شناسایی و دسته بندی ترکهای روسازی آسفالتی با کمک الگوریتم آشکارسازی YOLOv5 | ||
| مدل سازی در مهندسی | ||
| مقاله 13، دوره 21، شماره 72، بهار 1402، صفحه 175-193 اصل مقاله (2.44 M) | ||
| نوع مقاله: مقاله عمران | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2022.27471.2292 | ||
| نویسندگان | ||
| حسن حسین زاده* 1؛ علی قیامی باجگیرانی1؛ محدثه دلاوریان2 | ||
| 1گروه مهندسی عمران، دانشکده فنی و مهندسی، موسسه آموزش عالی اقبال لاهوری | ||
| 2گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، موسسه آموزش عالی اقبال لاهوری | ||
| چکیده | ||
| تشخیص خودکار ترک روسازی برای ارزیابی الزامات تعمیر و نگهداری راه و اطمینان از ایمنی رانندگی ضروری است. تشخیص سنتی ترک دارای مشکلاتی مانند بازدهی پایین و عدم شناسایی کامل است. این پژوهش باهدف رفع مشکلات روشهای سنتی تشخیص ترک و استفاده از مدلهای یادگیری عمیق، روشی مبتنی بر الگوریتمهای آشکارسازی و تشخیص شی برای تشخیص ترک روسازی طراحی کرده و ضمن تشریح مفاهیم تئوری، آخرین مدلهای تشخیص اشیا سری YOLOv5 را برای تشخیص ترک روسازی موردبحث قرار داده است. درنهایت یک مدل آشکارسازی ترک و مدیریت روسازی مؤثر ارائه شده است. این مدل قادر است نوع، موقعیت و مشخصات هندسی ترک را با دقت و سرعت بالایی نسبت به سایر روشها مشخص کند. بدین منظور از تصاویر برداشتشده از آسفالت معابر شهر مشهد برای آموزش و ارزیابی مدل استفاده شد. تصاویر برای دو گزینه ترک خطی و ترک سطحی برچسب-گذاری شد. سپس مدلهایی با بهکارگیری پنج الگوریتم سری YOLOv5 و یادگیری انتقالی، ایجاد و ازنظر دقت و سرعت پیشبینی مورد ارزیابی قرار گرفته است. دقت مدلها بین ۷۷ تا ۹۸ درصد و سرعت پیشبینی مدلها بین 4/17 تا 105 میلیثانیه است که بیانگر عملکرد مطلوب مدلها است. مدل v5s با داشتن دقت 8/92 درصد و سرعت 9/23 میلیثانیه، بهعنوان مدل نهایی جهت پیشبینی واقعی ترک در یکی از معابر اصلی شهر مشهد استفاده شد. با توجه به ابعاد و نوع ترک پیشبینیشده و استفاده از درخت تصمیم پیشنهادی، رویکرد تعمیر و نگهداری برای هر قطعه مشخص گردید. | ||
| کلیدواژهها | ||
| مدیریت روسازی؛ ترک؛ یادگیری ماشین؛ یادگیری عمیق؛ YOLOv5 | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,190 تعداد دریافت فایل اصل مقاله: 785 |
||
| تعداد نشریات | 22 |
| تعداد شمارهها | 723 |
| تعداد مقالات | 10,394 |
| تعداد مشاهده مقاله | 72,861,852 |
| تعداد دریافت فایل اصل مقاله | 64,556,334 |