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
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
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.
کلیدواژه ها:
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 :