تشخیص خودکار تخلفات ساختمانی با بهرهگیری از پردازش تصویر و یادگیری عمیق

رشد بی رویه ی شهرنشینی و افزایش چگالی ساخت وسازها در دهه های اخیر، موجب بروز چالش های ساختاری و قانونی در کنترل و نظارت بر تطابق سازه ها با ضوابط شهرسازی شده است. در چنین بستری، تشخیص تخلفات ساختمانی از جمله ساخت بدون مجوز، تجاوز از خطوط ساخت یا الحاقات غیرمجاز، به واسطه ی روش های سنتی نظارت میدانی با کاستی های فراوانی از جمله محدودیت در پوشش جغرافیایی، تاخیر در شناسایی، و خطای انسانی همراه بوده است. هدف این پژوهش، تحلیل و بررسی قابلیت های روش های پردازش تصویر و یادگیری عمیق در تشخیص خودکار و دقیق تخلفات ساختمانی از طریق تحلیل داده های بصری با قدرت تفکیک بالا در محیط های پیچیده ی شهری است. این مطالعه به روش کتابخانه ای و مروری انجام شده و مبتنی بر تحلیل جامع پژوهش های منتشرشده در دهه ی اخیر پیرامون کاربرد شبکه های عصبی کانولوشنی، مدل های تفکیک معنایی چندمقیاسی و معماری های مبتنی بر مکانیزم توجه در شناسایی ساختارهای غیرمجاز ساختمانی است. یافته ها نشان می دهد که مدل هایی نظیر U-Net، DeepLabv۳+ و Mask R-CNN با ترکیب داده های چندمنبعی نظیر تصاویر RGB، داده های ارتفاعی LiDAR و تصاویر چندطیفی، توانایی استخراج دقیق الگوهای فضایی و ساختاری را در محیط های متراکم دارند. همچنین تلفیق تکنیک های یادگیری انتقالی و نرمال سازی طیفی، موجب افزایش همگرایی مدل در داده های ناهمگن شده است. تحلیل عملکرد مدل ها بر اساس معیارهایی چون mIoU، F۱-score و Precision نشان می دهد که استفاده از یادگیری عمیق در قیاس با روش های کلاسیک، بهبود معناداری در تشخیص ناهنجاری های ساختمانی به همراه داشته است. در جمع بندی، می توان اظهار داشت که پیاده سازی چارچوب های عمیق یادگیری در بستر نظارت شهری، نه تنها از نظر دقت، بلکه از منظر مقیاس پذیری و قابلیت سازگاری با محیط های متنوع، گامی بنیادین در تحول سیستم های پایش ساخت وساز به شمار می رود.

کلیدواژه ها:

پردازش تصویر ، تخلفات ساختمانی ، یادگیری عمیق ، شبکه عصبی کانولوشنی