تحلیل میزان حساسیت جهتی تبدیل موجک در شناسایی هوشمند بافت خرابی های روسازی آسفالتی

نوع مقاله: علمی - پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد، گروه عمران- راه و ترابری، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران

2 استادیار، گروه عمران- راه و ترابری، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران

3 استاد، گروه کامپیوتر، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران

چکیده

 ارزیابی خرابی­های سطحی راه جزء مراحل اصلی فرآیند مدیریت روسازی است. در دهه گذشته، مطالعات وسیعی پیرامون توسعه روش­های خودکار شناسایی خرابی­های روسازی انجام گرفته که غالبا بر پایه بینایی کامپیوتر و فنون پردازش تصویر هستند. یکی از مهم­­ترین اجزای تشکیل­دهنده سیستم­های بینایی ماشین، الگوریتم استخراج ویژگی تصویر است. ویژگی­های بافتی در مقایسه با دیگر ویژگی­ها هم­چون رنگ و ویژگی­های هندسی، اطلاعات جامع­تر و دقیق­تری از الگو­های موجود در ناحیه­های تصویر ارائه می­نمایند. در سال­های اخیر روش­های آنالیز چندرزولوشن هم­چون تبدیل موجک، ابزار کارآمدی جهت تجزیه و تحلیل بافت تصویر با سرعت و دقتی منحصربفرد فراهم آورده است. در این پژوهش، پس از برداشت تصاویر شش گروه مختلف از خرابی­های روسازی آسفالتی در شرایط کنترل شده، به منظور تحلیل ساختاری آن­ها، از 3 نوع تبدیل موجک گسسته دوبعدی شامل موجک­های  Haar، Daubechies 3 و          Coiflet 1 استفاده گردید. علاوه بر تبدیل­های فوق، به منظور آنالیز میزان حساسیت جهتی تبدیل موجک در شناسایی بافت خرابی­ها، تبدیل جهت­دار موجک مختلط دردرختی نیز بر روی تصاویر اعمال گردید. پس از تجزیه تصاویر توسط اعمال تبدیل­های مذکور، آمارگان مرتبه دوم بر پایه ماتریس هم­رخداد و توصیف­گرهای مرتبه سوم و بالاتر بر پایه ماتریس طول تکرار سطوح خاکستری، به منظور تفسیر آماری بافت زیر­باند­های فرکانسی موجک­ها و استخراج بردار ویژگی به­کارگیری گردید. نتایج حاصل از طبقه­بندی تصاویر خرابی بر اساس روش کمینه فاصله ماهالانوبیس، حاکی از آن است که آمارگان مرتبه دوم مستخرج از زیرباندهای تبدیل موجک مختلط دو­درختی و موجک گسسته Haar به ترتیب با دقت کلاس­بندی 99 درصد و 95 درصد، در تشخیص انواع خرابی نتایج بهتری نسبت به سایر الگوریتم­ها حاصل نموده اند. هم­چنین ویژگی­های بافتی حاصل از ماتریس هم­رخداد سطوح خاکستری، به طور میانگین با دقت طبقه­بندی 87 درصد، عملکرد برتری نسبت به آمارگان ماتریس طول تکرار، در کلاسه­بندی تصاویر خرابی به دنبال داشته است.

کلیدواژه‌ها

موضوعات


- سمنارشاد، محمدسینا، کاووسی، امیر و صفارزاده، محمود (1396) "ارائه مدل نگهداری و بهسازی شبکه راه‌های اصلی با به کارگیری تحلیل هزینه چرخه عمر -مطالعه موردی استان خراسان جنوبی"، فصلنامه مهندسی حمل و نقل، دوره نهم، شماره دوم، ص. 209-230.

شهابیان مقدم، رضا (1396) " تشخیص و طبقه­بندی خودکار خرابی­های روسازی آسفالتی بر پایه آنالیز بافت تصویر در حوزه مکان و تبدیل"، پایان­نامه کارشناسی ارشد، اساتید راهنما: سیدعلی صحاف و ابوالفضل محمدزاده مقدم، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران.

شهابیان مقدم، رضا، صحاف، سید علی، محمدزاده مقدم، ابوالفضل و پوررضا، حمیدرضا (a1396) "مقایسه روش های آنالیز بافت تصویر به منظور شناسایی و طبقه بندی خودکار خرابی‏های روسازی آسفالتی" ، فصلنامه مهندسی زیر ساخت های حمل و نقل، دوره سوم، شماره سوم، ص. 1-22.

-  شهابیان مقدم، رضا، صحاف، سید علی، محمدزاده مقدم، ابوالفضل و پوررضا، حمیدرضا (b1396) " تشخیص و طبقه بندی خودکار خرابی های روسازی بر پایه آنالیز بافت تصویر در حوزه مکان و تبدیل" ، فصلنامه مهندسی حمل و نقل، دوره نهم، ویژه­نامه روسازی، ص. 121-142.

- صادقی، حمید، آیت­الهی، فضائل و راعی، ابوالقاسم (1394) "شناسایی حالت چهره با استفاده از نرمالیزاسیون هندسی و تبدیل موجک مختلط"، مجله مهندسی برق دانشگاه تبریز، دوره 45، شماره 3، ص. 9-18.

-               مصطفی، اکبر، احمدیان، علیرضا، ابوالحسنی، محمدجواد و گیتی، معصومه (1385) " کلاسه بندی بافت تصاویر سونوگرافی بیماریهای منتشر کبدی با استفاده از تبدیل موجک" ، مجله فیزیک پزشکی ایران، دوره 2، شماره 7، ص. 67-76.

 

- Aggarawal, N. and Agrawal, R. K. (2012) “First and second order statistics features for classification of magnetic resonance brain images”, Journal of Signal and Information Processing, No. 3, pp. 146-153.

- Cheng, H. D., Glazier, C. and Hu, Y. G. (1999) “Novel approach to pavement cracking detection based on fuzzy set theory”, Journal of Computing in Civil Engineering, Vol. 13, No. 3, pp. 270-280.

- Chua, K. M. and Xu, L. (1994) “Simple procedure for identifying pavement distresses from video images”, Journal of Transportation Engineering, Vol. 120, No. 3, pp. 412-431.

- Dettori, L. and Semlera, L. (2007) “A comparison of wavelet, ridgelet, and curvelet based texture classification algorithms in computed tomography”, Computers in Biology and Medicine, Vol. 37, No. 4, pp. 486-498.

- Gonzalez, R. C. and Woods, R.E. (2006) “Digital image processing 3/E”, Prentice Hall, Upper Saddle River, NJ, USA.

- Horng, M. H., Sun, Y.N. and Lin, X. Z. (2000) “Texture feature coding method for classification of liversonography”, Computerized Medical Imaging & Graphics, Vol. 26, pp. 33-42.

- Kingsbury, N. G. (1998) “The dual-tree complex wavelet transform: a new technique for shift invariance and directional filters”, Proceedings of the IEEE Digital Signal Processing Workshop, No. 98, pp. 9-12.

- Lee, D. (2003) “A robust position invariant artificial neural network for digital Pavement crack analysis”, Technical report, TRB Annual Meeting, 2009, Washington, DC, USA.

- Moghadas Nejad, F. and Zakeri, H. (2011a) “An optimum feature extraction method based on Wavelet–Radon Transform and Dynamic Neural Network for pavement distress classification”, Expert Systems with Applications,Vol. 38, No. 3, pp. 9442-9460.

- Moghadas Nejad, F. and Zakeri, H. (2011b) “A comparison of multi-resolution methods for detection and isolation of pavement distress”, Expert Systems with Applications, Vol. 38, No. 3, pp. 2857-2872.

-  Moghadas Nejad, F. and Zakeri, H. (2011c) “An expert system based on wavelet transform and radon neural network for pavement distress classification”, Expert Systems with Applications, Vol. 38, No. 3, pp. 7088-7101.

- Mojsilovic, A. and Sevic, D. (1996), Classification of the ultrasound liver images with the 2N×1D wavelet transform, Proceedings of IEEE Int. Conf. Image Processing, 1, pp. 367-370.

-  Nallamothu, S. and Wang, K. C. P. (1996) “Experimenting with recognition accelerator for pavement distress identification”, Transportation Research Record, Vol. 1536, pp. 130-135.

- Ouyang, A., Dong, Q., Wang, Y. and Liu, Y. (2014) “The classification of pavement crack image based on beamlet algorithm”, in: 7th IFIP WG 5.14 international conference on computer and computing technologies in agriculture, CCTA 2013.

- Singh, R. (2016) “A comparison of gray-level run length matrix and gray-level co-occurrence matrix towards cereal grain classification”, International Journal of Computer Engineering & Technology (IJCET), Vol. 7, No. 6, pp. 9-17.

- Srinivasan, G. N. and Shobha, G. (2008) “Statistical texture analysis”, proceedings of world academy of science, engineering and technology, No. 36, pp. 207-213.

- Tang, X. (1998) “Texture information in run-length matrices”, IEEE Transactions on Image Processing, Vol. 7, No. 11, pp. 1602-1609.

- Wang, K. C. P., Li, Q. J., Yang, G., Zhan, Y. and Qiu, Y. (2015) “Network level pavement evaluation with 1 mm 3D survey system”, journal of traffic and transportation egineering, Vol. 2, No. 6, pp. 391-398.

- Wang, K. C. P. (2009) “Wavelet-based pavement distress image edge detection with Trous algorithm”, Transportation Research Record: Journal of the Transportation Research Board, Vol. 2024, pp.73-81.

- Wimmer, G., Tamaki, T., Hafner, M., Yoshida, S., Tanaka, S. and Uhl, A. (2016) “Directional wavelet based features for colonic polyp classification”, Medical Image Analysis, Vol. 31, pp. 16-36.

- Zakeri, H., Moghadas Nejad, F. and Fahimifar, A. (2016) “Image based techniques for crack detection, classification and quantification in asphalt pavement: a review”, Archives of Computational Methods in Engineering, pp. 1-43.

- Zayed, N. and Elnemr, H. (2015) “Statistical analysis of haralick texture features to discriminate lung abnormalities”, International Journal of Biomedical Imaging, Vol. 2015, Article ID 267807, pp. 1-7.

- Chang, T. and Kuo, J. (1993) “Texture analysis & classification with tree-Structured wavelet transform”, IEEE Trans. Image Processing, Vol. 2, No. 4, pp. 429-441.

- Zou, Q., Cao, Y., Li, Q., Mao, Q. and Wang, S. (2008) “Cracktree: automatic crack detection from pavement images”, Pattern Recognition Letters, Vol. 33, No. 3, pp. 227–238