استقصاء النماذج القائمة على التعلم العميق في تحديد أدنى طول إشارة لتصنيف دقيق لأحمال الحزام المطاطي للنقل

في هذه الورقة البحثية، تم تطوير نماذج شبكات عصبية من نوع الذاكرة القصيرة والطويلة (LSTM) وTransformer لتصنيف حالات مختلفة لحزام النقل (محملة وغير محملة). كما تم تطوير وملخص نماذج سطحية مقارنة مثل الانحدار اللوجستي، وآلة الدعم المتجه (SVM)، والغابة العشوائية (Random Forest). تم تحليل ستة إشارات ضغط لحزام النقل بطول مختلف: 0.2 و0.4 و0.8 و1.6 و3.2 و5.0 ثانية. حققت كل من نموذج LSTM ونموذج Transformer دقة قصوى بنسبة 100% باستخدام إشارة الضغط الخام. وبالإضافة إلى ذلك، حقق نموذج LSTM أعلى مستوى تصنيف باستخدام أقصر الإشارات، حيث بلغت الدقة ودرجة F1 98% و100% على التوالي باستخدام إشارات طولها 0.8 و1.6 ثانية. كما أظهر نموذج LSTM أداءً أسرع في عمليات التدريب والاختبار مقارنة بنموذج Transformer. أما نموذج الغابة العشوائية، فقد أظهر أفضل مستوى تصنيف عند استخدام بيانات الإشارة المجمعة، مع دقة قدرها 85%، ودرجة F1 قدرها 85% و69% للحالات المحملة وغير المحملة على التوالي. وقد تبين أن حالة الحزام المحملة كانت أكثر سهولة في التصنيف مقارنة بالحالة غير المحملة في جميع النماذج. ولاحظ أن نموذج LSTM فقط أظهر استرجاعًا أفضل في تصنيف الحالة غير المحملة عند استخدام إشارات قصيرة. تم إتاحة مجموعة بيانات الأبحاث التجريبية CORBEL (مجموعة بيانات إشارات ضغط حزام النقل) والنموذجين مفتوحين المصدر ومتاحين على GitHub عبر الرابط التالي: https://github.com/TadasZvirblis/CORBEL.