ارائه پایپلاین پردازش تصاویر پهپادی مبتنی بر شبکه های عصبی عمیق برای ارزیابی ریزمقیاس آسیب های سازه های عابر-سواره شهری در چارچوب مدیریت ریسک

پل های بتنی شهری به عنوان شریان های حیاتی حمل ونقل، در طول بهره برداری در معرض آسیب های گوناگونی از جمله ترک خوردگی، خوردگی آرماتور و پوسته شدگی قرار می گیرند. تشخیص به موقع این آسیب ها، به ویژه در سطوح ریزمقیاس، برای حفظ ایمنی و افزایش طول عمر مفید سازه ها نقشی اساسی ایفا می کند. روش های سنتی بازرسی مبتنی بر دیدار چشمی، با کاستی هایی همچون هزینه بر بودن، ایمنی پایین، وابستگی به نیروی انسانی ماهر و دقت محدود در تشخیص آسیب های ظریف همراه هستند. پژوهش حاضر با هدف ارائه رویکردی هوشمند برای تشخیص و ارزیابی آسیب های ریزمقیاس در پل های بتنی شهری با تلفیق تصاویر پهپادی و شبکه های عصبی عمیق انجام شده است. در این پژوهش، از سامانه هوایی بدون سرنشین مجهز به دوربین با وضوح بالا برای برداشت تصاویر از سطوح بتنی پل ها استفاده شده است. سپس تصاویر برداشت شده با بهره گیری از الگوریتم های پردازش تصویر پیش پردازش و با مدل بهبودیافته شبکه عصبی کانولوشنی مبتنی بر معماری الکس نت و همچنین مدل تفکیک معنایی مبتنی بر شبکه کاملا کانولوشنی تحلیل شده اند. یافته های پژوهش نشان می دهد که رویکرد پیشنهادی با دقت متوسط بیش از ۹۵ درصد در تشخیص ترک ها و دقت تفکیک معنایی ۶/۹۷ درصد، عملکردی برتر نسبت به روش های سنتی و برخی مدل های پیشین شبکه های عصبی دارد. همچنین، خطای تخمین عرض ترک در مقایسه با اندازه گیری های میدانی کمتر از دو درصد است. این رویکرد با کاهش چشمگیر زمان و هزینه بازرسی، امکان پایش دوره ای و مستمر پل های شهری را فراهم می آورد و گامی موثر در جهت گذار از بازرسی های سنتی به مدیریت هوشمند زیرساخت ها به شمار می رود.

کلیدواژه ها:

تشخیص آسیب ، شبکه های عصبی عمیق ، تصاویر پهپادی ، پل های بتنی ، بازرسی خودکار