Виявлення дефектів плоских покрівель за допомогою методів машинного навчання та глибокого навчання

Анотація

Глибоке навчання стало проривним підходом до виявлення конструктивних по-шкоджень і деформацій, зокрема для плоских покрівель та великомасштабної інфра-структури. У цій статті узагальнено останні досягнення в застосуванні згорткових нейронних мереж (CNN), моделей сегментації, детекторів об’єктів (YOLO, Faster R-CNN) та автокодерів для безнаглядного виявлення аномалій. Дрони (БПЛА), теплові-зійна зйомка та вібраційне зондування забезпечують критично важливі дані. Завдяки навчанню на зображеннях або сигналах, які відображають нормальний або пошко-джений стан, моделі глибокого навчання можуть швидко й точно виявляти тріщини, відшарування бетону, відсутні кріплення або втрату жорсткості — часто з точніс-тю понад 85 %. Огляд понад 300 наукових публікацій свідчить, що дистанційна інспек-ція за допомогою ШІ може суттєво зменшити обсяг ручної праці та покращити ста-більність ідентифікації ушкоджень навіть у небезпечних або важкодоступних зонах. Підсумкова таблиця порівнює ефективність глибокого навчання для балок, стін, пере-криттів, покрівель та інших конструктивних елементів. Реальні приклади впрова-дження на мостах, фасадах висотних будівель і у зонах після стихійних лих підтвер-джують, що глибоке навчання у поєднанні з інспекцією БПЛА здатне прискорити об-слуговування, виявити приховані дефекти та зменшити ризики для безпеки. Серед ак-туальних викликів — нестача даних для рідкісних типів пошкоджень, складність уза-гальнення моделей на нові умови та потреба у поєднанні з фізичними моделями. Серед рекомендацій для подальших досліджень — об’єднання мультиспектральних даних, автоматизація калібрування моделей та інтеграція ШІ в цифрові двійники для постій-ного моніторингу стану конструкцій.