آنالیز آماری بافت تصاویر خرابی روسازی آسفالتی بر پایه ماتریس هم رخداد سطوح خاکستری

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش‌آموخته کارشناسی ارشد، گروه عمران، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران

2 استادیار، گروه عمران، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران

3 استاد، گروه کامپیوتر، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران

10.22034/road.2022.110866.1670

چکیده

ارزیابی عملکرد روسازی یکی از مهم‌ترین عناصر سیستم‌های مدیریت روسازی جهت تعیین راهکار بهینه عملیات ترمیم و نگهداری راه محسوب می‌شود. پیمایش خرابی‌های سطحی راه جزو مراحل اصلی فرایند ارزیابی روسازی می‌باشد‌‌. در دو دهه اخیر، تحقیقات گسترده‌ای پیرامون توسعه روش‌های خودکار، جهت شناسائی خرابی‌های روسازی انجام گرفته که اغلب بر پایه بینایی ماشین و فنون پردازش تصویر می‌باشند. یکی از مهم‌ترین اجزای تشکیل‌دهنده سیستم بینایی ماشین، فرایند استخراج ویژگی می‌باشد. ویژگی‌های بافتی در مقایسه با دیگر ویژگی‌ها هم‌چون رنگ و ویژگی‌های هندسی، اطلاعات بیشتر و دقیق‌تری را از الگو‌های موجود در نواحی تصویر ارائه می‌نمایند. در این تحقیق، پس از برداشت تصاویر شش گروه مختلف از خرابی‌های سطح روسازی آسفالتی در شرایط کنترل شده، به منظور آنالیز آماری بافت آن‌ها، از شاخص‌های آماری مرتبه دوم بر پایه ماتریس هم‌رخداد سطوح خاکستری استفاده شده است. به منظور تشکیل ماتریس هم‌رخداد تصاویر، 4 زاویه مجزا (°0، °45، °90 و °135) و 3 مقدار فاصله مختلف (1، 2 و 3) بکارگیری شده است. نتایج حاصل از کلاس‌بندی تصاویر خرابی بر اساس روش کمینه فاصله ماهالانوبیس، حاکی از آن است که آمارگان مستخرج از ماتریس هم‌رخداد سطوح خاکستری با پارامتر فاصله یک، عملکرد برتری نسبت به استفاده از دیگر پارامترهای فاصله، در تشخیص و طبقه‌بندی داده‌های خرابی داشته است. میزان دقت عملکردی کلاس‌بندی تصاویر خرابی روسازی آسفالتی بر پایه ماتریس هم‌رخداد سطوح خاکستری با مقدار پارامتر فاصله یک، دو و سه به ترتیب برابر با 80 درصد، 75 درصد و 60 درصد می‌باشد.

کلیدواژه‌ها


-شهابیان مقدم، ر. صحاف، س.ع. محمدزاده مقدم، ا. و پوررضا، ح.ر.، (1396)، "مقایسه روش­های آنالیز بافت تصویر به منظور شناسایی و طبقه بندی خودکار خرابی‏های روسازی آسفالتی" ، فصلنامه مهندسی زیرساخت­های حمل و نقل، دوره سوم، شماره سوم، ص. 1-22.
- شهابیان مقدم، ر.، (1396)، "تشخیص و طبقه­بندی خودکار خرابی­های روسازی آسفالتی بر پایه آنالیز بافت تصویر در حوزه مکان و تبدیل"، پایان­نامه کارشناسی ارشد، اساتید راهنما: صحاف، س.ع. محمدزاده مقدم، ا.، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران.
- Acosta, J. A., Figueroa, J. L. and Mullen, R. L., (1995), “Algorithm for pavement distress classification by video image analysis”, Transport. Res. Record, 1505:, pp.27-38.  
-­Anuradha, K. and Sankaranarayanan, K., (2013), “Statistical feature extraction to classify oral cancers”, J. Global Res. Comp. Sci., 4(2),
pp.8-12.
- Cheng, H. D., Glazier, C. and Hu, Y. G., (1999), “Novel approach to pavement craking detection based on fuzzy set theory”, J. Comp. Civ. Eng., 13(3), pp.270-280.
-Chua, K. M. and Xu, L., (1994), “Simple procedure for identifying pavement distresses from video images”. J. Transport, Eng., 120(3), pp.412-431.
-Dettori, L. and Semlera, L., (2007), “A comparison of wavelet, ridgelet, and curvelet based texture classification algorithms in computed tomography”, Comp. Biol. Med., 37(4), pp.486-498.
-Gonzalez, R.C. and Woods, R.E., (2006), “Digital image processing 3/E”, Prentice Hall, Upper Saddle River, NJ, USA.
-Jiang, J., Liu, H., Ye, H. and Feng, F., (2015), “Crack enhancement algorithm based on improved EM”, J. Comp. Sci., 12(3),
pp.1037-1043.
-Lee, D., (2003), “A Robust Position Invariant Artificial Neural Network for Digital Pavement Crack Analysis”, Technical Report, TRB Annual Meeting, Washington, DC, USA.
-Manning, K. and Mohajeri, R., (1991), “An operating system of pavement distress diagnosis by image processing”, Transport. Res. Record, 1311, pp.120-130.
-Moghadas Nejad, F. and Zakeri, H., (2011a), “A comparison of multi-resolution methods for detection and isolation of pavement distress”. Expert Syst. Appl., 38(3), pp.2857-2872.
-Moghadas Nejad, F. and Zakeri, H., (2011b), “An expert system based on wavelet transform and radon neural network for pavement distress classification”, Expert Syst. Appl., 38(6), pp.7088-7101.
-Nallamothu, S. and Wang, K. C. P., (1996), “Experimenting with recognition accelerator for pavement distress identification”, Transport. Res. Record, 1536, pp.130-135.
-Ouyang, A., Dong, Q., Wang, Y. and Liu, Y., (2014), “The classification of pavement crack image based on beamlet algorithm”, 7th IFIP WG 5.14 International Conference on Computer and Computing Technologies in Agriculture.
-Rosa, P., (2012), “Automatic pavement crack detection and classification system”, Transport. Res. Board, 11, pp.57-65.
-Salman, M., Mathavan, S., Kamal, K. and Rahman, M., (2013), “Pavement crack detection using the Gabor filter”, Proc. 16th International IEEE Conference on Intelligent Transportation Systems: Intelligent Transportation Systems for All Modes, The Hague, Netherlands,
pp. 2039-2044.
-Singh, R., (2016), “A comparison of gray-level run length matrix and gray-level co-occurrence matrix towards cereal grain classification”, Int. J. Comp. Eng. Technol. (IJCET), 7(6), pp. 9-17.
-Srinivasan, G. N. and Shobha, G., (2008), “Statistical texture analysis”, Proc. World Acad. Sci., Eng. Technol., 36, pp.207-213.
-Wang, K. C. P., (2009), “Wavelet-based pavement distress image edge detection with Trous algorithm”, Transport. Res. Record, 2024, pp. 73-81.
-Wang, K. C. P., Li, Q. J., Yang, G., Zhan, Y. and Qiu, Y. 2015. “Network level pavement evaluation with 1 mm 3D survey system”. J. Traffic Transport. Eng., 2(6), 391-398.
-Wang, W., Watkins, H. and Kuchikulla, K., (2002), “Digital distress survey of airport pavement surface”, Federal Aviation Administration Airport Technology Transfer Conference, Washington, DC.
-Zakeri, H., Moghadas Nejad, F. and Fahimifar, A., (2016), “Image based techniques for crack detection, classification and quantification in asphalt pavement: A review”, Arch. Comp. Meth. Eng., 24(4), pp.935-977.
-Zhou, J., Huang, P. S. and Chiang, F., (2006), “Wavelet-based pavement distress detection and evaluation”. Opt. Eng., 45(2), pp.2006-2011.
-Zou, Q., Cao, Y., Li, Q., Mao, Q. and Wang, S., (2008), “CrackTree: Automatic crack detection from pavement images”, Pattern Recog., Lett., 33(3), pp. 227-238.