ارائه کننده: امیر سوادکوهی

استاد راهنما: دکتر اکبر نجفی

استاد مشاور: دکتر جواد وحیدی

استاد ناظر داخلی: دکتر سیدجلیل علوی، دکتر وحید موسوی

استاد ناظر خارجی: دکتر رامین نقدی، دکتر محمدهادی علائیان

نماینده تحصیلات تکمیلی: دکتر سیدمحسن حسینی

تاریخ: ۱۴۰۵/۰۷/۲۸

ساعت: ۰۸:۰۰

مکان: سالن اصلی کاخ

چکیده:

ارزیابی وضعیت روسازی و مدیریت بهینه هزینه‌های نگهداری، از ارکان کلیدی مدیریت زیرساخت‌های جنگلی محسوب می‌شود. روسازی جاده‌های جنگلی تحت تأثیر عواملی نظیر بار ترافیکی سنگین، کیفیت نامناسب مصالح و نوسانات اقلیمی، دچار تغییر شکل و تخریب می‌گردد؛ امری که منجر به پیدایش عوارضی همچون شیار افتادگی (Rutting)، چاله (Pothole) و برآمدگی‌های سنگی (Stone Protrusion) می‌شود. پیامد این خرابی‌ها، کاهش همواری سطح، تشدید فرسایش خاک و مخاطرات ایمنی برای تردد وسایل نقلیه است. با توجه به هزینه‌های گزاف احداث جاده‌های جنگلی، صیانت از این سرمایه‌ها نیازمند پایش مستمر، شناسایی به‌موقع عوامل مخرب و برنامه‌ریزی دقیق جهت پیشگیری از خسارات آتی است. امروزه رویکرد یادگیری ماشین و بهره‌گیری از الگوریتم‌های یادگیری عمیق (Deep Learning)، روشی نوین و کارآمد را در ارزیابی هوشمند شرایط روسازی فراهم آورده است. از این‌رو، پژوهش حاضر با هدف بهینه‌سازی هزینه‌ها، مدیریت زمان و ایجاد قابلیت پایش هوشمند جاده‌های جنگلی، استفاده از این فناوری‌های پیشرفته را مورد توجه قرار داده است.

در این پژوهش، ابتدا ارزیابی زمینی سطح جاده با استفاده از شاخص‌های PCI و FRPCI صورت گرفت. سپس جهت جمع‌آوری داده‌های تصویری، از پهپاد Phantom Pro 4   به‌منظور شناسایی سه کلاس خرابی (چاله، شیار و برآمدگی سنگی)، کارایی الگوریتم‌های تشخیص شیء شامل Faster R-CNN، 5YOLO v و 8YOLO vمورد مقایسه قرار گرفت. عملیات برچسب‌گذاری تصاویر در محیط Roboflow و فرآیند آموزش و ارزیابی مدل‌ها در بستر Google Colab با استفاده از زبان برنامه‌نویسی Python انجام شد.

نتایج ارزیابی نشان داد که YOLO v5 با کسب مقادیر ۵5%، 4۵%، 69%، ۵1% و33% به ترتیب برای شاخص‌های -Score1F، Recall، Precision و 0.50@mAP و 0.50-0.95@mAP  عملکرد بهتری نسبت به سایر مدل‌ها داشت. این مدل در تفکیک کلاس ها نیز  دقت 70% برای شیار و چاله و 67% برای برآمدگی سنگی را به ثبت رساند. با این وجود، نتایج نشان داد که استفاده از کادرهای محدودکننده (Bounding Box) برای عوارضی با ابعاد نامنظم مانند شیارها، با محدودیت‌هایی همراه است. لذا پیشنهاد می‌شود در مطالعات آتی از مدل‌های بخش‌بندی نمونه‌ای (Instance Segmentation) که قادر به استخراج دقیق هندسه و زوایای خرابی هستند، جهت بهبود دقت شناسایی الگوهایی با ابعاد متغیر استفاده شود.