ارزیابی خرابی قیرزدگی روسازی آسفالتی با استفاده از یادگیری عمیق و تبدیل موجک

اطلاعات مرتبط با وضعیت روسازی نظیر خرابی ها، ورودی و مواد اولیه سامانه مدیریت روسازی را تامین می کند. در صورت عدم ارزیابی وضعیت روسازی و یا ارزیابی ناقص و نادرست وضعیت روسازی، امکان انجام عملیات تعمیر و نگهداری مناسب و به موقع وجود نخواهد داشت که این موضوع به افزایش هزینه های نگهداری و بهسازی و افزایش احتمال بروز تصادفات منجر خواهد شد. از این رو، تحقیقات گسترده ای با هدف بکارگیری فناوری های جدید در جهت ارزیابی دقیق و خودکار خرابی های روسازی انجام شده است. خرابی قیرزدگی یکی از خرابی های روسازی آسفالتی است که مستقیما بر اصطکاک سطحی و مانورپذیری وسایل نقلیه تاثیر می گذارد. علی رغم اهمیت خرابی قیرزدگی، ارزیابی خودکار این خرابی نسبت به سایر خرابی ها نظیر ترک خوردگی، چاله، شیارافتادگی کمتر مورد توجه جامعه تحقیق بوده است. در این پژوهش، سعی شده است که با استفاده از روش های جدید نظیر یادگیری عمیق و ابزارهای مختلف پردازش تصویر، یک سامانه کارآمد مبتنی بر تصویر به منظور ارزیابی خودکار خرابی قیرزدگی ارایه شود. برای این منظور، از روش انتقال یادگیری برای ساخت مدل تشخیص خرابی و از یک فرآیند پردازش تصویر مبتنی بر تبدیل موجک برای تفکیک نواحی قیرزده استفاده شد. نتایج به دست آمده نشان می دهد که سامانه ارایه شده در این پژوهش، در تشخیص خرابی و تفکیک نواحی قیرزده به ترتیب با متوسط بالای 98 و 87 درصد، عملکرد خوبی در ارزیابی خرابی قیرزدگی دارد و می تواند به عنوان ابزاری کارآمد در ارزیابی قیرزدگی بکار گرفته شود.