توسعه سامانه هوشمند پایش و تشخیص خودکار خرابی های آسفالت و معابر شهر تهران مبتنی بر بینایی ماشین و پردازش لبه

پایش مستمر و نگهداری به موقع معابر شهری در کلان شهری مانند تهران، چالشی اساسی در مدیریت زیرساخت ها محسوب می شود. روش های سنتی پایش آسفالت، علاوه بر هزینه و زمان بر بودن، از دقت و سرعت پایینی برخوردارند. هدف از این پژوهش، توسعه یک سامانه هوشمند و بومی برای پایش و تشخیص خودکار خرابی های سطح جاده با بهره گیری از فناوری بینایی ماشین و پردازش لبه است تا ضمن افزایش سرعت تشخیص، هزینه های پهنای باند و وابستگی به پردازش ابری به حداقل برسد. اساس کار این پژوهش بر یک رویکرد کمی- محاسباتی استوار است. در این راستا، از مدل های تشخیص شیء سبک سازی شده خانواده YOLO استفاده شد که مستقیما بر روی سخت افزارهای لبه (مستقر در خودروهای پایشگر) اجرا می شوند. تصاویر ثبت شده از سطح معابر تهران (بر اساس نمونه گیری تصادفی طبقه بندی شده) به صورت محلی پردازش شده و تنها فراداده های مربوط به خرابی ها به سرور مرکزی ارسال می گردد. ارزیابی عملکرد سامانه با استفاده از شاخص های استاندارد صحت، فراخوانی و IoU انجام پذیرفت. یافته های این مطالعه نشان دهنده موفقیت چشمگیر سامانه پیشنهادی است. مدل توسعه یافته با وزن بهینه شده ۱۲ مگابایت، موفق شد به میانگین دقت و سرعت پردازش بلادرنگ ۴۵ FPS دست یابد. همچنین، مقایسه معماری پیشنهادی با سیستم های ابری متداول اثبات کرد که پردازش لبه توانسته است حجم داده های ارسالی را تا ۹۹ درصد کاهش دهد که این امر موجب افت قابل توجه زمان تاخیر کل ( ) به ۴۵ میلی ثانیه شده است. در مجموع، این سامانه با غلبه بر محدودیت های تاخیر و پهنای باند، راهکاری کارآمد، مقرون به صرفه و عملیاتی برای مدیریت هوشمند زیرساخت های شهر تهران ارائه می دهد.

کلیدواژه ها:

پردازش لبه ، بینایی ماشین ، تشخیص خرابی آسفالت ، سیستم ابری ، پایش بلادرنگ