TY - JOUR ID - 4078 TI - ارزیابی خرابی قیرزدگی روسازی آسفالتی با استفاده از یادگیری عمیق و تبدیل موجک JO - نشریه مهندسی عمران امیرکبیر JA - CEEJ LA - fa SN - 2588-297X AU - رنجبر, سجاد AU - مقدس نژاد, فریدون AU - ذاکری, حمزه AD - دانشکده عمران و محیط زیست، دانشگاه صنعتی امیرکبیر AD - دانشگاه صنعتی امیر کبیر AD - hafez Y1 - 2022 PY - 2022 VL - 53 IS - 11 SP - 4577 EP - 4598 KW - سامانه مدیریت روسازی KW - ارزیابی خرابی‌ KW - قیرزدگی KW - یادگیری عمیق KW - تبدیل موجک DO - 10.22060/ceej.2020.18292.6820 N2 - اطلاعات مرتبط با وضعیت روسازی نظیر خرابی‌ها، ورودی و مواد اولیه سامانه مدیریت روسازی را تأمین می‌کند. در صورت عدم ارزیابی وضعیت روسازی و یا ارزیابی ناقص و نادرست وضعیت روسازی، امکان انجام عملیات تعمیر و نگهداری مناسب و به موقع وجود نخواهد داشت که این موضوع به افزایش هزینه‌های نگهداری و بهسازی و افزایش احتمال بروز تصادفات منجر خواهد شد. از این رو، تحقیقات گسترده‌ای با هدف بکارگیری فناوری‌های جدید در جهت ارزیابی دقیق و خودکار خرابی‌های روسازی انجام شده است. خرابی قیرزدگی یکی از خرابی‌های روسازی آسفالتی است که مستقیماً بر اصطکاک سطحی و مانورپذیری وسایل نقلیه تأثیر می‌گذارد. علی‌رغم اهمیت خرابی قیرزدگی، ارزیابی خودکار این خرابی نسبت به سایر خرابی‌ها نظیر ترک‌خوردگی، چاله، شیارافتادگی کمتر مورد توجه جامعه تحقیق بوده است. در این پژوهش، سعی شده است که با استفاده از روش‌های جدید نظیر یادگیری عمیق و ابزارهای مختلف پردازش تصویر، یک سامانه کارآمد مبتنی بر تصویر به منظور ارزیابی خودکار خرابی قیرزدگی ارائه شود. برای این منظور، از روش انتقال یادگیری برای ساخت مدل تشخیص خرابی و از یک فرآیند پردازش تصویر مبتنی بر تبدیل موجک برای تفکیک نواحی قیرزده استفاده شد. نتایج به دست آمده نشان می‌دهد که سامانه ارائه شده در این پژوهش، در تشخیص خرابی و تفکیک نواحی قیرزده به ترتیب با متوسط بالای 98 و 87 درصد، عملکرد خوبی در ارزیابی خرابی قیرزدگی دارد و می‌تواند به عنوان ابزاری کارآمد در ارزیابی قیرزدگی بکار گرفته شود. UR - https://ceej.aut.ac.ir/article_4078.html L1 - https://ceej.aut.ac.ir/article_4078_a6a6190a16f6ea8ae16359f5da995b42.pdf ER -