مرور و کاربرد روش یادگیری عمیق در طبقه‌بندی مصالح دانه‌ای بتن و خاک

روش‌ پایه برای تعیین خصوصیات مهندسی خاک و سنگ‌دانه‌های بتن، طبقه‌بندی آن‌ها به روش مکانیکی آنالیز الک است که روندی زمان‌بر و گاهی پر هزینه دارد. در این مقاله با کاربرد روش پردازش تصویر مبتنی بر یادگیری عمیق، عملاً نیاز به دخالت کاربر برای پردازش تصاویر به حداقل و سرعت و دقت طبقه‌بندی مصالح افزایش یافته است که این موضوع می‌تواند به افزایش بهره‌وری در پروژه‌ها کمک نماید. بدین منظور نمونه‌های مصالح از پروژه‌های مختلف در سطح شهر تهران جمع‌آوری شده و از آن‌ها عکس‌هایی در شرایط مشخص تهیه گردید. برای تعیین دقیق طبقه‌بندی مصالح، نمونه‌ها به روش آنالیز الک دانه‎‌بدی شدند. با این اطلاعات، شبکه‌های‌ یادگیری عمیق alexnet و googlenet بررسی، تنظیم و آموزش داده شده‌اند. برای تعیین پارامترهای مدل از حساسیت‌سنجی استفاده شد. بر این اساس استفاده از حدود 8090 درصد تصاویر گرفته شده برای آموزش مدل و سایر تصاویر برای بررسی دقت آن مناسب تشخیص داده شد. نتایج آنالیز نشان داد که با استفاده از این روش دقت صحت‌سنجی به حدود 100% می‌رسد. همچنین درصد توانایی مدل برای شناسایی طبقه‌بندی تصاویر نمونه‌های جدید در حدود 85% است. با افزایش داده‌های ورودی برای آموزش مدل می‌توان به دقتی به مراتب بالاتر نیز دست یافت.

A Review and Application of Deep Learning Method for Classification of Concrete Aggregates and Soil

Mechanical sieve analysis is a common method for determining concrete aggregates and soil classification. For facilitation and acceleration of this method, this paper reviews image processing and deep learning methods used in geotechnical and civil engineering applications. Combination of deep learning with image processing can result in a robust, humanindependent approach (in terms of experience and recognition power), resulting in faster and accurate results. To better understand the performance of such methods, two convolutional neural network (CNN) architectures (e.g. AlexNet or GoogleNet) were evaluated for their capability in automatic feature extraction and image classification. It was observed that the accuracy of these networks in prediction of aggregate class is dependent on ratio of the number of training samples to the whole dataset size, epoch number and mini batch size. The number of training images between 8090% of the total dataset was found to be suitable and a minimum of 10 epoch is required to obtain the maximum validation accuracy. Using this model, a validation accuracy of up to 100% was reachable. Furthermore, the model was capable to predict about 85% of new images correctly. The future improvement of this method can be associated to increasing its efficiency in training process by using optimization approaches.