YOLO: تحليل تنافسي لخوارزميات الكشف عن الأشياء الحديثة للكشف عن عيوب الطرق باستخدام صور الطائرات بدون طيار
DOI:
https://doi.org/10.21123/bsj.2023.9027الكلمات المفتاحية:
الشبكة العصبية التلافيفية، YOLO، صور الطائرات بدون طيار، CSPDarknet، حجم الإدخالالملخص
يعد التحديد الفعال لعيوب الطرق مصدر قلق بالغ لما له من اثر على السلامة على الطرق وصيانة البنية التحتية. يستخدم هذا البحث الصور الملتقطة بطائرات بدون طيار وخوارزميات متقدمة للكشف عن الأشياء لتسريع عملية التعرف على العيوب، مع التركيز بشكل خاص على تحديد الخوارزمية المثالية للكشف السريع والدقيق. تظل أهمية اكتشاف عيوب الطريق في الوقت المناسب، وهو أمر بالغ الأهمية للتخفيف من المخاطر المحتملة، أمرًا أساسيًا. تحليل مقارن شامل لخوارزميات الكشف عن الكائنات المعاصرة، بما في ذلك YOLOv5s وYOLOv5m وYOLOv5l وYOLOv5x وYOLOv7. . تسلط نتائج هذه الدراسة الضوء على YOLOv7 باعتباره الأكثر كفاءة، مع mAP ملحوظ بنسبة 68.3%، يليه YOLOv5l (66.8%)، وYOLOv5m (66.3%)، وYOLOv5x (66%)، وYOLOv5s (63%). يؤدي دمج الصور المشتقة من الطائرات بدون طيار، والتقاط التدرجات المميزة، إلى تعزيز دقة اكتشاف العيوب بشكل كبير. وبعيدًا عن السلامة على الطرق، تقدم هذه الدراسة رؤى قيمة لممارسي الرؤية الحاسوبية والتعلم الآلي. ومن خلال ربط الابتكار التكنولوجي بالتنفيذ العملي، فإنه يحمل القدرة على تعزيز السلامة على الطرق وجودة البنية التحتية للنقل واستخدام تكنولوجيا الطائرات بدون طيار الثورية.
Received 04/05/2023,
Revised 10/10/2023y,
Accepted 10/10/2023,
Published Online First 20/11/2023
المراجع
Seo J, Duque L, Wacker J. Drone-enabled bridge inspection methodology and application. Autom Constr. 2018; 94: 112-126. https://doi.org/10.1016/j.autcon.2018.06.006
Ha J, Kim DS, Kim M. Assessing severity of road cracks using deep learning-based segmentation and detection. J Supercomput. 2022 May 22; 78(16): 17721–35. https://doi.org/10.1007/s11227-022-04560-x
Jang J, Yang Y, Smyth AW, Cavalcanti D, Kumar R. Framework of data acquisition and Integration for the detection of pavement distress via multiple vehicles. J Comput Civil Eng. 2017 Mar 1; 31(2): 04016061. https://doi.org/10.1061/(asce)cp.1943-5487.0000618
Syifa M, Park S, Lee CW. Detection of the Pine wilt disease tree candidates for drone remote sensing using artificial intelligence techniques. Eng. 2020 Aug 1; 6(8): 919–26. https://doi.org/10.1016/j.eng.2020.07.001
Mandirola M, Casarotti C, Peloso S, Lanese I, Brunesi E, Senaldi I. Use of UAS for damage inspection and assessment of bridge infrastructures. Int J Disaster Risk Reduct. 2022 Apr 1; 72: 102824. https://doi.org/10.1016/j.ijdrr.2022.102824
Awad JH, Majeed BD. Moving objects detection based on frequency domain. Baghdad Sci J. 2020 May 11; 17(2): 0556. https://doi.org/10.21123/bsj.2020.17.2.0556
Balakrishnan B, Chelliah R, Venkatesan M, Sah C. Comparative Study on Various Architectures of Yolo Models Used In Object Recognition. 2022 International Conference on Computing, Communication, and Intelligent Systems (ICCCIS). 2022 Nov 4; https://doi.org/10.1109/icccis56430.2022.10037635
Yusro MM, Ali R, Hitam MS. Comparison of faster R-CNN and YOLOV5 for overlapping objects recognition. Baghdad Sci J. 2023; 20(3): 893-903. https://doi.org/10.21123/bsj.2022.7243
Wang Z, Zhu H, Jia X, Bao Y, Wang C. Surface Defect Detection with Modified Real-Time Detector YOLOv3. J Sens. 2022; 2022. https://doi.org/10.1155/2022/8668149
Redmon J, Santosh DHH, Ross G, Farhadi A. You Only Look Once: Unified, Real-Time Object Detection. arXiv (Cornell University). 2015 Jun 8. http://arxiv.org/abs/1506.02640
Norkobil Saydirasulovich S, Abdusalomov A, Jamil MK, Nasimov R, Kozhamzharova D, Cho YI. A YOLOv6-Based Improved Fire Detection Approach for Smart City Environments. Sensors. 2023; 23(6): 3161. https://doi.org/10.3390/s23063161
Azurmendi I, Zulueta E, López-Guede JM, Azkarate J, González M. Cooktop sensing based on a YOLO object detection algorithm. Sensors. 2023 Mar 3; 23(5): 2780: https://doi.org/10.3390/s23052780
Dluznevskij D, Stefanovič P, Ramanauskaitė S. Investigation of YOLOV5 efficiency in iPhone supported systems. Balt J Mod Comput. 2021 Jan 1;9(3):07. https://doi.org/10.22364/bjmc.2021.9.3.07
Wang CY, Bochkovskiy A, Liao HYM. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. arXiv (Cornell University). 2022 Jul 6; 9(3). http://arxiv.org/abs/2207.02696
Pham V, Pham C, Dang T. Road Damage Detection and Classification with Detectron2 and Faster R-CNN. Proceedings - 2020 IEEE Int Conf Big Data. Published online October 28, 2020: 5592-5601. https://doi.org/10.1109/BigData50022.2020.9378027
Tan M, Pang R, Le Q V. EfficientDet: Scalable and Efficient Object Detection. 2020 IEEE/CVF Conf Comp Vis Pattern Recognition (CVPR). Published online 2019: 10778-10787. https://doi.org/10.1109/CVPR42600.2020.01079
Vishwakarma R, Vennelakanti R. CNN Model & Tuning for Global Road Damage Detection. Proceedings - 2020 IEEE Int Conf Big Data. 2020. Published online March 17, 2021: 5609-5615. https://doi.org/10.1109/BigData50022.2020.9377902
Arya D, Maeda H, Ghosh SK, Toshniwal D, Omata H, Kashiyama T, et al. Global Road Damage Detection: State-of-the-art Solutions. Proceedings - 2020 IEEE Int Conf Big Data. Published online November 17, 2020: 5533-5539. https://doi.org/10.1109/BigData50022.2020.9377790
التنزيلات
إصدار
القسم
الرخصة
الحقوق الفكرية (c) 2023 مجلة بغداد للعلوم
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
