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

سازه‌های مصالح بنایی، شمار بالایی از سازه‌های ساخته‌ی دست بشر را تشکیل می‌دهند. با توجه به اهمیت تاریخی و همچنین شرایط محیطی، بسیاری از سازه‌های مذکور نیازمند یک سیستم پایش سلامت کارا هستند. پیشرفت‌های اخیر در حوزه‌ی هوش مصنوعی و بینایی رایانه، دستیابی به سیستم موردنظر را بیش از پیش نزدیک کرده است. در پژوهش حاضر، فرایند شناسایی ترک در تصاویر سازه‌های مصالح بنایی با استفاده از یک مدل یادگیری عمیق انجام پذیرفته است. در توسعه‌ی الگوریتم مذکور، از یک مدل رمزگذار رمزگشای کانولوشنال استفاده شده است که خروجی آن، تصویری بخش‌بندی شده از تصویر ورودی بوده است. در پژوهش حاضر، مجموعه‌ی داده‌یی متشکل از 115 تصویر از سازه‌های مصالح بنایی که وقوع ترک در آن‌ها رخ داده است، گردآوری و پس از برچسب‌گذاری دستی آن‌ها، اقدام به آموزش و ارزیابی شده است. درنهایت، دقت‌های صحت، فراخوانی و معیار f1 به ترتیب برابر81/444%، 71/411% و 75/366% برای داده‌های ارزیابی و در مقیاس پیکسل حاصل شده است.

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

masonry structures comprise a large proportion of humanmade 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 encoderdecoder architecture to automate crack detection in masonry structure images. in the current study, semantic segmentation is proposed as a 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 efficientnetb3 as the encoder while the decoder was defined according to unet’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, transfer learning is used to train the model and the data augmentation techniques are implemented to achieve the optimal results on the present dataset. furthermore, using the dicecoefficient loss function directly optimizes the model for f1score, which is the main evaluation parameter in semantic segmentation tasks. finally, the evaluation demonstrated 81.444% precision, 71.411% recall, and 75.366% f1score for the neverseen 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.