تشخیص و طبقه بندی خودکار خرابی های روسازی بر پایه آنالیز بافت تصویر در حوزه مکان و تبدیل

ارزیابی عملکرد روسازی یکی از مهم ترین مراحل تعیین استراتژی بهینه، در عملیات مدیریت روسازی محسوب می­شود. در دو دهه  اخیر تحقیقات گسترده ای پیرامون توسعه روش­های خودکار، جهت ارزیابی خرابی­های روسازی انجام گرفته است. اغلب این روش­ها بر پایه بینایی ماشین و تکنیک­های پردازش تصویر  هستند. در سال­های اخیر روش های آنالیز چند دقته همچون تبدیل موجک، ابزار مناسبی جهت تحلیل و شناسائی هوشمند خرابی­ها با سرعت و دقتی قابل قبول فراهم آورده است. در این مطالعه، روشی بر مبنای تبدیل موجک به کارگیری شده که قادر به آنالیز صفحه­ای بافت روسازی با در نظر گرفتن اجزای افقی، قائم و قطری بافت روسازی است. در این پژوهش پس از اعمال تبدیل موجک گسسته و جدا­سازی باند­های فرکانسی تصویر توسط چهار خانواده مختلف از موجک­ها، ویژگی­های بافتی زیرباندها بر مبنای ماتریس هم­رخداد سطوح خاکستری استخراج شده و با نتایج حاصل از آنالیز بافت تصویر در حوزه مکان مقایسه گردید. در انتها روش کمینه فاصله ماهالانوبیس به منظور تفکیک و طبقه­بندی تصاویر خرابی در 7 کلاس شامل ترک پوست­سوسماری، آسفالت سالم (بدون خرابی)، ترک طولی، ترک عرضی، قیرزدگی، وصله و عریان­شدگی به کارگیری گردید.  نتایج اعتبارسنجی و ارزیابی عملکرد کلاس­بندی حاکی از آن است که طبقه بندی تصاویر خرابی توسط آنالیز بافت تصویر در حوزه تبدیل نسبت به حوزه مکان نتایج دقیق­تری در پی دارد. دقت عملکردی کلاس­بندی تصاویر خرابی در حوزه تبدیل به طور میانگین برابر با 67 درصد بوده درحالی­که دقت طبقه­بندی داده­های خرابی مبتنی بر استخراج ویژگی­های بافتی در حوزه مکان برابر با 76/49 درصد است. در حوزه تبدیل، اگر­چه فیلترDaubechies 2 در شناسایی خرابی قیر­زدگی حساسیت عملکرد بالاتری داشته، اما به طور میانگین فیلتر Haar نسبت به سایر موجک­های استفاده شده، با دقت عملکردی 24/95 درصد نتایج برتری در شناسایی و کلاسه­بندی خرابی­های سطح روسازی آسفالتی حاصل نموده است.