تشخیص و طبقه بندی خودکار بافت خرابی های روسازی آسفالتی بر پایه تبدیل موجک

ارزیابی خرابی­های روسازی یکی از مهم­ترین عناصر سیستم­های مدیریت روسازی جهت تعیین راهکار بهینه عملیات ترمیم و نگهداری راه محسوب می­شود. در دو دهه اخیر، تحقیقات گسترده­ای پیرامون توسعه روش­های خودکار جهت شناسایی خرابی­های روسازی انجام گرفته است. اغلب این روش­ها بر پایه بینایی ماشین و فنون پردازش تصویر می­باشند. یکی از مهم­­ترین اجزای تشکیل­دهنده سیستم­های بینایی ماشین، فرآیند استخراج ویژگی است. در سال­های اخیر روش­های آنالیز چنددقته هم­چون تبدیل موجک، ابزار مناسبی جهت تجزیه و تحلیل ویژگی­های بافتی تصویر با سرعت و دقتی قابل قبول، فراهم آورده است. در این پژوهش، پس از برداشت تصاویر شش گروه مختلف از خرابی­های سطح روسازی آسفالتی در شرایط کنترل شده، به منظور تشخیص و طبقه­­بندی آن­ها، از ۴ نوع تبدیل چنددقته دوبعدی شامل موجک گسسته Haar، موجک گسسته Daubechies ۳، موجک گسسته Coiflet ۱ و موجک مختلط دو درختی استفاده گردید. پس از تجزیه تصاویر توسط اعمال تبدیل­های مذکور، شاخص­های آماری مرتبه اول بر پایه خصوصیات هیستوگرام و آمارگان مرتبه دوم مبتنی بر ماتریس هم­رخداد سطوح خاکستری، به منظور آنالیز آماری بافت ­باند­های فرکانسی موجک­ها به­کارگیری گردید. نتایج حاصل از طبقه­بندی تصاویر خرابی بر اساس روش کمینه فاصله ماهالانوبیس، حاکی از آن است که شاخص­های آماری مرتبه دوم مستخرج از زیرباندهای تبدیل موجک مختلط دو­درختی و موجک گسسته Haar به ترتیب با دقت کلاس­بندی ۹۹ درصد و ۹۵ درصد، نسبت به سایر الگوریتم­های توصیف بافت استفاده شده در این تحقیق، در شناسایی انواع خرابی نتایج بهتری به دنبال داشته است. هم­چنین شاخص­های آماری حاصل از ماتریس هم­رخداد سطوح خاکستری، به طور میانگین با دقت عملکردی ۸۷ درصد، عملکرد برتری نسبت به خصوصیات آماری هیستوگرام در کلاسه­بندی تصاویر خرابی دارا می­باشند.

کلیدواژه ها:

خرابی های روسازی ، بافت تصویر ، تبدیل موجک گسسته ، تبدیل موجک مختلط دو درختی ، کمینه فاصله ماهالانوبیس