تحلیل میزان حساسیت جهتی تبدیل موجک در شناسایی هوشمند بافت خرابی های روسازی آسفالتی

Abstract

<em> ارزیابی خرابی­های سطحی راه جزء مراحل اصلی فرآیند مدیریت روسازی است. در دهه گذشته، مطالعات وسیعی پیرامون توسعه روش­های خودکار شناسایی خرابی­های روسازی انجام گرفته که غالبا بر پایه بینایی کامپیوتر و فنون پردازش تصویر هستند. یکی از مهم­­ترین اجزای تشکیل­دهنده سیستم­های بینایی ماشین، الگوریتم استخراج ویژگی تصویر است. ویژگی­های بافتی در مقایسه با دیگر ویژگی­ها هم­چون رنگ و ویژگی­های هندسی، اطلاعات جامع­تر و دقیق­تری از الگو­های موجود در ناحیه­های تصویر ارائه می­نمایند. در سال­های اخیر روش­های آنالیز چندرزولوشن هم­چون تبدیل موجک، ابزار کارآمدی جهت تجزیه و تحلیل بافت تصویر با سرعت و دقتی منحصربفرد فراهم آورده است. در این پژوهش، پس از برداشت تصاویر شش گروه مختلف از خرابی­های روسازی آسفالتی در شرایط کنترل شده، به منظور تحلیل ساختاری آن­ها، از 3 نوع تبدیل موجک گسسته دوبعدی شامل موجک­های </em>Haar<em>، </em>Daubechies 3 و <em> </em>Coiflet 1<em> استفاده گردید. علاوه بر تبدیل­های فوق، به منظور آنالیز میزان حساسیت جهتی تبدیل موجک در شناسایی بافت خرابی­ها، تبدیل جهت­دار موجک مختلط دردرختی نیز بر روی تصاویر اعمال گردید. پس از تجزیه تصاویر توسط اعمال تبدیل­های مذکور، آمارگان مرتبه دوم بر پایه ماتریس هم­رخداد و توصیف­گرهای مرتبه سوم و بالاتر بر پایه ماتریس طول تکرار سطوح خاکستری، به منظور تفسیر آماری بافت زیر­باند­های فرکانسی موجک­ها و استخراج بردار ویژگی به­کارگیری گردید. نتایج حاصل از طبقه­بندی تصاویر خرابی بر اساس روش کمینه فاصله ماهالانوبیس، حاکی از آن است که آمارگان مرتبه دوم مستخرج از زیرباندهای تبدیل موجک مختلط دو­درختی و موجک گسسته </em><em>Haar</em><em> به ترتیب </em><em>با دقت کلاس­بندی 99 درصد و 95 درصد، در تشخیص انواع خرابی نتایج بهتری نسبت به سایر الگوریتم­ها حاصل نموده اند. هم­چنین ویژگی­های بافتی حاصل از ماتریس هم­رخداد سطوح خاکستری، به طور میانگین با دقت طبقه­بندی 87 درصد، عملکرد برتری نسبت به آمارگان ماتریس طول تکرار، در کلاسه­بندی تصاویر خرابی به دنبال داشته است. </em>