ВИЯВЛЕННЯ ДЕФЕКТІВ ПЛОСКИХ ПОКРІВЕЛЬ ЗА ДОПОМОГОЮ МЕТОДІВ МАШИННОГО НАВЧАННЯ ТА ГЛИБОКОГО НАВЧАННЯ

Автор(и)

  • Mykyta Hryhorovych

DOI:

https://doi.org/10.34185/1991-7848.itmm.2025.01.036

Ключові слова:

глибинне навчання, моніторинг стану будівель, нейронні мережі, YOLO, CNN, плоскі дахи.

Анотація

У контексті поточної війни в Україні забезпечення безпеки та довговічності будівель і інфраструктури є надзвичайно важливим. Традиційні методи інспектування для виявлення структурних пошкоджень—таких як тріщини, відшарування або корозія—вимагають значних людських ресурсів, багато часу та схильні до помилок. У цьому дослідженні розглядається можливість застосування технологій глибинного навчання, особливо для пласких покрівель. Моделі, зокрема CNN, U-Net, YOLO та автоенкодери, дають змогу ефективно виявляти дефекти на основі візуальних і теплових даних, навіть у складних чи важкодоступних умовах. Використання безпілотних літальних апаратів (БПЛА) полегшує швидкий збір зображень і знижує витрати та ризики, пов’язані з ручними перевірками. Результати свідчать, що методи, керовані штучним інтелектом, можуть суттєво підвищити точність перевірок, прискорити технічне обслуговування та забезпечити раннє виявлення критичних пошкоджень, що надзвичайно важливо для безпеки інфраструктури в умовах конфлікту. Інтеграція глибинного навчання в системи моніторингу технічного стану споруд пропонує надійний і автоматизований підхід для захисту будівель і оптимізації зусиль із їх обслуговування.

Посилання

Jia, J., & Li, Y. (2023). Deep Learning for Structural Health Monitoring: Data, Algorithms, Applications, Challenges, and Trends. Sensors, 23(21), 8824.

Bai, Y., Sezen, H., & Yilmaz, A. (2021). Detecting Cracks and Spalling Automatically in Extreme Events by End-to-End Deep Learning Frameworks. ISPRS Annals V-2-2021, 161–168.

Montoya, G. A., et al. (2023). Toward Reliable Post-Disaster Assessment: Advancing Building Damage Detection Using YOLO and Satellite Imagery. Mathematics, 13(7), 1041.

Neto, M. S., et al. (2024). Structural Damage Identification Using Autoencoders: A Comparative Study. Buildings, 14(7), 2014.

Xu, Y., et al. (2022). Mechanics-Informed Autoencoder Enables Automated Detection and Localization of Damage in Structures. Nature Communications.

Jin, T., et al. (2023). Deep-Learning- and UAV-Based Structural Crack Detection in Concrete. Buildings, 13(12), 3114.

Wu, Z., et al. (2025). VM-UNet++ Research on Crack Image Segmentation Based on Improved U-Net. Scientific Reports, 15, 8938.

Завантаження

Опубліковано

2025-06-04

Номер

Розділ

Статті