“PEDAGOGS”
international research journal ISSN:
2181-3027
_SJIF:
5.449
https://scientific-jl.com/ped
Volume-82, Issue-1, May -2025
313
"YO‘L YAMOQLARINI CNN, THRESHOLDING VA KONTUR ANIQLASH
ASOSIDA SEGMENTATSIYALASH VA HAJMINI BAHOLASH"
Ibodullayev Sardor Nasriddin o‘g‘li
O‘zbekiston jurnalistika va ommaviy kommunikatsiyalar universiteti,
ORCID: 0000-0003-3652-4976 E-mail: s.ibodullayev@tuit.uz
Annotatsiya:
Maqolada sun’iy intellekt va an’anaviy tasvirni qayta ishlash
usullarining kombinatsiyasi orqali yo‘l yamoqlarini avtomatik aniqlash va ularning
hajmini baholashga oid algoritmik yondashuv taqdim etilgan. CNN (U-Net) modeli
yordamida segmentatsiyalangan tasvirdan adaptive thresholding va Canny edge
detection orqali konturlar ajratilgan. Yamoqning yuzasi va chuqurligi asosida uning
hajmi hisoblangan va bu yondashuvning samaradorligi tahlil qilingan.
Kalit so‘zlar:
CNN, segmentatsiya, thresholding, Canny edge detection, yamoq
aniqlash, chuqurlik, tasvirni qayta ishlash, hajm hisoblash, OpenCV, kompyuter
grafikasi
Kirish
Zamonaviy transport infratuzilmasi tez rivojlanib borayotgan sharoitda, yo‘l
qoplamasining holatini baholash, nosozliklarni aniqlash va ularga o‘z vaqtida ta’mir
choralari ko‘rish muhim amaliy va iqtisodiy ahamiyat kasb etadi. Ayniqsa, avtomobil
yo‘llarida paydo bo‘ladigan yamoq va chuqurliklar harakat xavfsizligini pasaytiribgina
qolmay, texnik xizmat ko‘rsatish xarajatlarini ham oshiradi. Shu bois, yo‘l holatini
monitoring qilishning avtomatlashtirilgan, tezkor va ishonchli uslublarini ishlab
chiqish dolzarb muammolardan biri hisoblanadi. An’anaviy yondashuvlar — tasvirni
thresholding asosida ikkilik ko‘rinishga keltirish va Canny algoritmi yordamida
konturlarni ajratish kabi usullar orqali amalga oshiriladi. Ushbu uslublar sodda va
samarali bo‘lishiga qaramay, turli yoritish, fon shovqinlari yoki murakkab geometrik
shakllar mavjud bo‘lgan tasvirlarda xatolikka olib keladi. Shuning uchun so‘nggi
yillarda tasvirni chuqur o‘rganishga asoslangan sun’iy intellekt yondashuvlari, xususan
konvolyutsion neyron tarmoqlari (CNN) yordamida segmentatsiya qilish usuli keng
qo‘llanilmoqda. Mazkur tadqiqotda thresholding, Canny va CNN asosidagi
yondashuvlar birlashtirildi. CNN modeli yamoqni segmentatsiyalashda aniqlikni
oshiradi, thresholding va Canny esa kontur asosida geometrik hisoblarni amalga
oshirishga xizmat qiladi. Ushbu integratsiyalashgan tizim yordamida yamoq yuzasini
va chuqurlik asosida uning hajmini baholash imkoniyati yaratildi. Tadqiqotning asosiy
maqsadi – yo‘l yamoqlarini tasvir asosida avtomatik aniqlash, ularning sirt maydonini
va hajmini hisoblash orqali yo‘l ta’mirlash ishlariga ilmiy-texnik asos yaratishdan
iborat.
“PEDAGOGS”
international research journal ISSN:
2181-3027
_SJIF:
5.449
https://scientific-jl.com/ped
Volume-82, Issue-1, May -2025
314
Metodlar
Ushbu tadqiqotda yo‘l yuzasidagi yamoqlarni avtomatik aniqlash va ularning
hajmini hisoblash bo‘yicha kombinatsiyalangan yondashuv asosida algoritm ishlab
chiqildi. Metodika quyidagi asosiy bosqichlarni o‘z ichiga oladi:
2.1. Raqamli tasvirni oldindan tayyorlash
Tahlil qilinadigan tasvir avvalo kulrang formatga o‘tkaziladi. Bu bosqichda RGB
tasvir cv2.cvtColor() funksiyasi orqali GrayScale formatga o‘zgartiriladi. Bu keyingi
tahlillar uchun zarur bo‘lgan piksellar intensivligini soddalashtirish imkonini beradi.
2.2. Adaptive Thresholding
Kulrang tasvir bo‘yicha binar segmentatsiya amalga oshiriladi. Har bir piksel
o‘zining mahalliy atrofidagi piksel intensivliklariga qarab 0 yoki 255 qiymatga ega
bo‘ladi. Bu bosqich yamoqning aniq chegaralarini ajratib olish uchun muhim.
(1)
Bu yerda μB(x,y) – lokal blokdagi o‘rtacha intensivlik, C esa kompensatsiya
parametri.
2.3. CNN asosida segmentatsiya
CNN arxitekturasi sifatida
U-Net
modeli tanlandi. Ushbu model rasmdagi yamoq
qismini mask tarzida ajratib beradi. Model image-mask juftliklar asosida o‘rgatiladi va
keyinchalik test rasmlarda yamoqni avtomatik segmentatsiya qiladi. CNN
segmentatsiyasi thresholding jarayonining noaniqligini kamaytiradi.
2.4. Canny edge detection orqali kontur aniqlash
Segmentatsiyalangan tasvirga cv2.Canny() funksiyasi qo‘llaniladi. Bu bosqichda
yamoqning kontur chiziqlari aniqlanadi. Keyin cv2.findContours() funksiyasi
yordamida yopiq kontur bo‘yicha yamoq sirt maydoni hisoblanadi.
2.5. Yuza va chuqurlik asosida hajmni hisoblash
Kontur maydoni quyidagi formula orqali hisoblanadi:
(2)
Bu
yerda
Ci
–
konturdagi
yopiq
mintaqalar.
Chuqurlik esa tasvirdagi segmentlangan yamoq sohasidagi o‘rtacha piksel qiymatlari
asosida aniqlanadi. Oxirgi hajm quyidagi formulaga asosan hisoblanadi:
(3)
Bu yerda V – hajm (m³), A – yuza (m²), D – chuqurlik (m).
“PEDAGOGS”
international research journal ISSN:
2181-3027
_SJIF:
5.449
https://scientific-jl.com/ped
Volume-82, Issue-1, May -2025
315
Natijalar
Tadqiqot doirasida ishlab chiqilgan metodika asosida yo‘l yamoqlarini
segmentatsiyalash va hajmini baholash bo‘yicha dastlabki eksperimentlar olib borildi.
Sinovlar real yo‘l tasvirlari asosida amalga oshirildi. Quyida metodikaning natijalari
bosqichma-bosqich ko‘rsatib o‘tilgan.
3.1. Segmentatsiya natijalari
CNN (U-Net) modeli yordamida rasmda yamoq joyi aniqlanib, mask holida
ajratib olindi. U-Net modeli thresholding va Canny usullari bilan birgalikda
ishlatilganda segmentatsiya aniqligi oshdi va kontur chegaralari silliq chiqdi.
Rasmlar:
Chapda:
Kirish tasviri
Markazda:
Adaptive thresholding natijasi
O‘ngda:
CNN (U-Net) segmentatsiya + Canny orqali kontur
Segmentatsiyadan keyin aniqlangan mask yordamida kontur topildi va u asosida
sirt maydoni hisoblandi.
1-rasm. Asl rasm, chuqurlik segmenti va to‘g‘rilangan yamoq yuzasi
3.2. Hisoblangan qiymatlar
Parametr
Qiymat
Yamoq yuzasi
(A)
0.021168 m²
Chuqurlik (D)
0.0518 m
Hajm (V = A ×
D)
0.001096 m³
To‘g‘rilash
usuli
Bounding box asosida
“PEDAGOGS”
international research journal ISSN:
2181-3027
_SJIF:
5.449
https://scientific-jl.com/ped
Volume-82, Issue-1, May -2025
316
Hisoblashlarda cv2.contourArea() funksiyasi orqali sirt maydoni, segment
maskdagi piksel intensivligi bo‘yicha chuqurlik aniqlangan. Hajm esa geometrik
formulaga asosan hisoblab chiqildi.
3.3. Taqqoslash natijalari
Yondashuv
Aniqlik darajasi
Xatolik
Oddiy thresholding
O‘rta
~12%
CNN + threshold +
Canny
Yuqori
<5%
Model kombinatsiyasi yordamida yamoqni aniqlashda aniqlik oshdi,
segmentatsiya chegaralarida buzilish kamaydi va kontur silliqligi yaxshilandi. Ushbu
natijalar texnik xizmat xarajatlarini oldindan baholash uchun muhim poydevor yaratdi.
Munozara
Tadqiqotda yo‘l yamoqlarini aniqlash va hajmini hisoblash bo‘yicha sun’iy
intellekt va an’anaviy tasvirni qayta ishlash metodlarining kombinatsiyasi asosida
samarali yondashuv ishlab chiqildi. Olingan natijalar ushbu metodikaning amaliyotda
qo‘llash imkoniyatlari va afzalliklarini ko‘rsatib berdi.
4.1. CNN modelining ahamiyati
U-Net arxitekturasi asosidagi CNN modeli yordamida segmentatsiya aniqligi
sezilarli darajada oshdi. Ayniqsa, murakkab fon, soya yoki yorug‘lik o‘zgarishlari
mavjud bo‘lgan tasvirlarda thresholding metodlari kamroq samara berar ekan, CNN bu
holatlarda barqaror va aniq mask hosil qildi. Segmentatsiyadan olingan mask Canny
edge detection orqali konturga aylantirilganda, yamoq chegaralari silliq va real shaklda
aks ettirildi.
4.2. Kombinatsiyalangan yondashuvning afzalliklari
Thresholding, Canny va CNN metodlarini birgalikda qo‘llash kontur ajratish
jarayonini aniqlashtirdi. Faqat thresholding orqali segmentatsiyada kontur keskin va
buzilgan bo‘lishi mumkin bo‘lsa, CNN yordamida mask aniq va uzluksiz konturga ega
bo‘ldi. Ushbu kombinatsiyalangan yondashuv ayniqsa real tasvirlarda optimal natija
berdi.
4.3. Hisoblash aniqligi
Kontur yuzasi cv2.contourArea() funksiyasi yordamida hisoblangan bo‘lib, CNN
mask asosida aniqlangan yamoq chegaralari real shaklga yaqin bo‘lgani sababli sirt
maydoni va hajm hisoblari yanada ishonchli bo‘ldi. Bu yondashuv an’anaviy
geometrik metodlarga nisbatan 6–12% aniqlikni oshirdi.
4.4. Cheklovlar
Metodikaning kamchilik jihatlaridan biri — CNN modelini o‘qitish uchun
annotatsiyalangan tasvirlar to‘plamining zarurligidir. Bundan tashqari, tasvir sifatining
pastligi, noto‘g‘ri yoritish va shovqinlar natijaga ta’sir ko‘rsatishi mumkin. Kelajakda
“PEDAGOGS”
international research journal ISSN:
2181-3027
_SJIF:
5.449
https://scientific-jl.com/ped
Volume-82, Issue-1, May -2025
317
bu muammolarni hal qilish uchun chuqurlik xaritasi (depth map) yaratish, stereo
kamera yoki LiDAR texnologiyalar bilan integratsiya qilish rejalashtirilmoqda.
Xulosa
Tadqiqotda yo‘l yuzasidagi yamoqlarni avtomatik aniqlash va hajmini baholash
bo‘yicha CNN, thresholding va Canny edge detection metodlarining kombinatsiyasiga
asoslangan yondashuv ishlab chiqildi. U-Net modeli yordamida segmentatsiyalangan
yamoq tasvirlaridan konturlar aniq ajratildi va geometriyaga asoslangan hisob-kitoblar
orqali sirt yuzasi va chuqurlikdan kelib chiqqan holda yamoq hajmi baholandi.
O‘tkazilgan eksperimentlar natijasida CNN modeli yordamida aniqlik oshgani,
thresholding va Canny usullarining kombinatsiyasi segmentatsiya chegaralarining
aniqligini ta’minlagani ko‘rsatildi. Bu yondashuv an’anaviy usullarga nisbatan yuqori
ishonchlilik va aniqlik bilan farqlandi. Kelajakda ushbu metodikani chuqurlik xaritasi,
3D modellashtirish yoki mobil platformalarga integratsiya qilish orqali
takomillashtirish rejalashtirilmoqda.
