چکیده:
تشخیص وضعیت لغزندگی سطح جاده امری مهم در راستای افزایش امنیت جاده و سرنشینان و همچنین توسعه خودروهای خودران و فناوریهای مرتبط با آن است. در این راستا پژوهشهای مختلفی با روشها و حسگرهای متفاوت، با استفاده از دادههای گوناگونی نظیر تصویر، صوت و فرکانس موج صورت گرفته است. این مقاله بدون استفاده از حسگرها و روشهای پرهزینه تنها با استفاده از تصاویر دوربینهای مداربسته موجود در جادهها و بهرهگیری از شبکههای عصبی پیچشی انجام شده است. ایدهی اصلی پژوهش جاری استفاده از رویکرد یادگیری انتقالی است. لذا در ابتدا اهمیت و مزایای استفاده از یادگیری انتقالی، در قالب آموزش شبکهای با ساختار InceptionNetv3 بیان شدهاست. در مرحله بعد با استفاده از چارچوبی جدید به نام GFNet، شبکه عصبی پیچشی ResNet50 و شبکه عصبی بازگشتی با یکدیگر ترکیب و با استفاده از یادگیری انتقالی آموزش داده شدهاند. درنهایت ابزاری با توانایی تشخیص سطح جاده، در سه دسته خشک، خیس و برفی با دقتی بالغ بر 96.33% به دست آمدهاست.
Road slippery detection is one of the main factors in order to increase road and passenger safety, as well as the development of autonomous vehicles and related technologies. In this regard, various researches have been done with different methods and sensors, using different data such as image, sound and wave frequency. In this article, we have detecetd the road slippery without the use of expensive sensors and methods and only using CCTV images on the roads and based on convoloudnational neural networks. The main idea of this research is the use of transfer learning approach. Therefore, first, the importance and benefits of using transfer learning are expressed in the form of network training with InceptionNetv3 architecture. In the next step, a ResNet50 CNN and a recurrent neural network are combined by using a new framework called GFNet and are trained by using transfer learning. Finally, a tool with the ability to detect the road surface, in three classes of dry, wet and snow, has been obtained with an accuracy of 96.33%.