تشخیص و طبقه‌بندی خودکار بافت خرابی‌های روسازی آسفالتی بر پایه تبدیل موجک

ارزیابی خرابی های روسازی یکی از مهم ترین عناصر سیستم های مدیریت روسازی جهت تعیین راهکار بهینه عملیات ترمیم و نگهداری راه محسوب می شود. در دو دهه اخیر، تحقیقات گسترده ای پیرامون توسعه روش های خودکار جهت شناسایی خرابی های روسازی انجام گرفته است. اغلب این روش ها بر پایه بینایی ماشین و فنون پردازش تصویر می باشند. یکی از مهم ترین اجزای تشکیل دهنده سیستم های بینایی ماشین، فرآیند استخراج ویژگی است. در سال های اخیر روش های آنالیز چنددقته هم چون تبدیل موجک، ابزار مناسبی جهت تجزیه و تحلیل ویژگی های بافتی تصویر با سرعت و دقتی قابل قبول، فراهم آورده است. در این پژوهش، پس از برداشت تصاویر شش گروه مختلف از خرابی های سطح روسازی آسفالتی در شرایط کنترل شده، به منظور تشخیص و طبقه بندی آن ها، از 4 نوع تبدیل چنددقته دوبعدی شامل موجک گسسته haar، موجک گسسته daubechies 3، موجک گسسته coiflet 1 و موجک مختلط دو درختی استفاده گردید. پس از تجزیه تصاویر توسط اعمال تبدیل های مذکور، شاخص های آماری مرتبه اول بر پایه خصوصیات هیستوگرام و آمارگان مرتبه دوم مبتنی بر ماتریس هم رخداد سطوح خاکستری، به منظور آنالیز آماری بافت باند های فرکانسی موجک ها به کارگیری گردید. نتایج حاصل از طبقه بندی تصاویر خرابی بر اساس روش کمینه فاصله ماهالانوبیس، حاکی از آن است که شاخص های آماری مرتبه دوم مستخرج از زیرباندهای تبدیل موجک مختلط دو درختی و موجک گسسته haar به ترتیب با دقت کلاس بندی 99 درصد و 95 درصد، نسبت به سایر الگوریتم های توصیف بافت استفاده شده در این تحقیق، در شناسایی انواع خرابی نتایج بهتری به دنبال داشته است. هم چنین شاخص های آماری حاصل از ماتریس هم رخداد سطوح خاکستری، به طور میانگین با دقت عملکردی 87 درصد، عملکرد برتری نسبت به خصوصیات آماری هیستوگرام در کلاسه بندی تصاویر خرابی دارا می باشند.

Automatic Recognition and Classification of Asphalt Pavement Distress Texture Based on Wavelet Transform

Inspection of the pavement distresses is one of the most prominent phases of pavement management process in regard with determining optimum pavement maintenance strategies. Over the past few decades, a considerable number of efforts have been carried out on developing automatic methods for objectively distress detection all of which rely on machine vision and image processing techniques. One of the most important assets comprising machine vision systems is the feature extraction process. In the past few years, multiresolutional analysis approaches, namely wavelet transforms has provided a great tool for fast and accurate image texture representation. In the present study, after acquisition of six different types of asphalt pavement distresses under controlled condition, in order to identify and categorize them, four 2D multiresolution transforms including Haar discrete wavelet, Daubechies3 discrete wavelet, Coiflet1 discrete wavelet and dualtree complex wavelet were utilized. After decomposition of the distress images by applying the aforementioned transforms, firstorder statistical indices based on histogram and secondorder statistics based on gray level cooccurrence matrix were employed, in order to describe the wavelet frequency subbands texture. The distress classification results based on minimum Mahalanobis distance classifier indicate that extracting secondorder statistics from the subbands of the dualtree complex wavelet and Haar discrete wavelet transforms, yielding classification accuracy of 99% and 95% respectively, outperform other feature extraction algorithms in distress recognition. Furthermore, statistical indices acquired from gray level cooccurrence matrix with average classification rate of 87%, obtained superior performance in distress images discrimination compared to histogram statistics.