تشخيص و دسته بندي ترك هاي روسازي با استفاده از شبكه هاي پيچشي عميق

Pavement cracks detection and classification using deep convolutional networks

ارزيابي اطلاعات روسازي يكي از مهم ترين گام هاي پياده سازي سامانه مديريت روسازي است و سالانه تلاش هاي گسترده اي به منظور افزايش كارايي اين سامانه با استفاده از فناوري هاي جديد انجام شده است. در سال هاي اخير تمركز سازمان ها بر توسعه سامانه هاي خودكار به منظور برداشت و ارزيابي بهتر اطلاعات روسازي بوده و تحقيقات گسترده اي در اين زمينه انجام شده است. دانش داده كاوي و يادگيري ماشين با هدف بهره گيري از داده هاي موجود براي ساخت سامانه هاي هوشمند از جمله جديدترين زمينه هاي تحقيقاتي در علوم مختلف نظير پزشكي، مهندسي، اقتصادي است و نتايج بسيار خوبي از به كارگيري اين دانش ها بدست آمده است. در زمينه مديريت روسازي تحقيقات متعددي با هدف به كارگيري يادگيري ماشين به ويژه در ارزيابي خرابي هاي روسازي انجام شده است و نتايج اين تحقيقات نشان مي دهد كه روش هاي مبتني بر داده كاوي و هوش مصنوعي، ابزار هاي قدرتمندي در ساخت سامانه هاي خودكار و هوشمند هستند. در اين مقاله ضمن تشريح مفاهيم تيوري، تلاش شده است كه مدل هايي با هدف تشخيص و دسته بندي خرابي ترك خوردگي روسازي با استفاده از شبكه هاي پيچشي عميق و به كارگيري روش انتقال يادگيري ايجاد شود و عملكرد آن ها از نظر دقت و سرعت يادگيري و اجرا مورد ارزيابي قرار گيرد. نتايج اين پژوهش نشان مي دهد كه سرعت عملكرد مدل ها تا حد زيادي به مشخصه هاي مدل هاي از پيش تعليم يافته بستگي دارد و دقت مدل ها بر اساس معيار هاي مختلف (accuracy، sensitivity، F-scoreو...) در بازه 0/94 تا 0/99 است كه بيانگر عملكرد خوب مدل هاي مبتني بر شبكه هاي پيچشي عميق در تشخيص و ارزيابي خرابي هاي روسازي نظير ترك خوردگي است.

Pavement inspection is one of the most important steps in implementation of pavement management system and extend efforts have been done to increase the efficiency of this system by using the new technologies. In recent years, transportation agencies focus on creating automatic and more efficient systems for pavement inspection and a large number of researches have been done for this aim. According to progress of computer science, data mining and machine learning as computer-based methods are used more in various areas (such as engineering, medical and economy) and significant results have been achieved. In pavement management area, several researches have been performed with aim of the applying the machine learning especially in pavement distresses evaluation. In this paper, the theoretical concepts have been explained and several models have been created based on deep convolutional networks using transfer learning to detect and classify pavement cracks as the most prevalent pavement distress, and the performance of these models has been evaluated considering learning and test speed, and accuracy as the most important performance parameters. The results of this research indicate that the speed of models almost depends on the pre-trained models characteristics that applied in transfer learning process. Also the accuracy of models based on various metrics (Sensitivity, F-score, etc.) is in range of 0.94 to 0.99 and indicates that deep learning method can be used to create expert systems for detection, classification, and quantification of pavement distresses such as cracking.