اپلیکیشن اندرویدی فلش‌کارت آموزشی تشخیص خودکار خرابی‌های جاده با استفاده از ترنسفورمرهای بینایی و شبکه‌های مولد تخاصمی (GANs)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تشخیص خودکار خرابی‌های جاده با استفاده از ترنسفورمرهای بینایی و شبکه‌های مولد تخاصمی (GANs)

موضوع کلی: هوش مصنوعی در مهندسی عمران و مدیریت زیرساخت

موضوع میانی: کاربرد بینایی ماشین در تشخیص و پایش آسیب‌های راه‌ها

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی در مهندسی عمران
• 2. مقدمه‌ای بر مدیریت زیرساخت‌های جاده‌ای
• 3. اهمیت پایش سلامت جاده‌ها
• 4. انواع خرابی‌های رایج در جاده‌ها
• 5. نیاز به تشخیص خودکار خرابی‌ها
• 6. مقدمه‌ای بر بینایی ماشین
• 7. کاربردهای بینایی ماشین در مهندسی عمران
• 8. مقدمه‌ای بر یادگیری عمیق
• 9. شبکه‌های عصبی کانولوشنال (CNNs)
• 10. معماری‌های اصلی CNN
• 11. مراحل پیش‌پردازش داده‌های تصویری
• 12. جمع‌آوری داده‌های تصویری جاده
• 13. برچسب‌گذاری داده‌های خرابی جاده
• 14. چالش‌های برچسب‌گذاری داده‌ها
• 15. مقدمه‌ای بر ترنسفورمرها
• 16. معماری ترنسفورمر در پردازش زبان طبیعی
• 17. نحوه انطباق ترنسفورمرها با بینایی ماشین
• 18. مقدمه‌ای بر Vision Transformers (ViTs)
• 19. لایه توجه (Self-Attention) در ViTs
• 20. بخش‌بندی تصویر (Image Patching) در ViTs
• 21. کدگذار ترنسفورمر (Transformer Encoder)
• 22. لایه طبقه‌بندی (Classification Head) در ViTs
• 23. مزایای ViTs نسبت به CNNs
• 24. معایب ViTs در مقایسه با CNNs
• 25. مقدمه‌ای بر شبکه‌های مولد تخاصمی (GANs)
• 26. مفهوم مولد (Generator) در GANs
• 27. مفهوم ممیز (Discriminator) در GANs
• 28. مراحل آموزش GANs
• 29. کاربرد GANs در افزایش داده (Data Augmentation)
• 30. کاربرد GANs در تولید داده مصنوعی
• 31. مفهوم تشخیص ناهنجاری (Anomaly Detection)
• 32. مقدمه‌ای بر تشخیص خرابی جاده با بینایی ماشین
• 33. چالش‌های تشخیص خرابی جاده
• 34. روش‌های سنتی تشخیص خرابی جاده
• 35. محدودیت‌های روش‌های سنتی
• 36. مقدمه‌ای بر رویکرد مقاله
• 37. بیان مسئله در مقاله
• 38. هدف اصلی مقاله
• 39. مجموعه داده مورد استفاده در مقاله
• 40. توضیح معماری Vision Transformer در مقاله
• 41. نحوه پیاده‌سازی ترنسفورمر برای تشخیص خرابی
• 42. تنظیمات و پارامترهای ترنسفورمر
• 43. مجموعه داده‌های خرابی جاده (Road Distress Datasets)
• 44. انواع خرابی‌های تمرکز شده در مقاله
• 45. مراحل آماده‌سازی داده‌ها برای مدل
• 46. آموزش مدل ترنسفورمر
• 47. معیارهای ارزیابی مدل ترنسفورمر
• 48. نتایج ارزیابی مدل ترنسفورمر
• 49. مقدمه‌ای بر معماری GAN در مقاله
• 50. نحوه ادغام GAN با Vision Transformer
• 51. هدف از استفاده GAN در این رویکرد
• 52. آموزش مدل GAN
• 53. استفاده از GAN برای افزایش داده خرابی جاده
• 54. استفاده از GAN برای تولید داده‌های واقع‌گرایانه
• 55. ارزیابی تأثیر GAN بر بهبود مدل تشخیص
• 56. معیارهای ارزیابی GAN
• 57. نتایج ارزیابی GAN
• 58. ترکیب نتایج ViT و GAN
• 59. مقایسه رویکرد پیشنهادی با روش‌های دیگر
• 60. تحلیل نتایج با جزئیات
• 61. نقاط قوت رویکرد پیشنهادی
• 62. نقاط ضعف رویکرد پیشنهادی
• 63. محدودیت‌های تحقیق
• 64. پیشنهادات برای تحقیقات آتی
• 65. جنبه‌های کاربردی نتایج در دنیای واقعی
• 66. پیاده‌سازی مدل در مقیاس بزرگ
• 67. چالش‌های پیاده‌سازی عملی
• 68. بررسی تأثیر شرایط مختلف محیطی
• 69. تأثیر نور و سایه بر تشخیص
• 70. تأثیر شرایط آب و هوایی
• 71. تأثیر زاویه دید دوربین
• 72. انواع مختلف خرابی‌ها و تأثیر آنها بر عملکرد مدل
• 73. مدل‌سازی سه‌بعدی خرابی‌ها (اختیاری)
• 74. استفاده از داده‌های LiDAR (اختیاری)
• 75. پیش‌پردازش پیشرفته تصاویر
• 76. تکنیک‌های افزایش داده (Data Augmentation)
• 77. انواع مختلف تکنیک‌های افزایش داده
• 78. آموزش ترنسفورمر از ابتدا (Training from Scratch)
• 79. انتقال یادگیری (Transfer Learning)
• 80. استفاده از مدل‌های از پیش آموزش دیده
• 81. تنظیم دقیق (Fine-tuning) مدل‌ها
• 82. مقدمه‌ای بر معیارهای ارزیابی در طبقه‌بندی تصویر
• 83. دقت (Accuracy)، دقت (Precision)، بازیابی (Recall)
• 84. امتیاز F1 (F1-Score)
• 85. ماتریس درهم‌ریختگی (Confusion Matrix)
• 86. منحنی ROC و AUC
• 87. معیارهای ارزیابی در تشخیص ناهنجاری
• 88. معیارهای ارزیابی GAN
• 89. حالت‌های مختلف خرابی و شدت آنها
• 90. تشخیص خرابی‌های کوچک و بزرگ
• 91. تشخیص خرابی‌های ترکیبی
• 92. استفاده از مدل‌های مبتنی بر بخش‌بندی (Segmentation Models)
• 93. نحوه مقایسه با روش‌های مبتنی بر بخش‌بندی
• 94. مفهوم تشخیص عینی (Objective Detection)
• 95. مزایای تشخیص عینی خرابی جاده
• 96. نرم‌افزارها و ابزارهای مورد استفاده
• 97. محیط‌های توسعه (IDE)
• 98. کتابخانه‌های یادگیری عمیق (TensorFlow, PyTorch)
• 99. کتابخانه‌های پردازش تصویر (OpenCV)
• 100. نحوه اجرای کد مقاله