مقاله تشخیص و طبقه بندی خودکار خرابی های روسازی بر پایه آنالیز بافت تصویر در حوزه مکان و تبدیل

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 مقاله تشخیص و طبقه بندی خودکار خرابی های روسازی بر پایه آنالیز بافت تصویر در حوزه مکان و تبدیل دارای ۳۳ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله تشخیص و طبقه بندی خودکار خرابی های روسازی بر پایه آنالیز بافت تصویر در حوزه مکان و تبدیل  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله تشخیص و طبقه بندی خودکار خرابی های روسازی بر پایه آنالیز بافت تصویر در حوزه مکان و تبدیل،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله تشخیص و طبقه بندی خودکار خرابی های روسازی بر پایه آنالیز بافت تصویر در حوزه مکان و تبدیل :

تعداد صفحات :۳۳

ارزیابی عملکرد روسازی یکی از مهم ترین مراحل تعیین استراتژی بهینه، در عملیات مدیریت روسازی محسوب می­شود. در دو دهه اخیر تحقیقات گسترده ای پیرامون توسعه روش­های خودکار، جهت ارزیابی خرابی­های روسازی انجام گرفته است. اغلب این روش­ها بر پایه بینایی ماشین و تکنیک­های پردازش تصویر هستند. در سال­های اخیر روش های آنالیز چند دقته همچون تبدیل موجک، ابزار مناسبی جهت تحلیل و شناسائی هوشمند خرابی­ها با سرعت و دقتی قابل قبول فراهم آورده است. در این مطالعه، روشی بر مبنای تبدیل موجک به کارگیری شده که قادر به آنالیز صفحه­ای بافت روسازی با در نظر گرفتن اجزای افقی، قائم و قطری بافت روسازی است. در این پژوهش پس از اعمال تبدیل موجک گسسته و جدا­سازی باند­های فرکانسی تصویر توسط چهار خانواده مختلف از موجک­ها، ویژگی­های بافتی زیرباندها بر مبنای ماتریس هم­رخداد سطوح خاکستری استخراج شده و با نتایج حاصل از آنالیز بافت تصویر در حوزه مکان مقایسه گردید. در انتها روش کمینه فاصله ماهالانوبیس به منظور تفکیک و طبقه­بندی تصاویر خرابی در ۷ کلاس شامل ترک پوست­سوسماری، آسفالت سالم (بدون خرابی)، ترک طولی، ترک عرضی، قیرزدگی، وصله و عریان­شدگی به کارگیری گردید. نتایج اعتبارسنجی و ارزیابی عملکرد کلاس­بندی حاکی از آن است که طبقه بندی تصاویر خرابی توسط آنالیز بافت تصویر در حوزه تبدیل نسبت به حوزه مکان نتایج دقیق­تری در پی دارد. دقت عملکردی کلاس­بندی تصاویر خرابی در حوزه تبدیل به طور میانگین برابر با ۶۷ درصد بوده درحالی­که دقت طبقه­بندی داده­های خرابی مبتنی بر استخراج ویژگی­های بافتی در حوزه مکان برابر با ۷۶/۴۹ درصد است. در حوزه تبدیل، اگر­چه فیلترDaubechies 2 در شناسایی خرابی قیر­زدگی حساسیت عملکرد بالاتری داشته، اما به طور میانگین فیلتر Haar نسبت به سایر موجک­های استفاده شده، با دقت عملکردی ۲۴/۹۵ درصد نتایج برتری در شناسایی و کلاسه­بندی خرابی­های سطح روسازی آسفالتی حاصل نموده است.