en مطالعه تطبیقی ​​مدل‌های CNN برای طبقه‌بندی ترک‌ها در ساختمان‌ها فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;">ترک ها به عنوان یک شاخص مهم برای وضعیت ساختمان شناخته شده اند و می توان آنها را به چند نوع مختلف طبقه بندی کرد. آسیب می تواند به دلیل عوامل مختلفی از جمله قدمت ساختمان، طراحی، ویژگی های خاک زیر ساختمان و تأثیرات محیطی رخ دهد. به عنوان مثال، ترک‌های ناشی از فعالیت لرزه‌ای بر روی سازه‌ها، مانند ساختمان‌ها، خطری جدی ایجاد می‌کنند و در صورت عدم توجه می‌توانند منجر به فروریختن سازه شوند. بر اساس شدت تاثیر آنها، مطالعه حاضر ترک ها را به چهار گروه تقسیم کرد. در یادگیری عمیق، از چهار مدل (VGG16، Alexnet، Resnet50 و مدل اصلاح CNN) برای مقایسه دقت و زمان تکمیل آنها استفاده کرده‌ایم. نتایج نشان داد که مدل VGG16 دقیق تر است. (98.32%)، از طرف دیگر Resnet50 کمترین دقت را داشت (75%). با این وجود، ترکیبی از مدل ها میزان دقت 91٪ را ارائه می دهد. نتایج کارایی یادگیری عمیق را در تشخیص سریع و دقیق و طبقه بندی ترک ها نشان داد.</div> <div style="text-align: justify;"><span style="font-size:10pt"><span style="line-height:125%"><span new="" roman="" style="font-family:" times="">Cracks have become known as an important indicator of a building&#39;s state, and they can be categorized into several different types. Damage can occur due to various factors, including the building&#39;s age, design, the characteristics of the soil beneath the building, and environmental influences. For instance, Cracks resulting from seismic activity on structures, such as buildings, pose a serious risk and could potentially result in a structural collapse if not addressed. Based on the severity of their impact, the present study divided the cracks into four groups. In deep learning, we have used four models (VGG16, Alexnet, Resnet50, and CNN modification model) to compare their accuracy and completion times. The results demonstrated that the VGG16 model was more accurate. (98.32%),On the other hand, Resnet50 was the least accurate (75%). Nevertheless, the combination of the models offers an accuracy rate of 91%. The results demonstrated the efficacy of deep learning in rapidly and precisely detecting and classifying cracks.</span></span></span></div> <br> &nbsp; شبکه عصبی کانولوشن (CNN), طبقه بندی کرک, یادگیری عمیق, VGG16, Alexnet. Convolutional neural network(CNN), crack classification, Deep learning, VGG16, Alexnet. 89 97 http://jgst.issgeac.ir/browse.php?a_code=A-10-1109-1&slc_lang=en&sid=1 Nooruldeen Sameer Majeed نور الدین سمیر مجید nouralddin91@gmail.com 100319475328460011003 100319475328460011003 No 1Geoinformation Tech. Center of Excellence, Faculty of Geodesy& Geomatics Engineering, K.N.Toosi University of Technology, Tehran, Iran, nouralddin91@gmail.com 1 فناوری اطلاعات جغرافیایی تهران، ایران، مرکز عالی، دانشکده مهندسی ژئودزی و ژئوماتیک، دانشگاه صنعتی کن طوسی، nouralddin91@gmail.com Mohammed Mesgari محمدسعدی مسگری mesgari@kntu.ac.ir 100319475328460011004 100319475328460011004 Yes 2GIS Division, Faculty of Geodesy and Geomatics, K.N. Toosi University of Technology, Tehran, Iran. بخش 2GIS، دانشکده ژئودزی و ژئوماتیک، K.N. دانشگاه صنعتی طوسی، تهران، ایران Hayder Dibs حیدر دبس Dr.hayderdibs@wrec.uoqasim.edu.iq 100319475328460011005 100319475328460011005 No 3Al-Qasim Green University, College of Engineering, Water Resources Management Engineering Department, Babylon , Iraq; dr.hayderdibs@wrec.uoqasim.edu.iq (HD) 4 دانشگاه القاسم گرین، دانشکده مهندسی، گروه مهندسی مدیریت منابع آب، بابل، عراق؛ dr.hayderdibs@wrec.uoqasim.edu.iq (HD)