تشخيص و طبقه بندي خودكار خرابي هاي روسازي بر پايه آناليز بافت تصوير در حوزه مكان و تبديل

Automatic Recognition and Classification of Pavement Distress based on Analysis of Image Texture in Spatial and Transformation Domain

ارزيابي عملكرد روسازي يكي از مهم ترين مراحل تعيين استراتژي بهينه، در عمليات مديريت روسازي محسوب مي شود. در دو دهه اخير تحقيقات گسترده اي پيرامون توسعه روش هاي خودكار، جهت ارزيابي خرابي هاي روسازي انجام گرفته است. اغلب اين روش ها بر پايه بينايي ماشين و تكنيك هاي پردازش تصوير هستند. در سال هاي اخير روش هاي آناليز چند دقته همچون تبديل موجك، ابزار مناسبي جهت تحليل و شناسائي هوشمند خرابي ها با سرعت و دقتي قابل قبول فراهم آورده است. در اين مطالعه، روشي بر مبناي تبديل موجك به كارگيري شده كه قادر به آناليز صفحه اي بافت روسازي با در نظر گرفتن اجزاي افقي، قائم و قطري بافت روسازي است. در اين پژوهش پس از اعمال تبديل موجك گسسته و جدا سازي باند هاي فركانسي تصوير توسط چهار خانواده مختلف از موجك ها، ويژگي هاي بافتي زيرباندها بر مبناي ماتريس هم رخداد سطوح خاكستري استخراج شده و با نتايج حاصل از آناليز بافت تصوير در حوزه مكان مقايسه گرديد. در انتها روش كمينه فاصله ماهالانوبيس به منظور تفكيك و طبقه بندي تصاوير خرابي در 7 كلاس شامل ترك پوست سوسماري، آسفالت سالم (بدون خرابي)، ترك طولي، ترك عرضي، قيرزدگي، وصله و عريان شدگي به كارگيري گرديد. نتايج اعتبارسنجي و ارزيابي عملكرد كلاس بندي حاكي از آن است كه طبقه بندي تصاوير خرابي توسط آناليز بافت تصوير در حوزه تبديل نسبت به حوزه مكان نتايج دقيق تري در پي دارد. دقت عملكردي كلاس بندي تصاوير خرابي در حوزه تبديل به طور ميانگين برابر با 67 درصد بوده درحالي كه دقت طبقه بندي داده هاي خرابي مبتني بر استخراج ويژگي هاي بافتي در حوزه مكان برابر با 49/76 درصد است. در حوزه تبديل، اگر چه فيلترDaubechies 2 در شناسايي خرابي قير زدگي حساسيت عملكرد بالاتري داشته، اما به طور ميانگين فيلتر Haar نسبت به ساير موجك هاي استفاده شده، با دقت عملكردي 95/24 درصد نتايج برتري در شناسايي و كلاسه بندي خرابي هاي سطح روسازي آسفالتي حاصل نموده است.

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.