آدرس ایمیل خود را وارد نمایید
ثبت
پیام خود را بنویسید
مقالات در حال انتشار
برگشت به فهرست مقالات |
برگشت به فهرست نسخه ها
1- گروه کامپیوتر، دانشکده مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران.
چکیده: (598 مشاهده)
زمینه و هدف: بلایای طبیعی و حملات نظامی می‌توانند باعث تخریب گسترده ساختمان‌ها شوند. ارزیابی سریع و دقیق آسیب ساختمان‌ها برای کاهش تلفات و تسریع عملیات امداد و نجات حیاتی است. این پژوهش باهدف ارائه یک روش نوین برای ارزیابی آسیب ساختمان‌ها با استفاده از تکنیک‌های یادگیری عمیق و پردازش تصویر انجام شده است.
روش‌شناسی: در این تحقیق، روشی نوین مبتنی بر معماری رمزگذار–رمزگشا ارائه شده که مدل DeepLabV3+ را با مکانیزم خود توجهی ترکیب می‌کند. برای آموزش و ارزیابی این مدل، از مجموعه‌داده xBD که شامل تصاویر قبل و بعد از حوادث طبیعی مختلف است، استفاده شده است.
یافته‌ها: مدل پیشنهادی توانست ساختمان‌ها را در چهار سطح «سالم»، «آسیب کم»، «آسیب زیاد» و «تخریب‌شده» طبقه‌بندی کند. نتایج نشان داد که این مدل با کسب معیار F1 کلی معادل 0.94، عملکردی برتر نسبت به روش‌های پیشین دارد.
نتیجه‌گیری و نوآوری: نوآوری اصلی این پژوهش در استفاده هم‌زمان از قابلیت‌های DeepLabV3+، مکانیزم توجه و تکنیک‌های افزایش داده برای ارتقای چشمگیر دقت تشخیص است. این روش علاوه بر مدیریت بحران‌های طبیعی، می‌تواند در حوزه پدافند غیرعامل و سناریوهای نظامی - دفاعی نیز برای ارزیابی سریع خسارات ناشی از حملات مورد استفاده قرار گیرد.
روش‌شناسی: در این تحقیق، روشی نوین مبتنی بر معماری رمزگذار–رمزگشا ارائه شده که مدل DeepLabV3+ را با مکانیزم خود توجهی ترکیب می‌کند. برای آموزش و ارزیابی این مدل، از مجموعه‌داده xBD که شامل تصاویر قبل و بعد از حوادث طبیعی مختلف است، استفاده شده است.
یافته‌ها: مدل پیشنهادی توانست ساختمان‌ها را در چهار سطح «سالم»، «آسیب کم»، «آسیب زیاد» و «تخریب‌شده» طبقه‌بندی کند. نتایج نشان داد که این مدل با کسب معیار F1 کلی معادل 0.94، عملکردی برتر نسبت به روش‌های پیشین دارد.
نتیجه‌گیری و نوآوری: نوآوری اصلی این پژوهش در استفاده هم‌زمان از قابلیت‌های DeepLabV3+، مکانیزم توجه و تکنیک‌های افزایش داده برای ارتقای چشمگیر دقت تشخیص است. این روش علاوه بر مدیریت بحران‌های طبیعی، می‌تواند در حوزه پدافند غیرعامل و سناریوهای نظامی - دفاعی نیز برای ارزیابی سریع خسارات ناشی از حملات مورد استفاده قرار گیرد.
واژه‌های کلیدی: آسیب ساختمان، شبکه DeepLabV3+، بخش‌بندی چند کلاسی، شبکه UNet، سنجش‌ازدور، مکانیزم خود توجهی
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
