شناسایی ترک در سازه های مصالح بنایی به کمک بینایی کامپیوتر بر اساس یادگیری عمیق

نوع مقاله : پژوهشی

نویسندگان

1 رئیس مرکز تحقیقات مهندسی زلزله / دانشگاه صنعتی شریف

2 دانشکده مهندسی عمران، دانشگاه صنعتی شریف، تهران، ایران

چکیده

سازه های مصالح بنایی شمار بالایی از سازه های ساخته دست بشر را تشکیل می هند. با توجه به اهمیت تاریخی و همچنین شرایط محیطی، بسیاری از این سازه ها نیازمند یک سیستم پایش سلامت کارا هستند. پیشرفت های اخیر در حوزه هوش مصنوعی و بینایی کامپیوتر، دست یابی به سیستم مورد نظر را بیش از پیش نزدیک کرده است. در این پژوهش، فرآیند شناسایی ترک در تصاویر سازه های مصالح بنایی با استفاده از یک مدل یادگیری عمیق انجام می-پذیرد. در توسعه این الگوریتم، از یک مدل رمزگذار-رمزگشای کانولوشنال استفاده شده است که خروجی آن، تصویری بخش بندی شده از تصویر ورودی خواهد بود. در این پژوهش مجموعه داده ای متشکل از 115 تصویر از سازه های مصالح بنایی که وقوع ترک در آنها رخ داده است، گردآوری شده و پس از برچسب گذاری دستی آنها، اقدام به آموزش و ارزیابی شده است. در نهایت دقت‌های صحت، فراخوانی و معیار F1 به ترتیب برابر 81/444%، 71/411% و 75/366% برای داده های ارزیابی و در مقیاس پیکسل حاصل شده است.

کلیدواژه‌ها


عنوان مقاله [English]

Crack detection in masonry structures using computer vision based on deep learning

نویسندگان [English]

  • - - 1
  • Mohammad Mousavi 2
1 Head of Earthquake Eng. Research Center / Sharif University of Technology
2 Department of Civil Engineering. Sharif University of Technology. Tehran. Iran
چکیده [English]

Masonry structures comprise a large proportion of human-made building stocks around the world. In many cases, aged masonry structures have been found to be vulnerable to earthquakes and seismic loads. Due to the historical importance and vulnerable conditions of these structures, an efficient structural health monitoring system is required to detect every sign of degradation. Thus, a suitable restoration scheme could be taken into account. Manual visual inspection is one of the earliest monitoring schemes used to inspect these structures. Due to the limitations and dangers imposed by using human resources, new strategies are required to achieve this purpose. Recent developments in Artificial Intelligence and computer vision have helped researchers develop a new generation of autonomous inspection systems. In the present study, we are going to use a deep learning model with an encoder-decoder architecture to automate crack detection in masonry structure images. In the current study, semantic segmentation is proposed as the detailed solution to accurately predict the location and condition of cracks in masonry images. In the development of the main model of the study, we used EfficientNet-B3 as the encoder while the decoder was defined according to U-Net’s expansion path in order to predict the accurate segmentation mask for the corresponding input images. For training and evaluation of the proposed model, a dataset composed of 115 images is generated and manually annotated. In the proposed method, we used transfer learning to train the model and the data augmentation techniques were implemented to achieve the optimal results on the present dataset. Furthermore, using the Dice-Coefficient loss function directly optimizes the model for F1-Score, which is the main evaluation parameter in semantic segmentation tasks. Finally, the evaluation demonstrated 81.444% Precision, 71.411% Recall, and 75.366% F1-Score for the never-seen test data. The study shows that the deep learning approach can be accurate and trustworthy for this task. Also, the limited number of training data and the complex background images in the dataset prove the robustness of the proposed model.

کلیدواژه‌ها [English]

  • structural health monitoring
  • Deep Learning
  • Computer vision
  • Convolutional Neural Network
  • Image segmentation