ВИЯВЛЕННЯ ТРІЩИН У БЕТОНІ НА ОСНОВІ ЗОБРАЖЕНЬ ВИКОРИСТОВУЮЧИ AMAZON WEB SERVICE REKOGNITION

Roman Mysiuk, Volodymyr Yuzevych, Iryna Mysiuk, Ihor Ohirko

Анотація


Бетон є основою для багатьох конструкцій в архітектурі та інфраструктурі. Під впливом зовнішніх факторів і навантаження від експлуатації цей матеріал може руйнуватися. Спочатку в бетоні можуть утворюватися мікротріщини, які з часом переростають у великі тріщини. Виявлення таких тріщин можна здійснити за допомогою інформаційних технологій. Хмарні технології сьогодні набирають популярності. Серед найбільших постачальників послуг у цьому напрямку – Amazon Web Service. У цьому хмарному середовищі є багато можливостей для обчислень із використанням штучного інтелекту. Також за допомогою вбудованого механізму автоматичного машиного навчання дає змогу швидко налаштовувати та отримувати результати після навчання для подальшого аналізу.

У роботі розпізнавання тріщин у бетоні виконується за допомогою Amazon Web Service Rekognition. Проаналізовано можливості виявлення об’єктів на зображеннях за допомогою Personal Protective Equipment та Label Detection. Крім цього, описано інші можливості проведення розпізнавання на основі готових до використання моделей для різних об’єктів дослідження. Personal Protective Equipment може застосовуватися для виділення головних частин тіла людини. При чому таких спосіб можна вважати ефективним для розпізнавання навіть при наявності закритих частин тіла. Зображення з бетонною тріщиною та корозійною трубою були проаналізовані на відповідність міткам. Встановлено основні залежності між мітками та вмісту зображень.

На основі наданих тестових і тренувальних зображень з дефектами тріщини розпізнаються за допомогою спеціальних міток Amazon Rekognition. Визначено основні елементи зображення, а саме бетон і тріщини. Описано процес налаштування міток та навчання у веб сторінці. У процесі кількох виконаних ітерацій навчання  протестовано зміну кількість міток та величину виділених рамок об’єктів. Проаналізовано співідношення залежності кількості тестових та тренувальних зображень для кращого розпізнавання. В результаті описаний метод розпізнавання можна використовувати для автоматичного виявлення дефектів у бетон чи інших матеріалах.

Ключові слова: машинне навчання, бетон, тріщина, виділена рамка, мітка, хмарні технології.


Повний текст:

PDF (English)

Посилання


  1. Georgiana-Lucia Coca, Ștefan-Cosmin Romanescu, Șerban-Mihai Botez, Adrian Iftene // Crack detection system in AWS Cloud using Convolutional neural networks, Procedia Computer Science, 2020, Vol. 176, P. 400-409, ISSN 1877-0509, https://doi.org/10.1016/j.procs.2020.08.041.
  2. G. K. Choudhary and S. Dey. Crack detection in concrete surfaces using image processing, fuzzy logic, and neural networks // 2012 IEEE Fifth International Conference on Advanced Computational Intelligence (ICACI), Nanjing, 2012, P. 404-411. https://doi.org/10.1109/ICACI.2012.6463195.
  3. Vedrtnam, A., Kumar, S., Barluenga, G. et al. // Early crack detection using modified spectral clustering method assisted with FE analysis for distress anticipation in cement-based composites. Sci Rep 11. 2021. https://doi.org/10.1038/s41598-021-99010-8
  4. Chen X, Lian Q, Chen X, Shang J. (2022) Surface Crack Detection Method for Coal Rock Based on Improved YOLOv5. Applied Sciences. 12(19), 9695. https://doi.org/10.3390/app12199695
  5. Golding VP, Gharineiat Z, Munawar HS, Ullah F. // Crack Detection in Concrete Structures Using Deep Learning. Sustainability. 2022. 14(13), 8117. https://doi.org/10.3390/su14138117.
  6. Overview of Amazon Web Services. [Online]. URL: https://d1.awsstatic.com/whitepapers/aws-overview.pdf
  7. Vivek Kumar Singh & Kailash Joshi // Automated Machine Learning (AutoML): an overview of opportunities for application and research, Journal of Information Technology Case and Application Research, 2022, 24(2), pp. 75-85 10.1080/15228053.2022.2074585
  8. Indla, Raghavendra Kumar // An Overview on Amazon Rekognition Technology. Electronic Theses, Projects, and Dissertations. 2021. 1263. https://scholarworks.lib.csusb.edu/etd/1263
  9. Delhi Venkata Santosh Kumar, Sankarlal R., Thomas Albert // Detection of Personal Protective Equipment (PPE) Compliance on Construction Site Using Computer Vision Based Deep Learning Techniques. Frontiers in Built Environment, 2020. Vol. 6, https://doi.org/10.3389/fbuil.2020.00136
  10. Xiaokang Ren, Wenqiao Wang, Jie Ren, Xuetao Mao, Mai Zhang // Research and Application of Label Defect Detection Method Based on Machine Vision. Journal of Physics: Conference Series 1453 2020 https://doi.org/10.1088/1742-6596/1453/1/012084
  11. Amazon Simple Storage Service Documentation [Online]. URL: https://docs.aws.amazon.com/s3/index.html
  12. Metrics to Evaluate your Machine Learning Algorithm [Online]. URL: https://towardsdatascience.com/metrics-to-evaluate-your-machine-learning-algorithm-f10ba6e38234.




DOI: http://dx.doi.org/10.30970/eli.20.3

Посилання

  • Поки немає зовнішніх посилань.