| Abstract |
Šis bakalaura darbs attiecas uz programmatūras risinājuma izstrādi, ko var izmantot automātiskai asfaltēta ceļa kvalitātes novērtēšanai, balstoties tikai uz vizuālo ievadi. Tā pamatā ir dziļās mācīšanās arhitektūra YOLOv11, kas lokalizē virsmas bojājumus, šajā gadījumā – bedrītes, un izmanto noteikumu balstītu klasifikācijas sistēmu, lai novērtētu kopējo ceļa kvalitāti. Šajā pieejā ceļš tiek novērtēts kā "Lielisks", "Slikts" vai "Godīgi" atkarībā no konstatēto bojājumu skaita.
Aprakstītā metode pārvar tradicionālo novērtēšanas formu ierobežojumus, piemēram, manuālās pārbaudes un sensoru balstītus rīkus, kā Starptautiskais nelīdzenuma indekss (IRI) vai Virsmas bojājumu indekss (SDI), kas bieži vien ir laikietilpīgi, ļoti dārgi vai vienkārši nepiemērojami plaša mēroga ieviešanā. Mākslīgā intelekta attīstība, īpaši datorredzes jomā, nodrošina daudz efektīvāku risinājumu, ļaujot automatizēt procesu, izmantojot novērošanas kameru uzņemtos fotoattēlus vai video.
Rīks tiek izvietots kā tīmekļa lietotne, izmantojot FastAPI kā aizmugursistēmu un vienkāršu lietotāja saskarni, kas ļauj augšupielādēt gan attēlus, gan video failus. Pēc augšupielādes medijus apstrādā, bojājumi tiek identificēti, izmantojot iepriekš apmācīto YOLOv11 modeli, un rezultātus papildina vizualizācijas. Prototipa novērtējums rāda, ka tas ir ļoti uzticams un piemērots izmantošanai infrastruktūras uzturēšanas plānošanā.
Darbs arī sniedz detalizētu literatūras apskatu par tradicionālām un mākslīgā intelekta balstītām ceļu kvalitātes novērtēšanas metodēm, detalizētu YOLOv11 modeļa apmācības un ieviešanas aprakstu, kā arī sistēmas arhitektūras, izstrādes un testēšanas stratēģiju izklāstu. |
