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، پاییز 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 | ||
| 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 | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 988 تعداد دریافت فایل اصل مقاله: 505 |
||
| تعداد نشریات | 22 |
| تعداد شمارهها | 718 |
| تعداد مقالات | 10,319 |
| تعداد مشاهده مقاله | 72,326,630 |
| تعداد دریافت فایل اصل مقاله | 64,051,228 |