این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی حمل و نقل، جلد ۹، شماره ویژه نامه روسازی، صفحات ۱۲۱-۱۴۲
عنوان فارسی تشخیص و طبقه بندی خودکار خرابی های روسازی بر پایه آنالیز بافت تصویر در حوزه مکان و تبدیل
چکیده فارسی مقاله 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 می‌باشند. 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 می باشد. 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 می‌باشد. 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 کلاسه-بندی خرابی‌های سطح روسازی آسفالتی حاصل نموده است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Automatic recognition and classification of pavement distress based on analysis of image texture in spatial and transformation domain
چکیده انگلیسی مقاله Evaluation of pavement performance is one of the most prominent assets in choosing the beneficial strategy for pavement management operations. In the past two decades, a considerable number of investigations have been carried out on developing automatic methods for distress rocognition all of which rely on the machine vision and image processing techniques. In the past few years multi-resolutional analysis methods, namely wavelet transform has provided a great tool for fast and accurate auto-detection of distresses. In the present study, a method has been proposed utilizing the wavelet transform method which can analyze the texture surface of pavement considering the longitudinal, transverse and diagonal textural structures as the key elements. In this paper, after performing the discrete wavelet transform and decomposing the image into frequency sub-bands using 4 different wavelet families, properties of sub-bands texture has been acquired (based on grey level co-occurrence matrix) and compared to the results acquired based on image texture analysis in spatial domain. Finally, the minimal Mahalanobis distance method was applied in order to categorize the acquired images into seven classes including alligator cracking, without distress, longitudinal cracking, transverse cracking, bleeding, patching and raveling. Based on the results of validation and evaluation of the classifiction performance it was observed that the distress image classification using image texture analysis in the transformation domain leads to the more accurate results in comparison to spatial domain. The mean accuracy of distress image classification in transformation domain is 67% while the accuracy rate in classification of distress data based on extraction of texture features in spatial domain is 49/76%. In case of transformation domain, although Daubechies 2 filter has a better sensitivity rate in discrimination of bleeding distress, in general, the Haar filter outperformed other utilized wavelets in recognition and classification of asphalt pavement surface distresses with 95% accuracy.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله رضا شهابیان مقدم | shahabian moghadam
گروه عمران، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران
سازمان اصلی تایید شده: دانشگاه فردوسی (Ferdowsi university)

سیدعلی صحاف | seyed ali
گروه عمران، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران.
سازمان اصلی تایید شده: دانشگاه فردوسی (Ferdowsi university)

ابوالفضل محمدزاده مقدم | mohammadzadeh moghaddam
دانشگاه فردوسی مشهد - دانشکده مهندسی - گروه عمران
سازمان اصلی تایید شده: دانشگاه فردوسی (Ferdowsi university)

حمیدرضا پوررضا |
گروه کامپیوتر، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران
سازمان اصلی تایید شده: دانشگاه فردوسی (Ferdowsi university)

نشانی اینترنتی http://jte.sinaweb.net/article_54261_02cdb4489c7673dc28f49134a11e895a.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1231/article-1231-571079.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات