دوره 11، شماره 22 - ( پاییز و زمستان 1402 )
جلد 11 شماره 22 صفحات 120-110 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
rezaei mutlagh A, parsakhoo A, najafi A, mohamadi J. (2023). Specification of Forest Road Surface Potholes using UAVs Image Evaluation. Ecol Iran For. 11(22), 110-120. doi:10.61186/ifej.11.22.110
URL: http://ifej.sanru.ac.ir/article-1-480-fa.html
URL: http://ifej.sanru.ac.ir/article-1-480-fa.html
رضایی ایوب، پارسا خو آیدین، نجفی اکبر، محمدی جهانگیر. ارزیابی مشخصات چاله های لایه رویه جاده های جنگلی با استفاده ازتصاویر پهپاد بوم شناسی جنگل های ایران (علمی- پژوهشی) 1402; 11 (22) :120-110 10.61186/ifej.11.22.110
گروه جنگلداری، دانشکده علوم جنگل، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان
چکیده: (861 مشاهده)
مقدمه و هدف: لایه‌رویه جاده با گذشت زمان و بر اثر ترافیک و عوامل جوی دچار آسیب های مختلف می شوند و از کیفیت آنها کاسته می شود. بنابراین، استخراج سریع و دقیق ناهنجاری لایه رویه برای نظارت مؤثر بر وضعیت سلامت جاده بسیار مهم است. به منظور بهبود کارایی بازرسی لایه‌رویه، امروزه پهپادها ابزار مفیدی برای به دست آوردن اطلاعات قابل اعتماد در زمینه لایه رویه جاده استفاده می شود.
مواد و روش ها: این پژوهش با هدف آشکارسازی خرابی لایه رویه جاده های جنگلی با استفاده از تصاویر پهپاد و فنون پردازش تصویر در جادهای به طول 3/6 کیلومتر در جنگل آموزشی و پژوهشی دکتر بهرام نیا استان گلستان انجام گرفت. تصاویر حاصل از پهپاد با استفاده از محاسبات فتوگرامتری پردازش و تصویر ارتوموزائیک و مدل رقومی ارتفاع زمین تهیه شد؛ سپس تصاویر حاصل جهت شناسایی و بررسی چاله های لایه‌رویه با استفاده از سه الگوریتم یادگیری نظارت شده نزدیکترین همسایه، K - نزدیکترین همسایه و ماشین بردار پشتیبان مورد بررسی و ارزیابی قرار گرفت.
یافته ها: نتایج نشان داد که تصویر ارتوموزائیک حاصل از محاسبات فتوگرامتری دارای صحت بالایی است. همچنین بررسی صحت الگوریتم های مورد استفاده جهت طبقه بندی و شناسایی چاله ها نشان داد که این الگوریتم ها قابلیت خوبی در شناسایی خرابی لایه‌رویه جاده دارند. الگوریتم نزدیکترین همسایه، K - نزدیکترین همسایه و ماشین بردار پشتیبان به ترتیب خرابی های لایه رویه را با صحت 92/04، 94/31 و 96/59 درصد برآورد کردند.
نتیجهگیری: الگوریتم ماشین بردار پشتیبان یک الگوریتم یادگیری نظارت شده با صحت 96/59 درصد دارای بیشترین صحت طبقه بندی در مقایسه با دو الگوریتم دیگر بود و به عنوان یک روش مناسب جهت طبقه بندی و شناسایی خرابی ها در این پژوهش معرفی شد. از تصاویر پهپاد حاصل و الگوریتم های یادگیری نظارت شده میتوان برای شناسایی ناهنجاری لایه رویه جاده های جنگلی از جمله چاله ها استفاده کرد.
مواد و روش ها: این پژوهش با هدف آشکارسازی خرابی لایه رویه جاده های جنگلی با استفاده از تصاویر پهپاد و فنون پردازش تصویر در جادهای به طول 3/6 کیلومتر در جنگل آموزشی و پژوهشی دکتر بهرام نیا استان گلستان انجام گرفت. تصاویر حاصل از پهپاد با استفاده از محاسبات فتوگرامتری پردازش و تصویر ارتوموزائیک و مدل رقومی ارتفاع زمین تهیه شد؛ سپس تصاویر حاصل جهت شناسایی و بررسی چاله های لایه‌رویه با استفاده از سه الگوریتم یادگیری نظارت شده نزدیکترین همسایه، K - نزدیکترین همسایه و ماشین بردار پشتیبان مورد بررسی و ارزیابی قرار گرفت.
یافته ها: نتایج نشان داد که تصویر ارتوموزائیک حاصل از محاسبات فتوگرامتری دارای صحت بالایی است. همچنین بررسی صحت الگوریتم های مورد استفاده جهت طبقه بندی و شناسایی چاله ها نشان داد که این الگوریتم ها قابلیت خوبی در شناسایی خرابی لایه‌رویه جاده دارند. الگوریتم نزدیکترین همسایه، K - نزدیکترین همسایه و ماشین بردار پشتیبان به ترتیب خرابی های لایه رویه را با صحت 92/04، 94/31 و 96/59 درصد برآورد کردند.
نتیجهگیری: الگوریتم ماشین بردار پشتیبان یک الگوریتم یادگیری نظارت شده با صحت 96/59 درصد دارای بیشترین صحت طبقه بندی در مقایسه با دو الگوریتم دیگر بود و به عنوان یک روش مناسب جهت طبقه بندی و شناسایی خرابی ها در این پژوهش معرفی شد. از تصاویر پهپاد حاصل و الگوریتم های یادگیری نظارت شده میتوان برای شناسایی ناهنجاری لایه رویه جاده های جنگلی از جمله چاله ها استفاده کرد.
فهرست منابع
1. Abdi, A., & Majnounian, B. (2018). Forest road maintenance. University of Tehran press.Tehran, Iran. 327pp (In Persian).
2. Ameri, M., & Golchin, B. (2005). Familiarity with the concepts of pavement management system, Ministry of Roads and Transportation, Deputy Minister of Research and Technology Education. Tehran: Transportation Research Institute, Iran (In Persian).
3. Cheng, H., Chen,J., Glazier, C., & Hu, Y. (1999). Novel approach to pavement cracking detection based on fuzzy set theory. Journal of Computing in Civil Engineering, 13 (4), 270-280. doi:10.1061/(ASCE)0887-3801(1999)13:4(270). [DOI:10.1061/(ASCE)0887-3801(1999)13:4(270)]
4. Cubero-Fernandez, A., Rodriguez-Lozano, F. J., Villatoro, R., Olivares, J., & Palomares, J. M. (2017). Efficient pavement crack detection and classification. EURASIP Journal on Image and Video Processing, 39 (1) , 1-11. doi:10.1186/s13640-017-0187-0. [DOI:10.1186/s13640-017-0187-0]
5. Dadrasjavan, F., Zarrinpanjeh, N., & Ameri, A. (2019). Automatic Crack Detection of Road Pavement Based 2 on Aerial UAV Imagery. Preprints 2019 (In Persian). doi:10.20944/preprints201907.0009.v1 [DOI:10.20944/preprints201907.0009.v1]
6. Dobson, T.C., Colin, B., , Chris, R., Melanie, W., & David, D. (2014). Collecting Decision Support System Data Through Remote Sensing of Unpaved Roads. Journal of the Transportation Research Board, 2433 (1),108 - 115. doi.org/10.3141/2433-12. [DOI:10.3141/2433-12]
7. Fakhri, S. A., Saadatseresht, M., Varshosaz, M., & Zakeri, H. (2021). Evaluation of UAV Photogrammetric capability in Road Pavement Cracks Detection. Journal of Civil Engineering Amirkabir, 45(5), 1705- 1730 (In Persian). doi: 10.22060 / ceej.2021.19815.7263
8. Hajek, J., & Phang, W. (1986). Prioritization and Optimization of Pavement Preservation Treatments, Journal of Transportation Researcll Record, 126(1), 58-68. http://worldcat.org/isbn/0309048125.
9. Hartgen, D.T., Fields, M.G., & Feigenbaum, B. (2014). Performance of State Highway Systems. Los Angeles: Reason Foundation.
10. Haas, R. (1994). Modern pavement management, Krieger Publishing Company, Malabar. American.
11. Hudson, W.R., Haas, R., & Pedigo, R.D. (1979). Pavement management system development Washington, Transportation Research Board.
12. Kamkar Rouhani, A., Ishaqi, A., & Arab Miri, A. (2012). Processing and interpretation of ground penetration radar data in order to identify subsurface cavities and study stratification, granulation and estimation of clay in shallow subsurface sediments. Journal of Earth and Space Geophysics. 38(4), 155-173 (In Persian). doi:10.22059/JESPHYS.2013.30213
13. Kargar, M. R., Khabazi, F., & Hesabi, A. (2022). Evaluation Crown Height Model Extracted from the UAV in Individual Tree Detection in Sisangan Forest Park. Journal of Ecology of Iranian Forest. 10 (20),193-203 (In Persian). doi: 20.1001.1.24237140.1401.10.20.9.6 [DOI:10.52547/ifej.10.20.193]
14. Kim, H., Soleymani, H., Han, H., & Nam, H. (2006). Evaluation of asphalt pavement crack sealing performance using image processing technique. The International Association for Automation and Robotics in Construction, 341-345. doi.org/10.22260/isarc2006/0066. [DOI:10.22260/ISARC2006/0066]
15. Kiss, K., Malinenc, J., & Tokola, T. (2015). Forest road quality control using ALS data. Canadian. Journal of Forest Research. 45(1), 1636-1642. doi:10.1139/cjfr-2015-0067. [DOI:10.1139/cjfr-2015-0067]
16. Koch, C., Georgieva, K., Kasireddy, V., Akinci, B., & Fieguth, P. (2015). A review on computer vision based defect detection and condition assessment of concrete and asphalt civil infrastructure. Journal of Advanced Engineering Informatics, 29(2), 196-210. doi:10.1016/j.aei.2015.01.008 [DOI:10.1016/j.aei.2015.01.008]
17. Leonardi, G., Barrile, V., Palamara, R., Suraci, F., & Candela, G. (2018). 3D Mapping of Pavement Distresses Using an Unmanned Aerial Vehicle (UAV) System, International Symposium on New Metropolitan Perspectives, Systems and Technologies. 101(1),164-171. doi:10.1007/978-3-319-92102-0_18. [DOI:10.1007/978-3-319-92102-0_18]
18. Lopes, M., Zhao, D., Chailleux, E., Kane, M., Gabet, T., Petiteau, C., & Soares, J. (2014). Characterization of ageing processes on the asphalt mixture surface. 2nd International Symposium on, Asphalt Pavements et Environnement,15(1), 477-487. doi:10.1080/14680629.2014.922656. [DOI:10.1080/14680629.2014.922656]
19. McGhee, K.H. (2004). Automated Pavement Distress Collection Technique Synthesis of Highway Practice; National Cooperative Highway Research Program, Transportation Research Board: Washington, DC, USA.
20. Mettas, C., Themistocleous, K., Neocleous, K., Christofe, A., Pilakoutas, K., & Hadjimitsis, D. (2015). Monitoring asphalt pavement damages using remote sensing techniques. The Third International Conference on Remote Sensing and Geoinformation of the Environment, 9535, 1-12. doi:10.1117/12.2195702. [DOI:10.1117/12.2195702]
21. Mokhtaria, S., Wub, L., & Yunc, H. B. (2016). Comparison of Supervised Classification Techniques for Vision-Based Pavement Crack Detection. Journal of The Transportation Research Board. (1), 13-17. (In Persian). doi: 10.3141/2595-13 [DOI:10.3141/2595-13]
22. Pan, Y., Zhang, X., Sun, M., & Zhao, P. (2017). Object-Based and Supervised Detection of Potholes and Cracks from the Pavement Images Acquired by UAV. Remote Sensing and Spatial Information Sciences. 4(4), 9-17. doi:10.5194/isprs-archives-XLII-4-W4-209-2017 [DOI:10.5194/isprs-archives-XLII-4-W4-209-2017]
23. Parsakhoo, A., Rezaei Motlagh, A., Matin Nia, B., & Gholami, Z. (2022). Effect of the Road Technical and Drainage Properties on Roadside Landslides in Watershed 85 in Golestan Province. Ecology of Iranian Forest. 10 (19):47-55 (In Persian). Doi: 10.52547/ifej.10.19.47 [DOI:10.52547/ifej.10.19.47]
24. Pazhouhan, I., Najafi, A., Rouhani, A., & Vahidi, J. (2017). Extraction of Individual Tree Parameters by Using Terrestrial Laser Scanner Data in Hyricanian Forest, Journal of ECOPERSIA, 5(3),1837-1847 (In Persian). doi :10.18869/modares.Ecopersia.5.3.1837
25. Plan booklet. (2008). Forestry plan of Dr. Bahram Nia. 1(1), 235-238 (In Persian).
26. Schnebele, E., Tanyu, B. F., Cervone, G., & Waters, N. (2015). Review of remote sensing methodologies for pavement management and assessment. Journal of European Transport Research Review, 7(7), 1-19.doi: 10.1007/s12544-015-0156-6. [DOI:10.1007/s12544-015-0156-6]
27. Shatai Joibari, Sh. (2014). Remote Sensing Fundamentals textbook. Gorgan University of Agricultural Sciences and Natural Resources, Gorgan.Iran (In Persian).
28. Zhang, S., & Bogus, S. M., (2014). Use of Low-cost Remote Sensing for Infrastructure Management. The Construction Research Congress, Atlanta, 1299-1308. doi.org/10.1061/9780784413517.133. [DOI:10.1061/9780784413517.133]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
