مدل ترکیبی بینایی ماشین و یادگیری عمیق برای ارزیابی خودکار خرابی روسازی آسفالتی با استفاده از تصاویر پهپادی و داده های آزمونهای غیر مخرب (NDT)

پایش و ارزیابی سلامت روسازی آسفالت به ویژه در معابر پرتردد، شهری نقشی اساسی در برنامه ریزی نگهداری پیشگیرانه و بهینه سازی هزینه های تعمیر دارد. این پژوهش رویکردی ترکیبی و خودکار را بر پایه بینایی ماشین و یادگیری عمیق توسعه داده که داده های تصاویر پهپادی (UAV) با رزولوشن بالا را با نتایج آزمونهای غیر مخرب (NDT) شامل FWD و GPR در محیط GIS ادغام می کند. مراحل کلیدی شامل برداشت دقیق داده های سطحی و زیر سطحی، پیش پردازش تصاویر با الگوریتمهای U-Net و EfficientNet-B۴، پردازش دادههای FWD و GPR در نرم افزارهای تخصصی و هم مکانی دقیق با خطای RMS کمتر از ۳ سانتیمتر بود. مدل ترکیبی پیشنهادی با استفاده از معماری چندوجهی تصویری + (عددی و بر پایه تنسور فلو آموزش دید و با مدلهای بیس لاین CNN جنگل تصادفی مقایسه شد. نتایج کمی نشان داد که دقت شناسایی ترک و حفره به ترتیب به ۰.۹۸ و ۰.۹۶ با F۱ Score نزدیک به ۱ افزایش یافت و میانگین خطای مطلق پیشبینی شاخص سلامت روسازی (PHI) به ۰.۰۴۸ کاهش پیدا کرد، در حالی که R۲ به ۰.۹ رسید. آزمون آماری t-test اختلاف معنادار (۰.۰۱ > p در طبقه بندی و ۰.۰۰۱ > p در رگرسیون) را تایید کرد. خروجیهای مدل به صورت نقشه های اولویت بندی تعمیرات و شاخص سلامت در قالب لایه های GIS تولید و امکان ادغام مستقیم در سیستم مدیریت روسازی (PMS) فراهم شد. یافته ها نشان میدهد که رویکرد UAV NDT با کاهش هزینههای میدانی تشخیص زودهنگام خرابیهای پنهان و ارتقاء دقت پیش بینی ابزاری کارآمد برای مدیریت هوشمند و پایدار زیرساختهای حمل و نقل فراهم میسازد.

کلیدواژه ها:

پهپاد ، بینایی ماشین ، یادگیری عمیق ، آزمونهای غیر مخرب ، شاخص سلامت روسازی