شناسایی ترک در اعضاء بتنی با استفاده از مدل‌های رمزگذار - رمزگشا بر پایه ی یادگیری عمیق

شناسایی ترک از مسائل ضروری و بنیادی زمینه‌ی پایش سلامت سازه‌های مهندسی است. پژوهش حاضر به ارائه‌ی مدلی بر پایه‌ی یادگیری عمیق پرداخته است، که به واسطه‌ی آن بتوان فرایند شناسایی ترک در سطوح بتنی را به صورت خودکار به انجام رساند. برای رسیدن به بیشترین دقت و همچنین کاهش زمان آموزش مدل از آموزش انتقالی در رویکرد آموزش استفاده شده است. استفاده از انواع روش‌های داده‌افزایی، کمک شایانی به توانایی مدل در مواجهه با شرایط تصویربرداری و نوفه‌های موجود در تصاویر کرده است. مدل مورد نظر با استفاده از یک مجموعه داده‌ی برچسب‌گذاری شده‌ی آموزش دیده و دقت نهایی بر اساس پارامتر ارزیابیاصلی پژوهش برابر 91/38% گزارش شده است. روش موجود نسبت به روش‌های پیشین پردازش تصویر، دقت بسیار بالاتری دارد و همچنین وجود انواع ترک در مجموعه‌ی داده‌ی استفاده شده کمک می‌کند که مدل برای انواع ترک‌ها قابلیت تعمیم داشته باشد و از دقت و کیفیت بخش‌بندی آن کاسته نشود.

crack detection in concrete members using encoderdecoder models based on deep learning

concrete is one of the major materials used in modern structures. concrete members are used as the main structural parts of various infrastructures such as dams, tunnels, bridges, and skyscrapers. however, this wide application requires some accurate and efficient inspection system during the structure’s life. cracks are classified as the earliest symptoms of degradation in concrete members. although manual inspection is a common method in structural health monitoring and crack detection in civil engineering structures, serious limitations caused by implementing human resources degraded the efficiency of the proposed method. in recent years, many studies tried to automate the inspection of these structures by using different sensors such as ultrasonic and piezoelectric sensors, seeming to be costly and insufficient in some cases. with recent development in computer vision techniques, especially deeplearningbased methods, there is an opportunity for researchers to come with autonomous visual inspection systems for structural health monitoring of concrete members. this study proposes a deeplearningbased model for automatic crack detection on the concrete surface. the proposed model is an encoderdecoder model that uses resnet101, a wellknown convolutional neural network, as the encoder and the unet’s expansion path as the decoder. to minimize the training time and maximize the accuracy, we use transfer learning in our approach. the dataset implemented for this study includes 458 images of the cracked surface of concrete members which come with corresponding segmentation label masks. data augmentation techniques strongly increased the robustness of the proposed model encountering different imaging conditions and noises. the proposed model was trained using the backpropagation algorithm and it achieved 99.39% precision and 84.99% recall, which led to a 91.38% f1 score on the unseen test dataset. the accuracy and speed of the present model outperform the existing methods and different crack types composing the dataset help generalize the model for prediction of different crack types and different imaging conditions.