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

ارزیابی خرابی های روسازی یکی از مهم ترین عناصر سیستم های مدیریت روسازی جهت تعیین راهکار بهینه عملیات ترمیم و نگهداری راه محسوب می شود. در دو دهه اخیر، تحقیقات گسترده ای پیرامون توسعه روش های خودکار جهت شناسایی خرابی های روسازی انجام گرفته است. اغلب این روش ها بر پایه بینایی ماشین و فنون پردازش تصویر می باشند. یکی از مهم ترین اجزای تشکیل دهنده سیستم های بینایی ماشین، فرآیند استخراج ویژگی است. در سال های اخیر روش های آنالیز چنددقته هم چون تبدیل موجک، ابزار مناسبی جهت تجزیه و تحلیل ویژگی های بافتی تصویر با سرعت و دقتی قابل قبول، فراهم آورده است. در این پژوهش، پس از برداشت تصاویر شش گروه مختلف از خرابی های سطح روسازی آسفالتی در شرایط کنترل شده، به منظور تشخیص و طبقه بندی آن ها، از 4 نوع تبدیل چنددقته دوبعدی شامل موجک گسسته Haar، موجک گسسته Daubechies 3، موجک گسسته Coiflet 1 و موجک مختلط دو درختی استفاده گردید. پس از تجزیه تصاویر توسط اعمال تبدیل های مذکور، شاخص های آماری مرتبه اول بر پایه خصوصیات هیستوگرام و آمارگان مرتبه دوم مبتنی بر ماتریس هم رخداد سطوح خاکستری، به منظور آنالیز آماری بافت باند های فرکانسی موجک ها به کارگیری گردید. نتایج حاصل از طبقه بندی تصاویر خرابی بر اساس روش کمینه فاصله ماهالانوبیس، حاکی از آن است که شاخص های آماری مرتبه دوم مستخرج از زیرباندهای تبدیل موجک مختلط دو درختی و موجک گسسته Haar به ترتیب با دقت کلاس بندی 99 درصد و 95 درصد، نسبت به سایر الگوریتم های توصیف بافت استفاده شده در این تحقیق، در شناسایی انواع خرابی نتایج بهتری به دنبال داشته است. هم چنین شاخص های آماری حاصل از ماتریس هم رخداد سطوح خاکستری، به طور میانگین با دقت عملکردی 87 درصد، عملکرد برتری نسبت به خصوصیات آماری هیستوگرام در کلاسه بندی تصاویر خرابی دارا می باشند.