Detailergebnis zu DOK-Nr. 81661
Hybride Modelle Transfer Learning und Support Vector Machine für die Schadensklassifizierung an Asphaltbefestigungen (Orig. engl.: Hybrid transfer learning and support vector machine models for asphalt pavement distress classification)
Autoren |
A.K. Apeagyei T.E. Ademolake J. Anochie-Boateng |
---|---|
Sachgebiete |
11.1 Berechnung, Dimensionierung, Lebensdauer 11.2 Asphaltstraßen |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2678, H. 11, 2024, S. 106-121, 11 B, 27 Q. − Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr
Die Kenntnis des Zustands von Straßenbefestigungen ist von essenzieller Bedeutung für deren Erhaltung. Damit ergeben sich ausschlaggebende Auswirkungen auf ökonomische und sicherheitsrelevante Belange. Derzeit dienen hauptsächlich zwei Methoden zur Schadensklassifizierung: die Zustandserfassung mit speziellen Messfahrzeugen und die visuelle Beobachtung. Die Autoren sind der Auffassung, dass diese Methoden kosten- und zeitintensiv sowie subjektiv sind. Sie entwickeln deshalb robuste und hochpräzise Modelle mithilfe von Transfer Learning (TL) auf der Basis von Deep-Learning-Netzwerken (DL). Diese werden zu Hybridmodellen mit der Methode Support Vector Machine (SVM) kombiniert. Es werden dabei drei Rechenmodelle untersucht: (1) TLDL-Modelle, (2) Hybridmodelle aus DL und SVM (DL+SVM) und (3) Hybridmodelle aus TLDL und SVM (TLDL+SVM). Es wird resümiert, dass die Strategie (3) hinsichtlich der Genauigkeit herausragt. Im Mittel erreichen die Hybridmodelle eine Genauigkeit von 95 %.