ارزیابی مشخصات چاله های لایه ‌رویه جاده های جنگلی با استفاده ازتصاویر پهپاد

مقدمه و هدف: لایه‌رویه جاده با گذشت زمان و بر اثر ترافیک و عوامل جوی دچار آسیب های مختلف می شوند و از کیفیت آن ها کاسته می شود. بنابراین، استخراج سریع و دقیق ناهنجاری لایه رویه برای نظارت موثر بر وضعیت سلامت جاده بسیار مهم است. به منظور بهبود کارایی بازرسی لایه‌رویه، امروزه پهپادها ابزار مفیدی برای به دست آوردن اطلاعات قابل اعتماد در زمینه لایه رویه جاده استفاده می شود.مواد و روش ها: این پژوهش با هدف آشکارسازی خرابی لایه رویه جاده های جنگلی با استفاده از تصاویر پهپاد و فنون پردازش تصویر در جاده ای به طول 3/6 کیلو متر در جنگل آموزشی و پژوهشی دکتر بهرام نیا استان گلستان انجام گرفت. تصاویر حاصل از پهپاد با استفاده از محاسبات فتوگرامتری پردازش و تصویر ارتوموزائیک و مدل رقومی ارتفاع زمین تهیه شد؛ سپس تصاویر حاصل جهت شناسایی و بررسی چاله های لایه‌رویه با استفاده از سه الگوریتم یادگیری نظارت شده نزدیک ترین همسایه، k - نزدیکترین همسایه  و ماشین بردار پشتیبان مورد بررسی و ارزیابی قرار گرفت. یافته ها: نتایج نشان داد که تصویر ارتوموزائیک حاصل از محاسبات فتوگرامتری دارای صحت بالایی است. همچنین بررسی صحت الگوریتم های مورد استفاده جهت طبقه بندی و شناسایی چاله ها نشان داد که این الگوریتم ها قابلیت خوبی در شناسایی خرابی لایه‌رویه جاده دارند. الگوریتم نزدیک ترین همسایه، k - نزدیکترین همسایه و ماشین بردار پشتیبان به ترتیب خرابی های لایه رویه را با صحت 92/04، 94/31 و 96/59 درصد برآورد کردند. نتیجه گیری: الگوریتم ماشین بردار پشتیبان یک الگوریتم یادگیری نظارت شده با صحت 96/59 درصد دارای بیشترین صحت طبقه بندی در مقایسه با دو الگوریتم دیگر بود و به عنوان یک روش مناسب جهت طبقه بندی و شناسایی خرابی ها در این پژوهش معرفی شد. از تصاویر پهپاد حاصل و الگوریتم های یادگیری نظارت شده می توان برای شناسایی ناهنجاری لایه رویه جاده های جنگلی از جمله چاله ها استفاده کرد.

specification of forest road surface potholes using uavs image evaluation

introduction and objectivethe surface layer of the road suffers various damages with the passage of time due to traffic and atmospheric factors, and their quality decreases. therefore, quick and accurate extraction of layer-surface anomaly is very important for effective monitoring of road health status. in order to improve the efficiency of surface layer inspection, today drones are used as a useful tool to obtain reliable information in the field of road surface layer.material and methodsthis research was conducted with the aim of revealing the top layer damage of forest roads using uav images and image processing techniques on a 3.6 km long road in dr. bahramnia educational and research forest, golestan province. the images obtained from the uav were prepared using photogrammetric processing calculations and orthomosaic image and digital model of the ground height, then the resulting images were used to identify and check the top layer pits using three supervised learning algorithms: nearest neighbor, k-nearest neighbor and the supporting machine was examined and evaluated.resultsthe results showed that the orthomosaic image obtained from photogrammetric calculations has high accuracy. also, checking the accuracy of the algorithms used to classify and identify potholes showed that these algorithms have a good ability to identify the damage of the road surface layer. nearest neighbor, k-nearest neighbor, and support vector machine estimated the top layer failures with accuracy of 92.04, 94.31, and 96.59 percent, respectively.conclusionthe support vector machine algorithm as a supervised learning algorithm with 96.59 percent accuracy had the highest classification accuracy compared to the other two algorithms and as a suitable method for classifying and identifying failures in this the research was introduced. the resulting uav images and supervised learning algorithms can be used to identify the abnormality of forest roads including potholes.