فهرست نشریات علمی دسترسی آزاد ایران

توسعه مدل‌های یادگیری عمیق کارآمد در حوزه تشخیص و بخش‌بندی خودکار خرابی‌های روسازی آسفالتی با چالش جدی کمبود و عدم توازن داده‌های آموزشی مواجه است. پژوهش حاضر با هدف ارزیابی خودکار وضعیت روسازی و با فرضیه غلبه بر محدودیت‌های داده‌ای از طریق تولید داده‌های مصنوعی واقع‌گرایانه، رویکردی نوین را برای تشخیص و بخش‌بندی خودکار خرابی‌های آسفالتی ارائه داده است. در روش پیشنهادی، ابتدا از شبکه مولد تخاصمی واسرشتاین با جریمه گرادیان (WGAN-GP) به ‌منظور تولید تصاویر باکیفیت و متنوع ترک با استفاده از مجموعه داده عمومی کرک 500 استفاده شد تا ضمن جلوگیری از فروپاشی حالت، پایداری آموزش تضمین شود. سپس، یک مدل U-Net برای بخش‌بندی پیکسل ‌به ‌پیکسل بر روی مجموعه داده ترکیبی (واقعی و مصنوعی) آموزش داده شد. نوآوری اصلی این تحقیق در تلفیق معماری بهبودیافته GAN با مدل بخش‌بندی برای رفع مشکل بیش‌برازش و افزایش قابلیت تعمیم‌پذیری مدل در شرایط محیطی مختلف است. بررسی نتایج نشان می‌دهد که افزودن تصاویر مصنوعی، عملکرد مدل بخش‌بندی را به ‌طور چشمگیری افزایش داده و منجر به کسب ضریب دایس 961/0 و شاخص اشتراک روی اجتماع 925/0 شده است. همچنین، ارزیابی عملکرد مدل توسعه یافته حاکی از توانایی بالای آن در شناسایی ترک‌های ریز و پیچیده در مجموعه داده‌های دیگر می‌باشد. در نهایت، با ادغام خروجی‌های مدل در یک شاخص وضعیت سطحی، چارچوب پیشنهادی توانایی ارزیابی هوشمند، دقیق و کم‌هزینه شرایط روسازی را فراهم کرده است.