TY - JOUR ID - 161783 TI - طبقه‌بندی و کمی‌سازی خودکار ترک روسازی آسفالتی با استفاده از الگوریتم‌های تشخیص اشیا مبتنی بر یادگیری عمیق JO - جاده JA - ROAD LA - fa SN - 1735-062X AU - حسین زاده, حسن AU - قیامی باجگیرانی, علی AU - دلاوریان, محدثه AD - گروه آموزشی مهندسی عمران، دانشکده فنی و مهندسی، موسسه آموزش عالی اقبال لاهوری، مشهد، ایران AD - گروه مهندسی عمران، دانشکده فنی و مهندسی، موسسه آموزش عالی اقبال لاهوری، مشهد، ایران AD - گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، موسسه آموزش عالی اقبال لاهوری، مشهد، ایران Y1 - 2022 PY - 2022 VL - IS - SP - EP - KW - مدیریت روسازی KW - تشخیص خودکار ترک KW - یادگیری عمیق KW - Yolov3 KW - YOLOv5 DO - 10.22034/road.2022.350483.2066 N2 - 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 سریv5 و یادگیری انتقالی، ایجاد و از نظر دقت و سرعت پیش‌بینی مورد ارزیابی قرار گرفتند. دقت مدل‌ها بین ۷۷ تا ۹۸ 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. UR - https://road.bhrc.ac.ir/article_161783.html L1 - ER -