کاربرد شبکه های عصبی عمیق در طبقه بندی تصاویر آسیب های شبکه فاضلاب و مشخص کردن مسیرهای بحرانی آنها

فاضلابروها جزء اصلی تاسیسات زیربنایی شبکه فاضلاب شهری به حساب می‌آیند. آسیب‌های فاضلابروها به دلیل غیرقابل رویت بودن کمتر توجه شده و این عدم رسیدگی به آسیب‌ها، موجب وضعیت‌های اضطراری و هزینه‌های غیر منطقی می‌گردد. این شریان‌های حیاتی در طول سرویس‌دهی، نیازمند نگهداری و بازسازی جهت عملکرد بهینه در تمام ابعاد می‌باشند. امروزه روش‌های پردازش و طبقه‌بندی عکس و فیلم های گرفته شده توسط ربات‌های ویدئو متری متحرک برای انجام بازرسی شبکه فاضلاب بسیار مورد استفاده قرار می‌گیرند. یکی از الگوریتم‌های موفق در زمینه پردازش تصویر، الگوریتم شبکه عصبی کانولوشن است که از زیر مجموعه‌های الگوریتم یادگیری عمیق به شمار می‌رود. در این مقاله از یک الگوریتم شبکه عصبی کانولوشن جهت طبقه‌بندی تصاویر آسیب‌های شبکه فاضلاب و موارد موثر در بهبود و دقت و عملکرد این الگوریتم، پرداخته شده است. تصاویر توسط ربات ویدئومتری از شبکه فاضلاب بدست آمده است. نتایج حاصل از استفاده از الگوریتم پیشنهادی در شبکه فاضلاب، دستیابی به دقت 98 درصدی در طبقه‌بندی آسیب‌های شبکه و در مقایسه با سایر روش‌ها و نیز کاهش زمان اجرای نسبتا کم معماری پیشنهادی (91 دقیقه) در مقایسه با سایر معماری‌های معتبر در یادگیری عمیق در یک بستر سخت‌افزاری یکسان می‌باشد. همچنین، در آینده، الگوریتم پیشنهادی جهت تحلیل شبکه‌های فاضلاب بدون نیاز به نیروهای متخصص و همچنین کنترل یک ربات هدایت خودکار ویدئومتری شبکه فاضلاب مورد استفاده قرار خواهد گرفت.

application of deep neural networks in classifying images of sewer network damage and identifying their critical paths

sewage flow path is the main component of urban sewerage network infrastructure. damage to sewers is less noticeable due to invisibility, and this failure to handle the damage leads to emergencies and unreasonable costs. these vital arteries need to be maintained and rebuilt during service for optimal performance in all dimensions. nowadays, the methods of processing and classifying photos and videos taken by mobile videometer robots are widely used to inspect the sewer network. one of the successful algorithms in the field of image processing is the convolutional neural network algorithm, which is a subset of deep learning algorithm. in this paper, a convolutional neural network algorithm is used to classify images of sewer network damage and cases affecting the improvement, accuracy and performance of this algorithm. the images were obtained by a videometric robot from the sewer network. results of using the proposed algorithm in the sewerage network, achieving 98% accuracy in classifying network faults and compared to other methods and also reducing the relatively low execution time of the proposed architecture (91 minutes) compared to other architectures valid ones are the same in deep learning on the same hardware platform. also, in the future, the proposed algorithm will be used to analyze networks without the need for specialized personnel and also to control an automatic network videometry robot.