مدل ترکیبی بینایی ماشین و یادگیری عمیق برای ارزیابی خودکار خرابی روسازی آسفالتی با استفاده از تصاویر پهپادی و داده‌های آزمون‌های غیرمخرب (ndt)

پایش و ارزیابی سلامت روسازی آسفالت، به ویژه در معابر پرتردد شهری، نقشی اساسی در برنامه ریزی نگهداری پیشگیرانه و بهینه سازی هزینه های تعمیر دارد. این پژوهش رویکردی ترکیبی و خودکار را بر پایه بینایی ماشین و یادگیری عمیق توسعه داده که داده های تصاویر پهپادی (uav) با رزولوشن بالا را با نتایج آزمون های غیرمخرب (ndt) شامل fwd و gpr در محیط gis ادغام میکند. مراحل کلیدی شامل برداشت دقیق دادههای سطحی و زیرسطحی، پیشپردازش تصاویر با الگوریتم های u‑net و efficientnet‑b4، پردازش داده های fwd و gpr در نرم افزارهای تخصصی، و هممکانی مکانی دقیق با خطای rms کمتر از 3 سانتیمتر بود. مدل ترکیبی پیشنهادی با استفاده از معماری چندوجهی (تصویری + عددی) و بر پایه تنسورفلو آموزش دید و با مدل های بیسلاین cnn و جنگل تصادفی مقایسه شد. نتایج کمی نشان داد که دقت شناسایی ترک و حفره به ترتیب به 0.98 و 0.96 با f1‑score نزدیک به 1 افزایش یافت و میانگین خطای مطلق پیشبینی شاخص سلامت روسازی (phi) به 0.048 کاهش پیدا کرد، در حالی که r² به 0.93 رسید. آزمون آماری t‑test اختلاف معنادار (p < 0.01 در طبقه بندی و p < 0.001 در رگرسیون) را تایید کرد. خروجی های مدل به صورت نقشه های اولویت بندی تعمیرات و شاخص سلامت در قالب لایه های gis تولید و امکان ادغام مستقیم در سیستم مدیریت روسازی (pms) فراهم شد. یافته ها نشان میدهد که رویکرد uav+ndt با کاهش هزینه های میدانی، تشخیص زودهنگام خرابی های پنهان و ارتقاء دقت پیشبینی، ابزاری کارآمد برای مدیریت هوشمند و پایدار زیرساخت های حملونقل فراهم میسازد.