مقايسه روش هاي آناليز بافت تصوير به منظور شناسايي و طبقه بندي خودكار خرابي‏ هاي روسازي آسفالتي

A Comparison of Image Texture Analysis Methods for Automatic Recognition and Classification of Asphalt Pavement Distresses

ارزيابي عملكرد روسازي يكي از مهم ترين عناصر سيستم هاي مديريت روسازي جهت تعيين راهكار بهينه عمليات ترميم و نگهداري راه محسوب مي شود. پيمايش خرابي هاي سطحي راه جزو مراحل اصلي فرايند ارزيابي روسازي در سطح شبكه و همچنين در سطح پروژه است. در دو دهه اخير، تحقيقات گسترده اي پيرامون توسعه روش هاي خودكار، جهت شناسائي خرابي - هاي روسازي انجام گرفته كه اغلب بر پايه بينايي ماشين و فنون پردازش تصوير مي باشند. يكي از مهم ترين اجزاي تشكيل - دهنده سيستم بينايي ماشين، فرايند استخراج ويژگي مي با شد. در اين تحقيق، پس از برداشت تصاوير شش گروه مختلف از خرابي هاي سطح روسازي آسفالتي در شرايط كنترل شده، به منظور مقايسه روش هاي مختلف آناليز آماري بافت تصوير در تشخيص و طبقه بندي خودكار انواع خرابي ها، از شاخص هاي آماري مرتبه اول بر پايه هيستوگرام تصوير، شاخص هاي آماري مرتبه دوم بر پايه ماتريس هم رخداد و از آمارگان مرتبه سوم و بالاتر مبتني بر ماتريس طول تكرار سطوح خاكستري، استفاده شده است. نتايج حاصل از كلاس بندي تصاوير خرابي بر اساس روش كمينه فاصله ماهالانوبيس، حاكي از آن است كه آمارگان مستخرج از هيستوگرا م و ماتريس هم رخداد سطوح خاكستري، اگر چه در شناسايي ترك هاي پوست سوسماري نسبت به ماتريس طول تكرار، حساسيت عملكردي طبقه بندي بهتري داشته، اما به طور ميانگين شاخص هاي آماري مرتبه سوم و بالاتر بر پايه ماتريس طول تكرار سطوح خاكستري، با دقت عملكردي 08 % ، نسبت به ساير رويكرد هاي توصيف بافت به كارگيري شده در اين تحقيق، نتايج برتري در شناسايي و كلاسه بندي خرابي هاي سطح روسازي آسفالتي حاصل نموده است

Evaluation of pavement performance plays a major role in pavement management systems for determination of optimum strategy in repair and maintenance of the road. One of the most prominent assets in evaluation of the pavement at network and project level is identification and survey of surface pavement distresses. In the past two decades, extensive studies have been carried out in order to develop automatic methods for pavement evaluation. Most of these methods are based on machine vision and image processing techniques. One of the most important components of machine vision system is feature extraction. In the present study, after acquisition of six different group of asphalt pavement distresses under controlled condition, in order to compare different image texture processing methods for automatic recognition and categorising of distresses, first order statistical indices based on image intensity histogram, second order statistical indices based on grey level co-occurrence matrix and third and higher order statistics based on grey level run-length matrix have been used. Based on the results of the classification of distress images acquired by Mahalanobis minimum distance method, it can be concluded that although statistics extracted from histogram and grey level co-occurrence matrix have superior sensitivity in detection of alligator cracks, but third and higher order statistical indices based on grey level run-length matrix provide better results, with 80% classification accuracy, compared to other texture analysis approaches applied in the present research.