چکیده: شناسایی ناپیوستگی های سنگ، بخشی اساسی از مطالعات و طراحی پروژه های معدنی و عمرانی است. انجام این مطالعات توسط روش های سنتی بسیار سخت، زمان بر و همراه با خطر برای نیروی انسانی است. بنابراین در گستره کامل محدوده پروژه صورت نمی پذیرد. استفاده از پهپاد، دسترسی به کل وسعت پروژه را در کمترین زمان و بدون در خطر قرارگرفتن نیروی انسانی، ممکن ساخته است. در این پایان نامه، با استفاده از هوش مصنوعی و یادگیری عمیق بر بستر برنامه نویسی به زبان پایتون، فرآیند ایجاد و آموزش شبکه عصبی تحت معماری UNET، با هدف شناسایی خودکار ناپیوستگی‌های سطح سنگ با استفاده از تصاویر برداشت شده توسط پهپاد صورت گرفته و نتایج آن به صورت مدل های متنوعی ذخیره شده است. فرآیند یادگیری تحت نظارت، با چالش‌هایی از جمله بیش برازش مواجه شد. حل این چالش با استفاده از تکنیک داده‌افزایی توام با کاهش حدود 6 درصد از پارامترهای مدل صورت پذیرفت. در نتیجه، مقدار معیار انطباق از 53.27 درصد در مدل اولیه، به مقدار 75.6 درصد افزایش یافت. به رغم کمبود قابل توجه داده‌های آموزش در فرآیند یادگیری تحت نظارت، توانایی مدل نهایی تولید شده در شناسایی ناپیوستگی‌های سنگ در تصاویر، قابل‌قبول و چشمگیر بوده است.