ЖОЛ ТӨСЕМІНІҢ ЖАРЫҚТАРЫН СЕГМЕНТАЦИЯЛАУДА ҚОЛДАНЫЛАТЫН ТЕРЕҢ ОҚЫТУ АРХИТЕКТУРАЛАРЫН САЛЫСТЫРМАЛЫ ТАЛДАУ
Бұл мақалада жол төсеміндегі жарықтарды сегментациялауда қолданылатын терең оқытудың заманауи архитектуралары салыстырмалы түрде талданды: CrackNet, DeepCrack++, YOLOv9, ViT-UNet және Swin-UNet. Зерттеу әртүрлі деңгейдегі аннотациялары бар бірнеше ашық деректер жиынтығы негізінде жүргізілді. Бағалау көрсеткіштері ретінде толықтық (Recall), нақтылық (Precision), IoU орта мәні және F1-өлшемі қолданылды. Зерттеу нәтижелері DeepCrack++ моделінің толықтық пен нақтылық бойынша жоғары көрсеткіштерге қол жеткізгенін, яғни әртүрлі зақымдану түрлерін анықтау тиімділігін көрсетті. Ал CrackNet архитектурасы есептеу ресурстарын үнемді пайдалануымен және өте жоғары өңдеу жылдамдығымен ерекшеленіп, ендірілген жүйелер үшін қолайлы шешім болып табылады. YOLOv9 моделі микро- және макрожарықтарды сегментациялау үшін бейімделіп, нақтылық пен жылдамдық арасында оңтайлы тепе-теңдікті көрсетті. ViT-UNet моделі жаһандық контекстіні терең модельдеу мүмкіндігі арқылы жіңішке және тарамдалған жарықтарды дәлірек анықтай алды. Swin-UNet болса, локалдық және жаһандық белгілерді тиімді біріктіріп, әртүрлі деректер жиынтықтарында тұрақты нәтиже көрсетті. Сонымен, зерттеу нәтижелері жол инфрақұрылымының жағдайын интеллектуалды бақылау жүйелеріне арналған модельдерді таңдауда дәлдік, есептеу ресурстары мен өңдеу уақыты арасындағы оңтайлы тепе-теңдікті ескере отырып, тиімді архитектураны таңдауға негіз бола алады.
Сведения
- Опубликовано
- 2025 · Т. 355, № 3
- Язык
- Казахский
- ISSN
- 1991-346X · 2518-1726
- Издатель
- Central Asian Academic Research Center LLP