كاربرد شبكه هاي عصبي عميق در طبقه بندي تصاوير آسيب هاي شبكه فاضلاب و مشخص كردن مسيرهاي بحراني آنها

فاضلابروها جزء اصلي تأسيسات زيربنايي شبكه فاضلاب شهري به حساب مي‌آيند. آسيب‌هاي فاضلابروها به دليل غيرقابل رويت بودن كمتر توجه شده و اين عدم رسيدگي به آسيب‌ها، موجب وضعيت‌هاي اضطراري و هزينه‌هاي غير منطقي مي‌گردد. اين شريان‌هاي حياتي در طول سرويس‌دهي، نيازمند نگهداري و بازسازي جهت عملكرد بهينه در تمام ابعاد مي‌باشند. امروزه روش‌هاي پردازش و طبقه‌بندي عكس و فيلم هاي گرفته شده توسط ربات‌هاي ويدئو متري متحرك براي انجام بازرسي شبكه فاضلاب بسيار مورد استفاده قرار مي‌گيرند. يكي از الگوريتم‌هاي موفق در زمينه پردازش تصوير، الگوريتم شبكه عصبي كانولوشن است كه از زير مجموعه‌هاي الگوريتم يادگيري عميق به شمار مي‌رود. در اين مقاله از يك الگوريتم شبكه عصبي كانولوشن جهت طبقه‌بندي تصاوير آسيب‌هاي شبكه فاضلاب و موارد مؤثر در بهبود و دقت و عملكرد اين الگوريتم، پرداخته شده است. تصاوير توسط ربات ويدئومتري از شبكه فاضلاب بدست آمده است. نتايج حاصل از استفاده از الگوريتم پيشنهادي در شبكه فاضلاب، دستيابي به دقت 98 درصدي در طبقه‌بندي آسيب‌هاي شبكه و در مقايسه با ساير روش‌ها و نيز كاهش زمان اجراي نسبتا كم معماري پيشنهادي (91 دقيقه) در مقايسه با ساير معماري‌هاي معتبر در يادگيري عميق در يك بستر سخت‌افزاري يكسان مي‌باشد. همچنين، در آينده، الگوريتم پيشنهادي جهت تحليل شبكه‌هاي فاضلاب بدون نياز به نيروهاي متخصص و همچنين كنترل يك ربات هدايت خودكار ويدئومتري شبكه فاضلاب مورد استفاده قرار خواهد گرفت.