طبقه بندی و کمی سازی خودکار ترک روسازی آسفالتی با استفاده از الگوریتمهای 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 میشد که با توجه به صرف زمان و هزینه زیاد و وابسته بودن نتایج به نظر ارزیاب باید با روشهای 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 میپردازد. این مدلها قادر هستند نوع، موقعیت و مشخصات هندسی ترک را با دقت و سرعت بالایی نسبت به روشهای دیگر مشخص کنند. به منظور مدلسازی، از تصاویر برداشت شده از معابر سطح مشهد استفاده شده است. این تصاویر برای گزینه های ترک خطی و سطحی برچسب گذاری شدند. سپس مدلهایی با به کارگیری مدل v۳ و پنج الگوریتم سریv۵ و یادگیری انتقالی، ایجاد و ازنظر دقت و سرعت پیشبینی مورد ارزیابی قرار گرفتند. دقت مدلها بین ۷۷ تا ۹۸ درصد و سرعت پیشبینی مدلها بین ۱۷/۴ و ۱۰۵ میلیثانیه است که بیانگر عملکرد مطلوب مدلها است. درنهایت مدل v۵s با توجه به دقت قابلقبول (۹۲/۸) و سرعت بالای پیشبینی ۲۳/۹) میلی ثانیه) به نسبت سایر مدلها به عنوان مدل نهایی جهت پیشبینی ترکها در یکی از معابر مشهد استفاده شد. با توجه به ابعاد خرابیهای پیشبینی شده و درخت تصمیمگیری به دست آمده از نظرات کارشناسان، رویکرد تعمیر و نگهداری برای مسیر مشخص گردید.