images”, Harmony Search and Nature Inspired Optimization Algorithms, Springer, 2019, pp. 1089-1099. [15] V. Podvezko, “The Comparative Analysis of MCDM Methods SAW and COPRAS”, Journal of Engineering Economics, Vol. 22, 2011, pp. 134-146. [16] راضیه راستگو، کورش کیانی، "شناسایی چهره بااستفاده از تنطیم دقیق شبکه های کانولوشنی عمیق و رویکرد یادگیری انتقالی"، مجله مدل سازی در مهندسی، دوره 17، شماره 58، پاییز 1398، صفحه 103-111. [17] علی سلیمانی ایوری، محمد رضا فدوی امیری، حسین مروی، "تولید سیگنال مصنوعی زلزله به کمک مدلی جدید در فشرده سازی و آموزش شبکه هایعصبی مصنوعی"، مجله مدل سازی در مهندسی، سال 14، شماره 46، پاییز 1395، صفحه 75-85. [18] علی نظری، "مدلسازی انرژی ضربه ی فولادهای مرتبه ای با استفاده از شبکه های عصبی مصنوعی"، مجله مدل سازی در مهندسی، دوره 14، شماره 45، تابستان 1395، صفحه 145-162. [19] Y. Xie, L. Ning, M. Wang, C. Li, “Image Enhancement Based on Histogram Equalization”, Journal of Physics Conference Series, IOP Publishing, Vol. 1314, 2019, pp. 012161. [20] W. Nawaz, S. Ahmed, A. Tahir, H.A. Khan, “Classification of Breast Cancer Histology Images Using Alexnet”, International Conference Image Analysis and Recognition, Springer, 2018, pp. 869-876. [21] M.K. Kim, “Contactless Palmprint Identification Using the Pretrained VGGNet Model”, Journal of Korea Multimedia Society, Vol. 21, 2018, 1439-1447. [22] M. Al-Qizwini, I. Barjasteh, H. Al-Qassab, H. Radha, “Deep Learning Algorithm for Autonomous Driving Using Googlenet”, IEEE Intelligent Vehicles Symposium (IV), IEEE, 2017, pp. 89-96. | ||
|
آمار تعداد مشاهده مقاله: 496 تعداد دریافت فایل اصل مقاله: 221 |
||