نگهداری و تعمیرات مبتنی بر وضعیت شبکه راه (CBM) با استفاده از مدلهای یادگیری عمیق و روشهای افزایش داده

انقلاب صنعتی چهارم در استفاده از سیستم های فیزیکی و دیجیتال انقلابی ایجاد کرده است و درعین حال نقشی حیاتیدر دیجیتالی کردن برنامه های تعمیر و نگهداری دارایی های فیزیکی به روش بهینه ایفا میکند. تشخیص خودکار آسیب هایروسازی برای ارزیابی نگهداری جاده و اطمینان از ایمنی رانندگی ضروری است. اگر ترک ها به موقع شناسایی و تعمیرنشوند، عمر روسازی به طور تصاعدی کاهش و هزینه های نگهداری افزایش می یابد. علاوه بر این؛ چاله ها ایمنی بزرگراه هارا تهدید و خرابی روسازی را تسریع می کنند. در این مطالعه یک رویکرد نگهداری و تعمیرات مبتنی بر شرایط را توسعهداده شده است که از مدلهای یادگیری عمیق از قبل آموزش دیده برای شناسایی و تشخیص انواع آسیب های جاده استفادهمی کند. روشهای تشخیص مرسوم مشکلاتی مانند اثربخشی ضعیف و عدم شناسایی کامل را دارد. در این تحقیق؛ برایحل مسائل مربوط به روشهای مرسوم و استفاده از مدلهای یادگیری عمیق، یک روش تشخیص مبتنی بر شبکهYOLOv۷ و روشهای افزایش داده برای تشخیص آسیب روسازی پیشنهاد شده است. در ابتدا؛ تصاویر آسیب های روسازی برای ایجاد مجموعه های آموزشی و آزمایشی جمع آوری شد. سپس؛ مدل YOLOv۷ همراه با روشهای افزایش داده ایجاد گردید. عملکرد تشخیص YOLOv۷ با مدل های سری YOLOv۵ و YOLOv۳ مقایسه شد. الگوریتم YOLOv۷ بهترین عملکرد تشخیص و توانایی تعمیم قوی در صحنه های پیچیده را با ،Recall ،Precision ،mAP، امتیاز F۱ و زمان تشخیص به ترتیب ۹۹/۱، ۹۷/۷۵، ۹۷/۳۶ درصد و ۰/۰۲۵۵ ثانیه در هر تصویر داشت. ازاین رو؛ YOLOv۷ با افزایش داده میتواند برای تشخیص آسیب های روسازی در صحنه های پیچیده استفاده شود. در ادامه تحقیق؛ یک درخت تصمیم برای تعیین رویکرد نگهداری بر اساس نتایج YOLOv۷ ارائه شده است. سرانجام؛ مدل توسعه یافته به همراه درخت تصمیم پیشنهاد شده برای پیش بینی آسیب روسازی و رویکردهای نگهداری در یکی از معابر مشهد مورد استفاده قرار گرفت. این مطالعه؛ یک مرجع نظری و عملی برای تشخیص آسیب و تعمیر و نگهداری روسازی فراهم می کند.

کلیدواژه ها:

مدیریت روسازی ، یادگیری عمیق ، تشخیص اشیا ، YOLOv۷ ، خرابی های روسازی