به کارگیری هوش مصنوعی و بینایی ماشین (Computer Vision) در پایش هوشمند خرابی های آسفالت و مدیریت نگهداری معابر شهری

نگهداری و تعمیرات (O&M) شبکه معابر شهری، به ویژه پوشش آسفالتی، از چالش های اساسی و پرهزینه در مدیریت شهری محسوب می شود. روش های سنتی پایش وضعیت جاده ها، که عمدتا بر پایه بررسی های چشمی کارشناسان و پیمایش های دوره ای استوارند، با محدودیت های جدی از جمله خطای انسانی، هزینه بالا، زمان بر بودن فرآیند و عدم پوشش دهی کامل شبکه معابر مواجه هستند. شهر ماهدشت به عنوان یکی از شهرهای در حال توسعه استان مرکزی، با وجود حجم ترافیک عبوری و فشارهای وارده بر زیرساخت های راه، نیازمند سیستمی هوشمند، دقیق و مقرون به صرفه برای شناسایی و اولویت بندی خرابی های آسفالت (نظیر چاله چاله، ترک های طولی و عرضی، و پوست پوست شدن) است. این پژوهش با هدف طراحی و ارزیابی یک سیستم هوشمند مبتنی بر هوش مصنوعی (AI) و بینایی ماشین (Computer Vision) برای پایش خودکار خرابی های آسفالت در معابر اصلی شهر ماهدشت تدوین شده است. روش تحقیق در این مطالعه، ترکیبی (Mixed-Method) از رویکردهای کمی و کیفی به همراه روش تجربی-آزمایشگاهی و مقایسه ای است. در فاز کمی، داده های تصویری از معابر اصلی ماهدشت با استفاده از دوربین های نصب شده بر روی خودروهای شهری و پهپادهای مجهز به دوربین های با رزولوشن بالا جمع آوری شد. سپس، با استفاده از الگوریتم های یادگیری عمیق (Deep Learning) نظیر YOLOv۸ و Faster R-CNN، خرابی های آسفالت شناسایی و طبقه بندی گردیدند. دقت این الگوریتم ها با روش سنتی پایش توسط کارشناسان شهری مقایسه شد. در بخش کیفی، با استفاده از مصاحبه های نیمه ساختاریافته با مدیران واحد راه و ترابری شهرداری، کارشناسان فناوری اطلاعات و متخصصان حمل ونقل، الزامات سیستم، موانع اجرایی و شاخص های موفقیت پروژه شناسایی شد. همچنین، برای غنی سازی تحلیل، تجربیات موفق شهرهای هوشمند دیگر (مانند تهران و اصفهان) مورد بررسی و مقایسه قرار گرفت. یافته های پژوهش نشان می دهد که الگوریتم پیشنهادی با دقت ۹۴.۵ درصد در شناسایی چاله ها و ۹۱.۲ درصد در شناسایی ترک ها عملکرد مطلوبی داشته است. این سیستم توانسته است زمان شناسایی خرابی ها را از چندین روز (روش سنتی) به چند دقیقه کاهش دهد و هزینه های پایش را تا ۶۰ درصد کاهش دهد. همچنین، مدل پیشنهادی امکان اولویت بندی هوشمند تعمیرات بر اساس شدت خرابی، حجم ترافیک و اهمیت محله را فراهم می کند. در بخش کیفی، چالش هایی نظیر نیاز به زیرساخت داده ای قوی، کمبود نیروی انسانی متخصص در حوزه هوش مصنوعی، و مقاومت سازمانی در برابر تغییر فرآیندها شناسایی شدند. راهکارهای پیشنهادی شامل آموزش پرسنل، ایجاد بانک داده های بومی خرابی های آسفالت، و پیاده سازی مرحله ای سیستم در ابتدا در معابر اصلی و سپس در فرعی است. این پژوهش می تواند به عنوان الگویی برای شهرداری های دیگر جهت ارتقای کارایی خدمات شهری و افزایش رضایت شهروندان مورد استفاده قرار گیرد.

کلیدواژه ها:

بینایی ماشین ، هوش مصنوعی ، پایش آسفالت ، نگهداری پیشگیرانه ، شهر هوشمند ، ماهدشت.