برگزاری دفاعیه دکتری مهندس محمدحسن دانشوری

چکیده این رساله به شرح زیر می‌باشد:

شبکه‌های راهی به‌عنوان ستون فقرات حمل‌ونقل زمینی، نقش تعیین‌کننده‌ای در ایمنی ترافیک، پایداری اقتصادی و کیفیت خدمات حمل‌ونقل دارند. با این حال، گسترش خرابی‌های سطحی روسازی‌های آسفالتی نظیر دانه‌دانه شدن، قیرزدگی و چاله، در صورت عدم شناسایی و ارزیابی به‌موقع، منجر به افزایش تصادفات، کاهش سطح سرویس و تحمیل هزینه‌های سنگین نگهداری به سازمان‌های راهداری می‌شود. در حال حاضر، بخش قابل‌توجهی از سامانه‌های بازرسی راه یا متکی بر برداشت‌های میدانی پرهزینه و زمان‌بر هستند، یا از مدل‌های یادگیری عمیق پیچیده‌ای استفاده می‌کنند که نیازمند داده‌های حجیم، توان پردازشی بالا و فاقد تفسیرپذیری کافی برای پشتیبانی از تصمیم‌گیری مدیریتی‌اند. این چالش‌ها، خلأ یک راهکار دقیق، سبک، پایدار و قابل‌اتکا برای پایش هوشمند خرابی‌های روسازی راه را آشکار می‌سازد. در پاسخ به این نیاز، این پژوهش یک چارچوب هوشمند و مسئله‌محور برای تشخیص و ارزیابی خودکار سه خرابی کلیدی روسازی‌های آسفالتی شامل، قیرزدگی، دانه‏دانه شدن و چاله ارائه می‌دهد.
در گام نخست، برای تشخیص خرابی دانه‌دانه شدن، یک رویکرد نوآورانه مبتنی بر ترکیب توصیفگرهای الگوی محلی دودویی (LBP)  و ماتریس همرخداد سطح خاکستری (GLCM) با طبقه‌بند XGBoost توسعه یافت؛ LBP الگوهای ریز و پراکنده روسازی و GLCM یکنواختی و ساختار آماری سطح را تحلیل می‌کند، به‌گونه‌ای که تفاوت‌های ظریف بین مناطق دانه‌دار و سالم به وضوح نمایان می‌شود. تحلیل SHAP نشان داد ویژگی‌های Contrast و Dissimilarity نمایانگر ناهمگنی و پراکندگی ذرات، و Homogeneity و Correlation نمایانگر یکنواختی بافت، نقش اصلی در تصمیم مدل دارند. نتایج با خصوصیات فیزیکی و بافتی سطح روسازی همخوانی دارد و تفکیک کلاس‌ها از نظر مهندسی قابل توجیه است. این روش روی یک مجموعه داده مستقل نیز آزمون شد و دقت ۹۷.۶۳٪ به دست آمد، که قابلیت تعمیم‌پذیری بالای مدل و عملکرد قابل اتکا حتی در شرایط محدودیت داده را نشان می‌دهد و در مقایسه با مدل‌های یادگیری عمیق، دقت بالاتر و زمان اجرای کمتر ارائه می‌کند.
در ادامه، با توجه به پراکندگی مکانی و عدم توازن داده‌های قیرزدگی در شبکه راه، از یک چارچوب نوآورانه مبتنی بر ماشین بردار پشتیبان تک‌کلاسه (OCSVM) همراه با استخراج ویژگی‌های بافتی HE-GLCM استفاده شد اعمال متعادل‌سازی هیستوگرام (HE) پیش از استخراج GLCM باعث برجسته شدن جزئیات ریز و تقویت اختلاف‌های بافتی بین کلاس‌ها شد، به‌گونه‌ای که ویژگی‌هایی مانند Contrast، Dissimilarity و Correlation تفاوت واقعی بین مناطق قیرزده و سالم را بهتر منعکس کردند. این رویکرد با دقت ۹۷.۲۹٪ توانست کلاس قیرزدگی را به‌عنوان ناهنجاری شناسایی کند و در مقایسه با مدل‌های یادگیری عمیق، عملکرد بهتری روی داده‌های نامتوازن ارائه داد. تحلیل خطاها نشان داد که اغلب اشتباهات در شدت‌های کم رخ می‌دهد، در حالی که در شدت‌های متوسط و بالا، مدل عملکرد دقیق و قابل اعتمادی دارد، که اهمیت عملی بالایی برای اولویت‌بندی تعمیرات فراهم می‌کند.
برای تشخیص همزمان قیرزدگی و دانه‌دانه شدن، یک رویکرد مبتنی بر ترکیب HE–GLCM و LBP–GLCM توسعه یافت. در این روش، HE–GLCM با برجسته‌سازی تفاوت‌های کلان و الگوهای آماری، تمایز مناطق قیرزده را بهبود می‌بخشد، در حالی که LBP–GLCM با تحلیل ناهمگنی‌ها و جزئیات ریز، شناسایی دقیق دانه‌دانه شدن را امکان‌پذیر می‌کند. این ترکیب مکمل، فضای ویژگی غنی و سازگار با خصوصیات فیزیکی سطح روسازی ایجاد کرده و دقت مدل را بیش از ۷٪ افزایش می‌دهد، با انحراف معیار کمتر از ۰٫۶۵٪ که نشان‌دهنده پایداری بالای رویکرد است.
به منظور پشتیبانی از اولویت‌بندی تعمیرات، یک چارچوب چندسطحی طبقه‌بندی شدت قیرزدگی با ترکیب بهینه توصیفگرهای الگوی محلی سه‏تایی (LTP) و GLCM و بهینه‌سازی پارامترها با روش درخت تخمین‏گر پارزن(TPE) ارائه شد که با دقت ۹۶.۷۶٪ قادر به تفکیک دقیق سطوح بدون قیرزدگی و قیرزدگی جزئی و شدید است. برای تفسیر اهمیت ویژگی‌ها، تحلیل SHAP روی یک مدل جانشین LightGBM انجام شد تا تصمیم مدل اصلی SVM تقریب زده شود، و نشان داد که ویژگی‌های LTP در تشخیص سطوح بدون قیرزدگی و خفیف و ویژگی‌های GLCM در طبقه‌بندی قیرزدگی شدید نقش غالب دارند. این ترکیب امکان شناسایی همزمان تغییرات میکرو-بافتی و یکنواختی ماکرو را فراهم می‌کند و ارزیابی روی یک مجموعه داده مستقل، عملکرد قابل اعتماد و تعمیم‌پذیری مدل پیشنهادی را تأیید کرد (F1-score = 94.80%).
در نهایت، با توجه به کمبود داده‌های واقعی چاله در بسیاری از راه‌ها، یک روش نوآورانه مبتنی بر تولید داده مصنوعی با BAGAN-GP و آموزش مدل YOLOv8m-Seg برای تشخیص و بخش‌بندی چاله توسعه یافت که به mAP50 برابر ۹۵.۵٪ در مکانیابی و ۹۵.۳٪ در بخش‌بندی رسید. نوآوری این رویکرد شامل استخراج ویژگی‌های هندسی از ماسک‌های بخش‌بندی و ایجاد یک سامانه نرم‌افزاری برای اولویت‌بندی تعمیرات بر اساس شدت و ابعاد خرابی است. نتایج نشان می‌دهد که راهکارهای سبک، دقیق و قابل‌تفسیر مبتنی بر یادگیری ماشین و پردازش تصویر می‌توانند پایش هوشمند روسازی، افزایش ایمنی و بهینه‌سازی مدیریت نگهداری شبکه‌های راهی را بهبود بخشند.

کلمات کلیدی: تشخیص خرابی روسازی، دانه‌دانه شدن، قیرزدگی، چاله، تحلیل بافت، یادگیری ماشین، آنالیز SHAP،یادگیری عمیق، تولید داده مصنوعی،بخش‌بندی تصویر

ایمیل دانشجو: M.H.daneshvari74gmail.com