این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
جاده، جلد ۳۳، شماره ۱۲۳، صفحات ۳۱۵-۳۲۸
عنوان فارسی طبقه‌بندی و کمی‌سازی خودکار ترک روسازی آسفالتی با استفاده از الگوریتم‌های تشخیص اشیا مبتنی بر یادگیری عمیق
چکیده فارسی مقاله 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 باتوجه‌به 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 هزینه‌های تعمیر و نگهداری را کاهش یابد. این مقاله به بررسی عملکرد الگوریتم‌های YOLOv3 و YOLOv5 برای تشخیص خودکار ترک به می‌پردازد. این مدل‌ها قادر هستند نوع، موقعیت و مشخصات هندسی ترک را بادقت و سرعت بالایی نسبت به روش‌های دیگر مشخص کنند. به‌منظور مدل‌سازی، از تصاویر برداشت شده از معابر سطح مشهد استفاده شده است. این تصاویر برای گزینه‌های ترک خطی و سطحی برچسب‌گذاری شدند. سپس مدل‌هایی با به‌کارگیری مدل v3 و پنج الگوریتم سری v‏5 و یادگیری انتقالی، ایجاد و از نظر دقت و سرعت پیش‌بینی مورد ارزیابی قرار گرفتند. دقت مدل‌ها بین 77 تا 98 درصد و سرعت پیش‌بینی مدل‌ها بین17/4 و 105 میلی‌ثانیه است که بیانگر عملکرد مطلوب مدل‌ها است. در نهایت مدل v5s باتوجه‌به دقت قابل‌قبول (92/8) و سرعت بالای پیش‌بینی (23/9 میلی‌ثانیه) به نسبت سایر مدل‌ها به‌عنوان مدل مطلوب جهت پیش‌بینی ترک‌ها در یکی از معابر مشهد استفاده شد. سپس براساس خروجی‌های مدل، رویکرد تعمیر ونگهداری ارائه گردید.
کلیدواژه‌های فارسی مقاله مدیریت روسازی،تشخیص خودکار ترک،یادگیری عمیق،Yolov3،YOLOv5،
عنوان انگلیسی Automatic Classification and Quantification of Asphalt Pavement Cracks Using Deep Learning-based Object Detection Algorithms
چکیده انگلیسی مقاله Pavement crack detection is an important method in road maintenance and traffic safety.Traditionally, road condition assessment was done by field inspection, which is time-consuming and costly, and the results are dependent on the evaluator's opinion, It should be replaced by automated methods to reduce both workload and thus maintenance costs. This paper examines the performance of YOLOv3 and YOLOv5 algorithms for automatic crack detection.These models are able to determine the type, position and geometric characteristics of the crack accurately and at a high speed compared to other methods.For the purpose of modeling, the images taken from Mashhad surface roads have been used. These images were labeled for linear and surface crack options. Then, models were created using the v3 model and five v5 series algorithms and transfer learning and were evaluated in terms of accuracy and prediction speed. The accuracy of the models is between 77 and 98% and the prediction speed of the models is between 17.4 and 105 milliseconds, which indicates the optimal performance of the models.Finally, v5s model was used as the final model for predicting cracks in one of Mashhad roads due to its acceptable accuracy (92.8) and high prediction speed (23.9 milliseconds) compared to other models.Then, based on the outputs of the model, the maintenance approach was presented.
کلیدواژه‌های انگلیسی مقاله مدیریت روسازی,تشخیص خودکار ترک,یادگیری عمیق,Yolov3,YOLOv5
نویسندگان مقاله حسن حسین زاده |
دانشجوی کارشناسی ارشد، دانشکده فنی و مهندسی، مؤسسه آموزش عالی اقبال لاهوری، مشهد، ایران

علی قیامی باجگیرانی |
استادیار، دانشکده فنی و مهندسی، مؤسسه آموزش عالی اقبال لاهوری، مشهد، ایران

محدثه دلاوریان |
استادیار، دانشکده فنی و مهندسی، مؤسسه آموزش عالی اقبال لاهوری، مشهد، ایران

نشانی اینترنتی https://road.bhrc.ac.ir/article_161783_4feb30672b8974b4e952cbc038c819c5.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات