YOLO12 МОДЕЛІН ГЕОРАДАР КЕСКІНДЕРІНЕ ҚОЛДАНУ

2026

Жабық қол жеткізу Метадеректер (CSL-JSON)
DOI 10.32014/2026.2518-1726.473
Деректер сенімділігі 70 орташа
Бұл баға қалай есептеледі

Ол жазбаның өзінің тексерілетін белгілерінен құралады: мақаланың DOI-і бар ма, оның деректерін қанша тәуелсіз дереккөз растады, міндетті өрістер толтырылған ба және соңғы растау қаншалықты жаңа. Дереккөздер арасындағы алшақтық пен идентификатордың болмауы бағаны төмендетеді. 80-нен бастап мән жазбаның қосымша тексерусіз жарияланғанын, 60-тан 79-ға дейін — оның сенімділігі төмен күйде жарияланғанын және қолмен тексеру ұсынылатынын білдіреді. Редактор қолмен тексерген жазбаны қайта есептеу 90-нан төмен түсірмейді. Бұл — мақаланың өзіне емес, ол туралы деректерімізге берілген баға.

Аңдатпа

Жол жабынының төменгі қабаттарындағы жасырын дефектілерді уақтылы анықтау жол қозғалысы қауіпсіздігін арттырудың және жол инфрақұрылымының қызмет мерзімін ұзартудың негізгі факторларының бірі болып табылады. Дәстүрлі бақылау әдістері - визуалды тексеру, бұрғылау және жергілікті сынама алу - негізінен беткі ақауларды анықтайды, жол қозғалысын уақытша шектеуді талап етуі мүмкін және шығыны жоғары. Георадар (GPR) технологиясын машиналық оқыту әдістерімен біріктіру жылдамырақ және дәлірек диагностика жүргізуге мүмкіндік береді, алайда қолданыстағы зерттеулердің көпшілігі бір ғана деректер жиынтығымен шектеліп, модельдің орнықтылығын арттыру үшін әртекті GPR деректерін біріктіру мәселесін жеткілікті деңгейде қарастырмайды. Зерттеуде бес класты қамтитын үш тәуелсіз ашық GPR кескіндер жинағы біріктірілді: Loose, Interlayer bonding deficiency, No damage, Void және Crack. Деректерді біріздендіру үшін кескіндерді бірыңғай формат пен ажыратымдылыққа келтіру, таңбаланбаған кескіндерді жартылай автоматты аннотациялау және кластар теңгерімсіздігін азайтуға бағытталған аугментация қолданылды. Дефектілерді анықтау және жіктеу үшін назар аудару механизмдеріне бағдарланған, 34 млн параметрі бар YOLOv12-x моделі Adam оңтайландырғышымен оқытылды. Біріктірілген деректер жиынтығында модель 92% жалпы дәлдікке қол жеткізіп, жеке деректер жиынтықтарында оқытумен салыстырғанда классификация және детекция көрсеткіштерін шамамен 3%-ға жақсартты. «No damage» класы ең сенімді анықталды, ал сигналдардың шағылысу сипаттамалары ұқсас болғандықтан «Crack» және «Void» кластары арасында жиі шатасу байқалды. Сонымен қатар «Loose» және «Interlayer bonding deficiency» кластары арасында жекелеген қате жіктеу жағдайлары кездесті. Алынған нәтижелер GPR деректері негізінде жол құрылымдарындағы жасырын дефектілерді автоматты түрде диагностикалауға, жол қызметтерінің шектеулі ресурстарын тиімді бөлуге және профилактикалық жөндеу жұмыстарын жоспарлауға мүмкіндік береді. Әртекті деректер жиынтықтарын біріктірудің ұсынылған тәсілін көпірлер мен теміржол төсемдерінің жай-күйін бақылауда да қолдануға болады.