Geri Dön

Rigid pavement crack detection utilizing generative adversarial networks

Beton yollarda çekişmeli üretici ağlar kullanarak yol çatlak tespiti

PDF İndir

  1. Tez No: 789600
  2. Yazar: TANNER WAMBUI MUTURI
  3. Danışmanlar: DOÇ. DR. ONUR PEKCAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: İnşaat Mühendisliği, Civil Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Geoteknik Bilim Dalı
  13. Sayfa Sayısı: 97

Özet

Çatlaklar, kaplamanın bozulmasının ilk işareti olarak gözlenir ve bu nedenle kaplamanın daha fazla parçalanmasını önlemek için tespit edilmeli ve onarılmalıdır. Teknolojideki büyüme ile yol kaplamalarındaki çatlakları tespit etmek için çeşitli görüntü işleme, makine öğrenimi ve derin öğrenme yöntemleri uygulanmıştır. Bu yöntemlerden araştırmalar, görüntülerdeki çatlakların piksel bazında bölütlenmesi için derin öğrenme modellerinin kullanımına yöneliktir. Bununla birlikte, literatürde benimsenen derin öğrenme modellerinin çoğu denetlenir ve bu nedenle, elde edilmesi pahalı olan, karşılık gelen yer-gerçeği etiketleriyle birlikte çok büyük miktarda görüntü gerektirir. Bu nedenle, bu çalışma, çatlak bölgelerinin piksel bazında bölütlenmesi için denetimsiz bir görüntü çeviri modeli olan Döngüsel Çekişmeli Üretici Ağlar'ın (CycleGANs) kullanılmasını önermektedir. Her tek dönem için eğitilmiş ileri ve geri çevrim üreteçleri ve çift dönem için ayrımcılar ile yeni bir eğitim prosedürü benimsenmiştir. Eğitim için FCN (X. Yang ve diğerleri, 2018) ve drone (Ersoz ve diğerleri, 2017) görüntülerinden oluşan rijit bir kaplama veri seti toplanır. Model, doğru kesin bilgi etiketleri gerektirmediğinden, CrackForest, GAPS384, CrackTree200 ve Crack500 genel veri kümelerinden temel doğruluk çatlak etiketlerinin derlenmesiyle emek gerektirmeyen eşleştirilmemiş görüntü etiketleri elde edilir. Önerilen model, CrackForest algoritması (Shi ve diğerleri, 2016), FCN algoritması (X. Yang ve diğerleri, 2018) ve pix2pix modeli (Isola ve diğerleri, 2017) ile karşılaştırılabilir sonuçlar elde ederek 0,84'lük bir genel F1 puanı elde etmiştir.). Ayrıca geliştirilen model, insansız hava aracı veri setini test ederken CrackForest algoritması ve FCN denetimli modelden daha iyi performans göstermektedir. Son olarak, diskriminatör mimarisindeki değişimin etkisi ve üreteçte transfer öğrenme uygulaması araştırılmıştır. Tek sınıf bir ayrımcı mimarisi ve ImageNet'in önceden eğitilmiş ağırlıkların üretece yüklenmesinin en iyi performansı sağladığı gözlemlenmiştir

Özet (Çeviri)

Cracks are observed to be an initial sign of the degradation of the pavement and should therefore be detected and repaired to prevent further disintegrations. With the growth in technology, various image processing, machine learning, and deep learning methods have been applied to detect cracks on road pavements. The research leans towards using deep learning models for the pixel-wise segmentation of pavement image cracks among these models. However, most deep-learning models adopted in the literature are supervised and thus require enormous amounts of images with their corresponding ground-truth labels, which are expensive to obtain. Therefore, this study proposes using Cycle Generative Adversarial Network (CycleGAN), an unsupervised image translation model, for the pixel-wise segmentation of crack regions. A novel training procedure is adopted, with the forward and reverse cycle generators trained for every odd epoch and the discriminators for the even ones. A rigid pavement dataset of Fully Convolutional Network (FCN) (X. Yang et al., 2018) and drone (Ersoz et al., 2017) images are collected for training. As the model does not require accurate ground truth labels, labor-free unpaired image labels are obtained by compiling the ground truth crack labels from CrackForest, GAPS384, CrackTree200, and Crack500 public datasets. The proposed model achieved an overall F1 score of 0.84, achieving comparable results with the CrackForest algorithm (Shi et al., 2016), FCN algorithm (X. Yang et al., 2018), and pix2pix model (Isola et al., 2017). In addition, the model outperforms the CrackForest algorithm and FCN-supervised model when testing the drone dataset. Finally, the effect of change in discriminator architecture and the application of transfer learning in the generator is investigated. A one-class discriminator architecture and loading of ImageNet pre-trained weights to the generator were observed to achieve the best performance.

Benzer Tezler

  1. Tez No

    318427

    Ultra-thin engineered cementitious composites overlay systems for rehabilitation of rigid concrete pavements

    Rijit beton kaplamaların onarımı için tasarlanmış çok ince çimento bağlayıcılı kompozit kaplama sistemleri

    HİSHAM JASHAMİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2012

    İnşaat MühendisliğiGaziantep Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUSTAFA ŞAHMARAN

  2. Tez No

    337971

    Design of crack free, durable and ductile concrete for sustainable highway rigid pavement overlays

    Sürdürülebilir karayolu rijit üstyapı kaplamaları için çatlaksız, dayanıklı ve sünek beton tasarımı

    HASAN ERHAN YÜCEL

    Doktora

    İngilizce

    İngilizce

    2013

    İnşaat MühendisliğiGaziantep Üniversitesi

    İnşaat Mühendisliği Bölümü

    DOÇ. DR. MUSTAFA ŞAHMARAN

    DOÇ. DR. MURAT GÜLER

  3. Tez No

    23292

    Mechanistic evaluation of rigid airport pavemets

    Havaalanı rijit kaplamalarının mekanistik değerlendirmesi

    EMİN GÜÇBİLMEZ

    Doktora

    İngilizce

    İngilizce

    1992

    İnşaat MühendisliğiOrta Doğu Teknik Üniversitesi

    PROF. DR. RÜŞTÜ YÜCE

  4. Tez No

    477755

    Yapılar için kendiliğinden yerleşen cam katkılı betonlarda rötre deformasyonu ve enine çatlak oluşumunun değerlendirilmesi

    Assessment of shrinkage deformation and transverse crack formation in scgc for structures

    OSAMAH MOHAMMED GHAZI AL-KERTTANI

    Doktora

    İngilizce

    İngilizce

    2017

    İnşaat MühendisliğiGaziantep Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ESRA METE GÜNEYİSİ

  5. Tez No

    779546

    Ultraviyole yaşlandırma etkisi altında bitümlü bağlayıcıların reolojik özelliklerinin araştırılması

    Investigation of rheological properties of bituminous binders under ultraviolet aging effect

    TUBA YILMAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    UlaşımAfyon Kocatepe Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. CAHİT GÜRER

    DR. ÖĞR. ÜYESİ MURAT VERGİ TACİROĞLU

Geri Dön