بهبود دقت شناساگرهای خرابیهای جاده با استفاده از داده افزاییهای سنتی و داده افزایی جعبه مرزی اشیاء

سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 99

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JIAE-21-3_015

تاریخ نمایه سازی: 28 آبان 1403

چکیده مقاله:

شخیص خودکار خرابیهای جادهها به فرایند تعمیر و نگهداری از آن ها سرعت میبخشد و از تصادفات رانندگی بسیاری جلوگیری مینماید. در این مقاله برای بررسی عملکرد شناساگرهای خرابی جاده با استفاده از YOLOv۵، ده شناساگر در پایگاه داده RDD۲۰۲۰ توسعه داده شد. با شبیه سازی شرایط محیطی مانند تابش شدید نور خورشید و سایه بر سطح جاده مشخص گردید شناساگرهای خرابی جاده در این شرایط عملکرد خوبی ندارند. در ادامه با استفاده از تکنیکهای داده افزایی سنتی، استحکام شناساگرهای خرابی جاده در شرایط محیطی مختلف بهبود داده شده است. با استفاده از این تکنیکها یک پایگاه صحت سنجی برای بررسی عملکرد شناساگرها در شرایط محیطی مختلف در پایگاه داده RDD۲۰۲۰ ایجاد گردید. به منظور حل چالش کمبود داده در این پایگاه از تکنیک داده افزایی جعبه مرزی و ترکیب آن با تلفیق پوآسن اصلاح شده بهره می بریم. در این روش تعداد نمونههای کلاس پایگاه داده مرجع در کلاس چاله و ترک افقی افزایش یافته است. نتایج این پژوهش نشان میدهد که آموزش شناساگرها با دادههای جدید، موجب بهبود عملکرد آنها در معیار F۱-Score و mAP به ترتیب به میزان ۳۳ و ۵۰ درصد شده است.

نویسندگان

نیما اقایان مشهدی

Department of Electrical Engineering, School of Automotive Engineering, Iran University of Science and Technology

عبدالله امیرخانی

Department of Electrical Engineering, School of Automotive Engineering, Iran University of Science and Technology

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Z. Pei, R. Lin, X. Zhang, H. Shen, J. Tang, ...
  • [۲[ V. Mandal, A. R. Mussah, and Y. Adu-Gyamfi, "Deep ...
  • Y. Li, P. Che, C. Liu, D. Wu, and Y. ...
  • D. Arya et al., "Deep learning-based road damage detection and ...
  • A. Ragnoli, M. R. De Blasiis, and A. Di Benedetto, ...
  • T. B. Coenen and A. Golroo, "A review on automated ...
  • Z. Du, J. Yuan, F. Xiao, and C. Hettiarachchi, "Application ...
  • V. Pham, C. Pham, and T. Dang, "Road damage detection ...
  • H. Oliveira and P. L. Correia, "CrackIT-An image processing toolbox ...
  • A. Zhang et al., "Automated pixel‐level pavement crack detection on ...
  • S. Li, Y. Cao, and H. Cai, "Automatic pavement-crack detection ...
  • N. Kanopoulos, N. Vasanthavada, and R. L. Baker, "Design of ...
  • L. Yang, X. Wu, D. Zhao, H. Li, and J. ...
  • H. Maeda, Y. Sekimoto, T. Seto, T. Kashiyama, and H. ...
  • D. Arya, H. Maeda, S. K. Ghosh, D. Toshniwal, and ...
  • M. S. Sohrabi and M. Moazzami, "A Hybrid Approach for ...
  • N. Aghaei, G. Akbarizadeh, and A. Kosarian, "Using ShuffleNet to ...
  • M. Molaei and A. Amirkhani, "Policy-based Auto-Driving in Highway based ...
  • R. Girshick, J. Donahue, T. Darrell, and J. Malik, "Rich ...
  • J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, "You ...
  • S. Ren, K. He, R. Girshick, and J. Sun, "Faster ...
  • R. Girshick, "Fast r-cnn", in Proceedings of the IEEE International ...
  • Glenn Jocher, "ultralytics/YOLOv۵: v۶.۰ - YOLOv۵n 'Nano' models, Roboflow integration, ...
  • A. Bochkovskiy, C.-Y. Wang, and H.-Y. M. Liao, "Yolov۴: Optimal ...
  • J. Redmon and A. Farhadi, "Yolov۳: An incremental improvement", arXiv ...
  • U. Nepal and H. Eslamiat, "Comparing YOLOv۳, YOLOv۴ and YOLOv۵ ...
  • M. Li, Z. Zhang, L. Lei, X. Wang, and X. ...
  • Y. J. Wang, M. Ding, S. Kan, S. Zhang, and ...
  • W. Liu et al., "Ssd: Single shot multibox detector", in ...
  • K. He, X. Zhang, S. Ren, and J. Sun, "Deep ...
  • K. Simonyan and A. Zisserman, "Very deep convolutional networks for ...
  • W. Wang, B. Wu, S. Yang, and Z. Wang, "Road ...
  • F. Kluger et al., "Region-based cycle-consistent data augmentation for object ...
  • H. Maeda, T. Kashiyama, Y. Sekimoto, T. Seto, and H. ...
  • I. Goodfellow et al., "Generative adversarial nets", Advances in Neural ...
  • T. Karras, T. Aila, S. Laine, and J. Lehtinen, "Progressive ...
  • P. Pérez, M. Gangnet, and A. Blake, "Poisson image editing", ...
  • M.-T. Cao, Q.-V. Tran, N.-M. Nguyen, and K.-T. Chang, "Survey ...
  • S. R. Bose and V. S. Kumar, "Efficient inception V۲ ...
  • A. Alfarrarjeh, D. Trivedi, S. H. Kim, and C. Shahabi, ...
  • P.-j. Chun, K. HASHIMOTO, N. KATAOKA, N. KURAMOTO, and M. ...
  • E. Zalama, J. Gómez‐García‐Bermejo, R. Medina, and J. Llamas, "Road ...
  • W. R. L. d. Silva and D. S. d. Lucena, ...
  • A. Angulo, J. A. Vega-Fernández, L. M. Aguilar-Lobo, S. Natraj, ...
  • H. Maeda, T. Kashiyama, Y. Sekimoto, T. Seto, and H. ...
  • L. Liu et al., "Deep learning for generic object detection: ...
  • C.-Y. Wang, H.-Y. M. Liao, Y.-H. Wu, P.-Y. Chen, J.-W. ...
  • S. Liu, L. Qi, H. Qin, J. Shi, and J. ...
  • T.-Y. Lin, P. Dollár, R. Girshick, K. He, B. Hariharan, ...
  • S. Elfwing, E. Uchibe, and K. Doya, "Sigmoid-weighted linear units ...
  • V. Hegde, D. Trivedi, A. Alfarrarjeh, A. Deepak, S. H. ...
  • T.-Y. Lin et al., "Microsoft coco: Common objects in context", ...
  • H. Zhang and J. Wang, "Towards adversarially robust object detection", ...
  • M. Khodabandeh, A. Vahdat, M. Ranjbar, and W. G. Macready, ...
  • R. Volpi, H. Namkoong, O. Sener, J. C. Duchi, V. ...
  • A. Buslaev, V. I. Iglovikov, E. Khvedchenya, A. Parinov, M. ...
  • B. Zoph, E. D. Cubuk, G. Ghiasi, T.-Y. Lin, J. ...
  • M. Afifi and K. F. Hussain, "MPB: A modified poisson ...
  • Z. Pei, R. Lin, X. Zhang, H. Shen, J. Tang, ...
  • [۲[ V. Mandal, A. R. Mussah, and Y. Adu-Gyamfi, "Deep ...
  • Y. Li, P. Che, C. Liu, D. Wu, and Y. ...
  • D. Arya et al., "Deep learning-based road damage detection and ...
  • A. Ragnoli, M. R. De Blasiis, and A. Di Benedetto, ...
  • T. B. Coenen and A. Golroo, "A review on automated ...
  • Z. Du, J. Yuan, F. Xiao, and C. Hettiarachchi, "Application ...
  • V. Pham, C. Pham, and T. Dang, "Road damage detection ...
  • H. Oliveira and P. L. Correia, "CrackIT-An image processing toolbox ...
  • A. Zhang et al., "Automated pixel‐level pavement crack detection on ...
  • S. Li, Y. Cao, and H. Cai, "Automatic pavement-crack detection ...
  • N. Kanopoulos, N. Vasanthavada, and R. L. Baker, "Design of ...
  • L. Yang, X. Wu, D. Zhao, H. Li, and J. ...
  • H. Maeda, Y. Sekimoto, T. Seto, T. Kashiyama, and H. ...
  • D. Arya, H. Maeda, S. K. Ghosh, D. Toshniwal, and ...
  • M. S. Sohrabi and M. Moazzami, "A Hybrid Approach for ...
  • N. Aghaei, G. Akbarizadeh, and A. Kosarian, "Using ShuffleNet to ...
  • M. Molaei and A. Amirkhani, "Policy-based Auto-Driving in Highway based ...
  • R. Girshick, J. Donahue, T. Darrell, and J. Malik, "Rich ...
  • J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, "You ...
  • S. Ren, K. He, R. Girshick, and J. Sun, "Faster ...
  • R. Girshick, "Fast r-cnn", in Proceedings of the IEEE International ...
  • Glenn Jocher, "ultralytics/YOLOv۵: v۶.۰ - YOLOv۵n 'Nano' models, Roboflow integration, ...
  • A. Bochkovskiy, C.-Y. Wang, and H.-Y. M. Liao, "Yolov۴: Optimal ...
  • J. Redmon and A. Farhadi, "Yolov۳: An incremental improvement", arXiv ...
  • U. Nepal and H. Eslamiat, "Comparing YOLOv۳, YOLOv۴ and YOLOv۵ ...
  • M. Li, Z. Zhang, L. Lei, X. Wang, and X. ...
  • Y. J. Wang, M. Ding, S. Kan, S. Zhang, and ...
  • W. Liu et al., "Ssd: Single shot multibox detector", in ...
  • K. He, X. Zhang, S. Ren, and J. Sun, "Deep ...
  • K. Simonyan and A. Zisserman, "Very deep convolutional networks for ...
  • W. Wang, B. Wu, S. Yang, and Z. Wang, "Road ...
  • F. Kluger et al., "Region-based cycle-consistent data augmentation for object ...
  • H. Maeda, T. Kashiyama, Y. Sekimoto, T. Seto, and H. ...
  • I. Goodfellow et al., "Generative adversarial nets", Advances in Neural ...
  • T. Karras, T. Aila, S. Laine, and J. Lehtinen, "Progressive ...
  • P. Pérez, M. Gangnet, and A. Blake, "Poisson image editing", ...
  • M.-T. Cao, Q.-V. Tran, N.-M. Nguyen, and K.-T. Chang, "Survey ...
  • S. R. Bose and V. S. Kumar, "Efficient inception V۲ ...
  • A. Alfarrarjeh, D. Trivedi, S. H. Kim, and C. Shahabi, ...
  • P.-j. Chun, K. HASHIMOTO, N. KATAOKA, N. KURAMOTO, and M. ...
  • E. Zalama, J. Gómez‐García‐Bermejo, R. Medina, and J. Llamas, "Road ...
  • W. R. L. d. Silva and D. S. d. Lucena, ...
  • A. Angulo, J. A. Vega-Fernández, L. M. Aguilar-Lobo, S. Natraj, ...
  • H. Maeda, T. Kashiyama, Y. Sekimoto, T. Seto, and H. ...
  • L. Liu et al., "Deep learning for generic object detection: ...
  • C.-Y. Wang, H.-Y. M. Liao, Y.-H. Wu, P.-Y. Chen, J.-W. ...
  • S. Liu, L. Qi, H. Qin, J. Shi, and J. ...
  • T.-Y. Lin, P. Dollár, R. Girshick, K. He, B. Hariharan, ...
  • S. Elfwing, E. Uchibe, and K. Doya, "Sigmoid-weighted linear units ...
  • V. Hegde, D. Trivedi, A. Alfarrarjeh, A. Deepak, S. H. ...
  • T.-Y. Lin et al., "Microsoft coco: Common objects in context", ...
  • H. Zhang and J. Wang, "Towards adversarially robust object detection", ...
  • M. Khodabandeh, A. Vahdat, M. Ranjbar, and W. G. Macready, ...
  • R. Volpi, H. Namkoong, O. Sener, J. C. Duchi, V. ...
  • A. Buslaev, V. I. Iglovikov, E. Khvedchenya, A. Parinov, M. ...
  • B. Zoph, E. D. Cubuk, G. Ghiasi, T.-Y. Lin, J. ...
  • M. Afifi and K. F. Hussain, "MPB: A modified poisson ...
  • نمایش کامل مراجع