طبقه بندی و کمی سازی خودکار ترک روسازی آسفالتی با استفاده از الگوریتم های تشخیص اشیا مبتنی بر یادگیری عمیق

تشخیص ترک روسازی یک روش مهم در تعمیر و نگهداری جاده و ایمنی ترافیک است. به طور سنتی، ارزیابی وضعیت جاده 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 را کاهش یابد. این مقاله به بررسی عملکرد الگوریتم های YOLOv۳ و YOLOv۵ برای تشخیص خودکار ترک به می پردازد. این مدل ها قادر هستند نوع، موقعیت و مشخصات هندسی ترک را بادقت و سرعت بالایی نسبت به روش های دیگر مشخص کنند. به منظور مدل سازی، از تصاویر برداشت شده از معابر سطح مشهد استفاده شده است. این تصاویر برای گزینه های ترک خطی و سطحی برچسب گذاری شدند. سپس مدل هایی با به کارگیری مدل v۳ و پنج الگوریتم سریv۵ و یادگیری انتقالی، ایجاد و از نظر دقت و سرعت پیش بینی مورد ارزیابی قرار گرفتند. دقت مدل ها بین ۷۷ تا ۹۸ درصد و سرعت پیش بینی مدل ها بین۱۷/۴ و ۱۰۵ میلی ثانیه است که بیانگر عملکرد مطلوب مدل ها است. در نهایت مدل v۵s باتوجه به دقت قابل قبول (۹۲/۸) و سرعت بالای پیش بینی (۲۳/۹ میلی ثانیه) به نسبت سایر مدل ها به عنوان مدل مطلوب جهت پیش بینی ترک ها در یکی از معابر مشهد استفاده شد. سپس براساس خروجی های مدل، رویکرد تعمیر ونگهداری ارائه گردید.

کلیدواژه ها:

مدیریت روسازی ، تشخیص خودکار ترک ، یادگیری عمیق ، Yolov۳ ، YOLOv۵