يُعد اكتشاف تلف البنية وتقييم صحتها أمرًا حاسما للحفاظ على سلامة البنية التحتية ومتانتها. تقدم هذه الدراسة إطار عمل جديد قائم على الرؤية متعددة المقاييس يجمع بين التعلم العميق والتعلم الآلي لتقييم سلامة الهيكل بدقة وقابلية تفسير. على وجه التحديد، نقوم بدمج نماذج ResNet-50 و SegFormer لتحقيق تصنيف تلف على مستوى تقريبي وتقسيم بكسلي دقيق. يتم استخراج سبعة معايير أساسية للتلف بشكل كمي من الصور عالية الدقة، مثل طول الشق، منطقة التبقع، وانكشاف الحديد، وتُستخدم كميزات قابلة للتفسير لتقييم السلامة. تم تطوير نموذج غابة عشوائية (RF) لإنشاء تخطيط غير خطي من هذه الميزات المرئية إلى مستويات السلامة الهيكلية. تظهر النتائج التجريبية أن نموذج تقييم السلامة المستند إلى RF يتفوق على طرق التعلم الآلي التقليدية الأخرى، محققًا دقة بنسبة 87.0%، ودرجة F1 بمقدار 0.76، ومساحة تحت المنحنى (AUC) بقيمة 0.83، مما يبرز قدرته العالية على التعميم والتصنيف. يقدم هذا العمل حلاً شاملاً وقابلًا للتعميم للكشف التلقائي عن تلف الهيكل وتقييم السلامة.
درس وانغ وآخرون (Mon,) هذا السؤال.