fa ارائه یک روش مبتنی بر یادگیری عمیق به منظور تخمین موقعیت مطلق چاله‌ها در خیابان‌های شهری فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;"><span style="font-family:Tahoma;"><span style="font-size:12px;"><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" times=""><span style="letter-spacing:-0.1pt"><span lang="FA"><span b="" nazanin="">شناسایی و تعیین دقیق موقعیت چاله‌های سطح آسفالت نقش مهمی در بهبود ایمنی رانندگان، کاهش هزینه‌های نگهداری و بهینه‌سازی مدیریت زیرساخت‌های حمل‌ونقل شهری دارد. در این پژوهش، روشی مبتنی بر یادگیری عمیق ارائه شده است که با استفاده از فناوری‌های در دسترس و مقرون‌به‌صرفه، این اهداف را محقق می‌سازد. روش پیشنهادی از یک شبکه عصبی عمیق برای تشخیص و بخش‌بندی چاله‌ها در تصاویر ثبت‌شده توسط دوربین گوشی‌های هوشمند استفاده می‌کند. سپس با به‌کارگیری یک الگوریتم تلفیق داده، اطلاعات استخراج‌شده از تصاویر با داده‌های سامانه موقعیت‌یاب جهانی (</span></span>GPS<span lang="FA"><span b="" nazanin="">) و واحد اندازه‌گیری اینرسی (</span></span>IMU<span lang="FA"><span b="" nazanin="">) دریافت‌شده از سنسورهای گوشی ترکیب می‌شود تا موقعیت مطلق چاله‌ها در سیستم مختصات جهانی</span></span><span lang="FA"><span b="" nazanin=""> (</span></span>UTM<span lang="FA"><span b="" nazanin="">)</span></span><span lang="FA"><span b="" nazanin=""> با دقت بالا تخمین زده شود. این رویکرد نوآورانه، چالش‌های مرتبط با تبدیل مختصات تصویر به مختصات جهانی و خطاهای ناشی از دقت پایین داده‌های سامانه موقعیت‌یاب جهانی را به‌طور مؤثر برطرف می‌کند. به‌منظور ارزیابی عملکرد روش پیشنهادی، مجموعه ‌داده‌ای جامع از خیابان‌های شهری با استفاده از گوشی‌ هوشمند متداول جمع‌آوری شد. در این فرآیند موقعیت چاله‌ها به دو روش تعیین شد: یک بار با استفاده از روش پیشنهادی ارائه‌شده در این پژوهش و بار دیگر با استفاده از گیرنده مولتی‌فرکانس </span></span>G1 Plus Sout <span lang="FA"><span b="" nazanin="">با دقت 0.012 متر</span></span><span lang="FA"><span b="" nazanin=""> که به عنوان مرجع دقیق درنظر گرفته شد. سپس نتایج حاصل از این دو روش با یکدیگر مقایسه شدند تا دقت و کارایی روش پیشنهادی ارزیابی گردد</span></span><span dir="LTR">.</span><span lang="FA"><span b="" nazanin=""> نتایج آزمایش‌ها نشان می‌دهد که این روش قادر است موقعیت مطلق چاله‌ها را با میانگین خطای کمتر از ۲ متر در سیستم مختصات </span></span>UTM<span lang="FA"><span b="" nazanin=""> تخمین بزند. این رویکرد امکان نقشه‌برداری دقیق و به‌روز از وضعیت سطح خیابان‌های شهری را با استفاده از ابزارهای روزمره و در دسترس عموم فراهم می‌کند. علاوه بر این، سادگی و مقرون‌به‌صرفه بودن این روش، امکان مشارکت گسترده شهروندان در جمع‌آوری داده‌ها و بهبود زیرساخت‌های شهری را فراهم می‌سازد.</span></span></span></span></span></span></span></span></div> <div></div> <div style="text-align: justify;"><span style="font-size:12px;"><span style="font-family:Tahoma;">Accurate identification and location of potholes on asphalt surfaces plays an important role in improving driver safety, reducing maintenance costs, and optimizing the management of urban transportation infrastructure. In this study, a deep learning-based method is presented that achieves these goals using affordable and readily available technologies. The proposed method uses a deep neural network to detect and segment potholes in images captured by smartphone cameras. Then, using a data fusion algorithm, the information extracted from the images is combined with Global Positioning System (GPS) and Inertial Measurement Unit (IMU) data received from the phone sensors to estimate the absolute location of the potholes in the Universal Coordinate System (UTM) with high accuracy. This innovative approach effectively overcomes the challenges associated with converting image coordinates to universal coordinates and errors caused by the low accuracy of GPS data. In order to evaluate the performance of the proposed method, a comprehensive dataset of urban streets was collected using a common smartphone. In this process, the location of potholes was determined in two ways: once using the proposed method presented in this study and again using a G1 Plus Sout multi-frequency receiver with an accuracy of 0.012 m, which was considered as an accurate reference. Then, the results of these two methods were compared with each other to evaluate the accuracy and efficiency of the proposed method. The experimental results show that this method is able to estimate the absolute location of potholes with an average error of less than 2 m in the UTM coordinate system. This approach allows for accurate and up-to-date mapping of the surface condition of urban streets using everyday and publicly available tools. In addition, the simplicity and cost-effectiveness of this method allows for widespread citizen participation in data collection and improvement of urban infrastructure.</span></span></div> یادگیری عمیق, شبکه عصبی, شناسایی اشیا, ویژوال اودومتری, تلفیق داده‌ها Deep Learning, Neural Network, Object Detection, Visual Odometry, Data Fusion 49 67 http://jgst.issgeac.ir/browse.php?a_code=A-10-1120-1&slc_lang=fa&sid=1 Homayoon Hadigol همایون هادیگل homayoonh79@email.kntu.ac.ir 100319475328460010915 100319475328460010915 Yes دانشگاه صنعتی خواجه نصیرالدین طوسی Ali Hosseininaveh علی حسینی نوه hosseininaveh@kntu.ac.ir 100319475328460010916 100319475328460010916 No دانشگاه صنعتی خواجه نصیرالدین طوسی