تشخیص و دستهبندی ترک‌‌های روسازی با استفاده از شبکه‌های پیچشی عمیق

ارزیابی اطلاعات روسازی یکی از مهم‌ترین گام‌های پیاده‌سازی سامانه مدیریت روسازی است و سالانه تلاش‌های گسترده‌ای به منظور افزایش کارایی این سامانه با استفاده از فناوری‌های جدید انجام شده است. در سال‌های اخیر تمرکز سازمان‌ها بر توسعه سامانه‌های خودکار به منظور برداشت و ارزیابی بهتر اطلاعات روسازی بوده و تحقیقات گسترده‌ای در این زمینه انجام شده است. دانش داده‌کاوی و یادگیری ماشین با هدف بهره‌گیری از داده‌های موجود برای ساخت سامانه‌های هوشمند از جمله جدیدترین زمینه‌های تحقیقاتی در علوم مختلف نظیر پزشکی، مهندسی، اقتصادی است و نتایج بسیار خوبی از به کارگیری این دانش‌ها بدست آمده است. در زمینه مدیریت روسازی تحقیقات متعددی با هدف به کارگیری یادگیری ماشین به ویژه در ارزیابی خرابی‌های روسازی انجام شده است و نتایج این تحقیقات نشان می‌دهد که روش‌های مبتنی بر داده‌کاوی و هوش مصنوعی، ابزار‌های قدرتمندی در ساخت سامانه‌های خودکار و هوشمند هستند. در این مقاله ضمن تشریح مفاهیم تئوری، تلاش شده است که مدل‌هایی با هدف تشخیص و دسته‌بندی خرابی ترک خوردگی روسازی با استفاده از شبکه‌های پیچشی عمیق و به کارگیری روش انتقال یادگیری ایجاد شود و عملکرد آن‌ها از نظر دقت و سرعت یادگیری و اجرا مورد ارزیابی قرار گیرد. نتایج این پژوهش نشان می‌دهد که سرعت عملکرد مدل‌ها تا حد زیادی به مشخصه‌های مدل‌های از پیش تعلیم یافته بستگی دارد و دقت مدل‌ها بر اساس معیار‌های مختلف (accuracy، sensitivity، F-scoreو ...) در بازه 0/94 تا 0/99 است که بیانگر عملکرد خوب مدل‌های مبتنی بر شبکه‌های پیچشی عمیق در تشخیص و ارزیابی خرابی‌های روسازی نظیر ترک خوردگی است.