Derin öğrenme ile asfalt çatlaklarının tespitinde veri artırımı ve evrişimsel blok seçiminin etkisi

Abstract

Petrolün rafine işlemi sonucu yan bir ürün olarak oluşan asfalt, yol çalışmalarında kullanılan en önemli malzemelerdendir. Asfalt yollarda trafik, iklim ve çevre, yapım ve tasarım hataları, malzeme hataları gibi etkenlerden dolayı deformasyonlar, ayrışmalar ve çatlaklar meydana gelmektedir. Bu bozulmalar asfalt yolun kalitesini düşürmekte ve kazalara sebep olmaktadır. Bu çalışma, onarım ve altyapı iyileştirmelerinin sağlanması için çatlaklar gibi asfalt hasarlarının tespitini iyileştirmeyi amaçlamaktadır. Çalışma kapsamında, Mendeley Data'nın "Asfalt Çatlak Veri Seti" üzerinde eğitilmiş bir derin öğrenme modelini kullanarak, çatlak görüntüleri %96'yı aşan bir doğruluk oranıyla sınıflandırılmıştır. Bu araştırma, derin sinir ağlarının endüstriyel uygulamalarda kullanımının ürün kalitesini iyileştirme potansiyelini ortaya koymaktadır.

Asphalt, formed as a byproduct through the refining process of oil, is one of the most crucial materials used in road construction. Deformations, separations, and cracks occur in asphalt roads due to factors such as traffic, climate and environment, construction and design errors, and material defects. These deteriorations reduce the quality of asphalt roads and lead to accidents. This study aims to improve the detection of asphalt damages such as cracks to enable repairs and infrastructure improvements. Within the scope of the study, crack images were classified with an accuracy rate exceeding 96% using a deep learning model trained on Mendeley Data's "Asphalt Crack Data Set". This research demonstrates the potential of using deep neural networks in industrial applications to improve product quality.