استفاده از یادگیری عمیق در مدیریت روسازی راه ها در شرایط بودجه محدود به منظور جلوگیری از بحران راه ارتباطی نامناسب

متولیان نگهداری راه ها در شهرها اغلب فاقد یک رویه کلی برای مدیریت شبکه راه های خود هستند. این مشکل با این واقعیت تشدید می شود که در سال های اخیر بودجه شهرها به دلیل بحران اقتصادی فعلی کاهش یافته است. استفاده از سیستم های مدیریت روسازی (PMS) به چندین روش مختلف به مدیریت شبکه راه ها توسط مسئولان شهری کمک می کند. استفاده از PMS به تخصیص کارآمد بودجه محدود موجود در سراسر شبکه راه، پیش بینی نرخ خرابی و ارائه توصیه هایی برای نگهداری روسازی کمک می کند و امکان ایجاد نقشه هایی را که شرایط راه ها را نشان می دهند، فراهم می کند. تشخیص خرابی های روسازی یک روش مهم در تعمیر و نگهداری جاده و ایمنی ترافیک است. به طور سنتی، ارزیابی وضعیت راه با بازرسی میدانی انجام می شد که باتوجه به صرف زمان و هزینه زیاد و وابسته بودن نتایج به نظر ارزیاب باید با روش های خودکار جایگزین شود تا هم حجم کار و در نتیجه هزینه های تعمیر و نگهداری کاهش یابد. این مقاله به بررسی عملکرد الگوریتم های تشخیص اشیا مبتنی بر یادگیری عمیق برای تشخیص خودکار خرابی های سطح راه می پردازد. این مدل ها قادر هستند نوع، موقعیت و مشخصات هندسی خرابی ها را بادقت و سرعت بالایی نسبت به روش های دیگر مشخص کنند. بدین منظور از تصاویر برداشت شده از معابر سطح مشهد استفاده شده است. سپس مدل هایی با به کارگیری الگوریتم های تشخیص اشیا مبتنی بر یادگیری عمیق ایجاد و از نظر دقت و سرعت پیش بینی مورد ارزیابی قرار گرفتند. در نهایت مدلی که به نسبت سایر مدل ها دارای دقت و سرعت قابل بود به عنوان مدل مطلوب جهت پیش بینی خرابی ها در یکی از معابر مشهد استفاده شد. در نهایت براساس درخت تصمیم گیری پیشنهاد شده، رویکرد تعمیر و نگهداری مسیر ارائه گردید.

کلیدواژه ها:

بحران اقتصادی ، مدیریت روسازی ، بودجه محدود ، یادگیری عمیق ، تشخیص خودکار خرابی