Обнаружение дефектов на зданиях и сооружения с помощью искусственного интеллекта

Размещено на http://www.allbest.ru/

Северный (Арктический) федеральный университет

Обнаружение дефектов на зданиях и сооружения с помощью искуственного интеллекта

Аксентов В.А. студент 4 курса САФУ

г. Архангельск, Россия

Аннотация

В данной статье рассматривается автоматизированное обнаружение дефектов на зданиях с использованием искусственного интеллекта. Исследуются методы, включая YOLOv8 и ResNet, для оптимизации выбора зданий для ремонта. Рассматривается применение нейронных сетей (Mask R-CNN, EfficientDet, U-Net) для точного выделения дефектов. Указывается на перспективы проекта, такие как улучшение точности, многокритериальная оценка состояния зданий и интеграция с облачными технологиями.

Ключевые слова: глубокое обучение, искусственный интеллект, машинное обучение, ИТ, автоматизация, сегментация, нейронные сети.

Abstract

Aksentov V.A.

Northern (Arctic) Federal University (Arkhangelsk, Russia)

DETECTION OF DEFECTS ON BUILDINGS AND STRUCTURES USING ARTIFICIAL INTELLIGENCE

This article explores automated defect detection on buildings using artificial intelligence. Methods, including YOLOv8 and ResNet, are investigated for optimizing the selection of buildings for repair. The application of neural networks (Mask R-CNN, EfficientDet, U-Net) for precise defect detection is examined. The article highlights project prospects such as accuracy improvement, multi-criteria assessment of building conditions, and integration with cloud technologies.

Keywords: deep learning, artificial intelligence, machine learning, IT, automation, segmentation, neural networks.

Исследование автоматизации обнаружения дефектов на зданиях и сооружениях с применением искусственного интеллекта представляет собой важный этап в развитии технологий строительства и обслуживания инфраструктуры. В данном контексте рассматриваются методы оптимизации процесса выбора зданий для капитального ремонта с использованием искусственного интеллекта. Проект включает в себя разметку данных для обучения [3], создание сервиса, на котором в дальнейшем можно будет выполнять автоматическую проверку строений: классификацию серий зданий, тепловизионную сегментацию, сегментацию дефектов и вынесение общего вердикта по полученным признакам.

В рамках разметки данных необходимо провести подробную классификацию зданий, учитывая их характеристики и степень износа. Для этого можно использовать методы глубокого обучения, такие как YOLOv8 для детекции и сегментации, а также ResNet для более точной классификации серий зданий. дефект здание нейронный сеть

YOLOv8 (You Only Look Once) [1] предоставляет высокую скорость обнаружения объектов и может быть эффективно применен для выделения контуров зданий, а также представляет собой эффективную архитектуру для обнаружения объектов на изображениях. Его ключевым преимуществом является высокая скорость обнаружения объектов, что делает его идеальным выбором для анализа большого объема изображений зданий. Благодаря способности одновременно рассматривать всю картину, YOLOv8 обеспечивает быстрое и точное выделение контуров зданий.

ResNet, благодаря своей глубокой архитектуре, обеспечивает высокую точность при классификации зданий [4]. Также ResNet часто легче обучать, чем некоторые другие глубокие архитектуры, благодаря своей структуре и использованию остаточных блоков. Это особенно важно при наличии ограниченного объема данных, что может быть случаем при классификации серий домов. А еще одним плюсом является то, что ResNet хорошо работает с техникой переноса обучения. Это означает, что модель, предварительно обученная на большом наборе данных, может быть эффективно использована для решения задач классификации серий домов с меньшим объемом данных.

Для более точной классификации зданий, учитывая их характеристики и степень износа, предлагается комбинированный подход, использующий несколько архитектур глубокого обучения. Кроме упомянутых YOLOv8 и ResNet, можно рассмотреть использование ансамблевых моделей, объединяющих результаты различных алгоритмов для повышения точности классификации.

Также в процессе сегментации зданий и выделения дефектов можно дополнительно применять Mask R-CNN. Эта архитектура позволяет точно выделять дефекты с использованием масок, что значительно улучшает анализ структурных повреждений. Также, для повышения эффективности обнаружения объектов при низком потреблении ресурсов, стоит рассмотреть применение EfficientDet [5], так как эта архитектура разработана с учетом оптимизации использования ресурсов. Это особенно важно при работе с большим объемом данных и сложными моделями, такими как обнаружение дефектов на изображениях зданий. Модель обеспечивает высокую эффективность обнаружения объектов при минимальном потреблении вычислительных ресурсов, что может быть критически важно для реального применения в проекте.

Благодаря своей архитектуре EfficientDet способен достичь высокой точности обнаружения объектов. Это особенно ценно при выявлении дефектов на зданиях, где требуется максимальная точность для предотвращения упущенных дефектов и ложных срабатываний. Высокая точность обеспечивает более надежные результаты анализа состояния зданий. А также EfficientDet может легко интегрироваться с другими архитектурами нейронных сетей. Это предоставляет возможность комбинировать его с другими моделями, такими как YOLOv8 и ResNet, для достижения комплексного и всестороннего анализа изображений зданий.

Не будем проходить мимо U-Net, изначально предложенный для медицинских изображений. Он может быть эффективно применен для тепловизионной сегментации и сегментации дефектов. Его способность точно выделять области интереса при сохранении пространственной информации делает его полезным инструментом в анализе тепловизионных данных. Однако, у U-Net есть и недостатки, такие как потребление большого количества ресурсов и возможность потери контекста при обработке больших изображений.

Для дальнейшего улучшения точности выявления дефектов предлагается рассмотреть методы многокритериальной оценки состояния зданий. Это позволит более глубоко анализировать различные аспекты состояния зданий и выявлять потенциальные проблемы.

В перспективе интеграция системы с облачными технологиями может существенно улучшить доступность и масштабируемость сервиса. Разработка мобильных приложений для мониторинга состояния зданий дополнительно расширит функциональность проекта, предоставляя пользователям удобные инструменты для отслеживания и управления состоянием их строений.

Автоматизированный подход к обнаружению дефектов на зданиях и сооружениях с применением искусственного интеллекта предоставляет перспективы для более эффективного и экономически обоснованного управления инфраструктурой. Путем комбинации различных методов глубокого обучения и интеграции современных технологий проект может значительно влиять на область строительства и обслуживания зданий.

Список литературы

1. Ultralytics. «YOLOv8 Docs [Электронный ресурс]

2. Githab/milesial. «Pytorch-UNet» [Электронный ресурс]

3. Roboflow. «Building defect cv project» [Электронный ресурс]

4. MindSpore. «Classification Using ResNet-50» [Электронный ресурс]

5. Medium. «EfficientDet - A comprehensive Review [Электронный ресурс]

Размещено на Allbest.ru