ارزیابی خرابی قیرزدگی روسازی آسفالتی با استفاده از یادگیری عمیق و تبدیل موجک

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده عمران و محیط زیست، دانشگاه صنعتی امیرکبیر

2 دانشگاه صنعتی امیر کبیر

3 hafez

چکیده

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 به کارگیری 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 ترک خوردگی، چاله، شیار افتادگی 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 کارامد 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 فرایند 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 کارامد در ارزیابی قیرزدگی به کار گرفته شود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Asphalt pavement bleeding evaluation using deep learning and wavelet transform

نویسندگان [English]

  • Sajad Ranjbar 1
  • Fereidoon Moghadas Nejad 2
  • HAMZEH ZAKERI 3
1 Department of Civil & Environmental Engineering, Amirkabir University of Technology
2 Dep. of Civil Engineering, Amirkabir University of Technology
3 RESEARCHER /AUT
چکیده [English]

Pavement inspection is an important part of pavement management systems. Because this part provides input and raw material information to the system. If the pavement situation has not been assessed or incorrectly assessed, it will not be possible to carry out optimum maintenance and repair operations. It can also cause higher maintenance costs and the risk of accidents. Pavement distress information is crucial data that should be collected and evaluated in the pavement inspection process. Accordingly, wide research has been conducted to develop more efficient systems for the evaluation of pavement distresses using new technologies. Bleeding is one of the asphalt pavement distresses, which directly affects the skid resistance and vehicle maneuverability. Based on the literature, pavement bleeding received the attention of the research community less than other pavement distress such as cracks, rutting, raveling, and potholes. This research attempts to develop an efficient system for automatic evaluation of asphalt pavement bleeding. For this aim, the transfer learning method has been applied to train a pre-trained convolutional neural network for bleeding detection. Also, various image processing techniques (wavelet transform analysis as the main technique) have been used to segment bleeding regions in pavement images. Results indicate that the proposed system has good performance in bleeding detection and segmentation with 98% and 87%, respectively. Accordingly, this system can be applied as an efficient system for pavement bleeding evaluation.

کلیدواژه‌ها [English]

  • Pavement Management System
  • distress evaluation
  • bleeding
  • Deep learning
  • Wavelet transform