ІДЕНТИФІКАЦІЯ ТРІЩИН У ВЕРТИКАЛЬНИХ ЕЛЕМЕНТАХ БУДІВЕЛЬНИХ КОНСТРУКЦІЙ ЗА ДОПОМОГОЮ ЗГОРТКОВИХ НЕЙРОННИХ МЕРЕЖ
DOI:
https://doi.org/10.30838/J.BPSACEA.2312.250423.65.933Ключові слова:
діагностика будівель і споруд, дефекти будівельних конструкцій, тріщини, нейронні мережі, комп’ютерний зір, Teachable Machine, TensorFlowАнотація
Постановка проблеми. Актуальною проблемою сучасного будівництва стало розроблення нових методів ідентифікації дефектів будівельних конструкцій, які б заощаджували людські ресурси та зменшували залежність результатів обстеження від суб’єктивних людських чинників. Мета роботи полягає у розробленні штучних нейронних мереж для виявлення тріщин у вертикальних елементах будівельних конструкцій (на прикладі бетонних та залізобетонних стін) та їх класифікації за напрямом. Методика. Хмарний інструмент Teachable Machine застосовувався для створення нейронної мережі із закритою внутрішньою архітектурою. Використання бібліотек програмної платформи TensorFlow дозволило розробити згорткову нейронну мережу з оригінальною архітектурою. Програмний код написано мовою Python. Для створення та навчання моделі використовувалося хмарне середовище розробки програмного забезпечення Colab. Наукова новизна. Обчислено нові моделі штучних нейронних мереж для ідентифікації дефектів будівельних конструкцій. Визначено раціональні значення параметрів навчання та раціональну архітектуру згорткової нейронної мережі, які дозволяють досягти найбільшої точності та найменших втрат моделі під час розпізнавання та класифікації тріщин. Практична значимість. Розроблені моделі нейронних мереж та одержані за їх допомогою результати свідчать про високу ефективність застосування методів штучного інтелекту для вирішення проблем діагностики будівельних конструкцій. На відміну від традиційних способів обстеження, запропоновані моделі дозволяють проводити діагностику автоматично в режимі реального часу шляхом аналізу фотографічних зображень, зображень з веб-камери комп’ютера, смартфона чи квадрокоптера. Останнє дає можливість виконувати обстеження споруд без фізичної присутності спеціалістів на об’єкті, що особливо важливо під час роботи в небезпечних місцях: на висоті, в аварійних та частково зруйнованих будівлях, на замінованих територіях тощо. Висновки. Запропоновані у роботі методи розроблення нейронних мереж у подальшому можуть бути розвинуті для діагностики та класифікації широкого кола дефектів будівельних конструкцій і споруд.
Посилання
Березюк А. Н., Савицкий Н. В., Шимон Н. И. и др. Диагностика и оценка технического состояния строительных конструкций и оснований зданий и сооружений. Днепропетровск, 1996. 176 с.
Лучко І. Й., Коваль П. М., Дем'ян М. Л. Методи дослідження та випробування будівельних матеріалів і конструкцій. HAH України : Фіз.-мех. ін-т ім. Г.В. Карпенка. Львів : Каменяр, 2001. 425 с.
Суханов В. Т., Коробко О. О., Лисенко В. А. Діагностика, оцінка та методи обстеження. Одеса : Optimum, 2005. 190 с.
Бліхарський З. Я. Реконструкція та підсилення будівель і споруд. Львів : Вид-во НУ «Львівська політехніка», 2008. 106 с.
Perez H., Tah J. H. M., Mosavi A. Deep learning for detecting building defects using convolutional neural networks. Sensors. 2019. № 19. P. 3556. (22 pages).
Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition. ArXiv. 2014. Vol. 1409. P. 1556.
Rajadurai R. S., Kang S-T. Automated vision-based crack detection on concrete surfaces using deep learning. Appl. Sci. 2021. № 11. P. 5229 (14 pages).
Krizhevsky A., Sutskever I., Hinton G. E. ImageNet classification with deep convolutional neural networks. Communications of the ACM. 2017. № 60. Pp. 84–90.
Dorafshan S., Coopmans C., Thomas R. J., Maguire M. Deep learning neural networks for sUAS-assisted structural inspections : feasibility and application. Proceedings of 2018 International Conference on Unmanned Aircraft Systems (Dallas, USA). 2018. Pp. 874–882.
Chun P-J., Yamane T., Maemura Yu. A deep learning-based image captioning method to automatically generate comprehensive explanations of bridge damage. Comput. Aided Civ. Inf. 2022. № 37. Рp. 1387–1401.
Munawar H. S., Hammad A. W. A., Haddad A., Soares C. A. P., Waller S. T. Image-based crack detection methods: a review. Infrastructures. 2021. № 6. P. 115 (20 pages).
Maguire M., Dorafshan S., Thomas R. J. SDNET2018 : а concrete crack image dataset for machine learning applications. Utah State University, 2018. URL : https://doi.org/10.15142/T3TD19
Веб-сайт хмарного інструменту Teachable Machine. URL : https://teachablemachine.withgoogle.com
Веб-сайт бібліотеки машинного навчання TensorFlow на JavaScript. URL : https://www.tensorflow.org/js
Веб-сайт платформи машинного навчання TensorFlow. URL : https://www.tensorflow.org
Веб-сайт хмарного середовища Colaboratory. URL : https://colab.research.google.com
Веб-сайт інтерактивного середовища розробки програмного забезпечення Jupyter. URL: https://jupyter.org
##submission.downloads##
Опубліковано
Версії
- 2025-01-22 (2)
- 2023-05-07 (1)
Номер
Розділ
Ліцензія
Авторське право (c) 2023 Савицький М. В., Данішевський В. В., Гайдар А. М.
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
<a rel="license" href="http://creativecommons.org/licenses/by/4.0/"><img alt="Creative Commons License" style="border-width:0" src="https:/ /i.creativecommons.org/l/by/4.0/88x31.png" /></a><br />Ця робота ліцензована за <a rel="license" href="http://creativecommons.org /licenses/by/4.0/">Міжнародна ліцензія Creative Commons Attribution 4.0</a>.
