Уведомления
Авторизуйтесь или зарегистрируйтесь, чтобы оценивать материалы, создавать записи и писать комментарии.
Авторизуясь, вы соглашаетесь с правилами пользования сайтом и даете согласие на обработку персональных данных.
Разработка пермских ученых позволит выявлять аварийные здания с помощью нейросетей
Обслуживающие организации домов часто пренебрегают выполнением периодических осмотров и обследований для определения их технического состояния и своевременного восстановления повреждений — это дорого. При нерегулярных осмотрах сроки безопасной эксплуатации зданий снижаются. Использование беспилотников с автоматическим определением состояния стен позволяет точнее устанавливать наличие дефектов, снизить влияние субъективности экспертов, повысить производительность труда и скорость создания отчетов о состоянии домов. Ученые Пермского Политеха разрабатывают программу с искусственным интеллектом, способную выявлять аварийное состояние зданий и его причины по фотографиям трещин. Проектом уже заинтересовалось ведущее промышленное предприятие Пермского края.
Статья опубликована в журнале «Строительные конструкции, здания и сооружения». Исследование проведено в рамках реализации программы стратегического академического лидерства «Приоритет-2030».
Сегодня известны технологии автоматического определения дефектов на бетонных зданиях. Кирпичные дома отличаются от них характером трещин: они могут быть короткими и с малым раскрытием. В связи с этим может быть недостаточно разрешения изображений или видео, чтобы определить их при съемке с уровня земли. Также в России есть разработки по выявлению разрушений на кирпичных конструкциях, но они созданы на более старых нейросетях и не устанавливают причины возникновения.
Ученые Пермского Политеха создают технологию с использованием ИИ, которая позволит автоматически распознать трещины на поверхности фасадов зданий и выявить фактор их появления. Для этого эксперты написали код в программе Google Colab, в которую загрузили исходный набор данных для обучения нейросетей. Наличие посторонних предметов, условия съемки и прочее сказываются на результатах и требуют большого объема информации – т.е. серьезных временных затрат. Поэтому политехники умышленно ограничили данные до 780 обучающих и 30 тестовых изображений (640×640 пикселей). Этого достаточно для проверки эффективности.
«В основе нашей разработки – сверточные нейросети, которые помогают компьютерам видеть и понимать изображения и видео. По ходу обучения модель тренируется обнаруживать дефекты на фотографиях фасадов с трещинами и без. Она прогнозирует их расположение по «обучающим» фото, сравнивает с правильным вариантом, определяет, насколько ошиблась, и проводит корректировку. Один полный проход по всему обучающему набору данных называется эпохой. Методом подбора количества эпох от 10 до 75 мы выявили, что оптимальное число таких подходов – 50. Если значение меньше, снижается точность показателей, если больше – почти не меняется, но длительность обучения увеличивается примерно в 1,57 раза», – комментирует Сергей Крылов, аспирант кафедры «Строительные конструкции и вычислительная механика» ПНИПУ.
«Сегодня программа определяет трещины на тестовых фотографиях за время не более 20 миллисекунд, то есть не менее трех кадров в секунду. Планируется улучшить этот показатель до восьми кадров, что позволит качественно определять дефекты на видео в реальном времени с использованием беспилотных летательных аппаратов. Точность определения сейчас доходит до 60 процентов. В будущем стремимся повысить ее до 95 процентов и более, а также доработать часть, отвечающую за определение причин появления трещин», – рассказывает Галина Кашеварова, профессор кафедры «Строительные конструкции и вычислительная механика» ПНИПУ, доктор технических наук.
Созданная учеными ПНИПУ программа в дальнейшем позволит повысить точность и скорость своевременного выявления аварийных зданий и тем самым повысит их безопасность. На данном этапе разработка позволяет ускорять создание технических отчетов о состоянии домов, снижая ручной труд.
Telegram 
Дзен 
VK Во время недавних наблюдений карликовой планеты Квавар что-то неожиданно почти полностью закрыло ее собой. Астрономы уверены, что это не ее спутник Вейвот и не одно из двух известных колец этого маленького мира на краю Солнечной системы.
Самая большая планета в Солнечной системе, всегда поражавшая воображение своими колоссальными размерами, немного сдала позиции. Новые высокоточные измерения орбитального зонда NASA показали, что Юпитер не такой большой и круглый, как считали астрономы последние 40 лет.
Ученые обнаружили, что общепринятые константы, с помощью которых химики предсказывают свойства молекул, содержали ошибки. Исправленные значения констант теперь объясняют ранее непонятные химические аномалии и позволяют предсказывать свойства новых материалов для квантовых технологий, датчиков и умных покрытий.
Исследования самодержавия могут пролить свет на феномен, исконно свойственный российской государственности, а значит, переосмыслить исторический путь России и выработку новых направлений развития, к такому выводу пришел ученый ТюмГУ.
Самая большая планета в Солнечной системе, всегда поражавшая воображение своими колоссальными размерами, немного сдала позиции. Новые высокоточные измерения орбитального зонда NASA показали, что Юпитер не такой большой и круглый, как считали астрономы последние 40 лет.
Во время недавних наблюдений карликовой планеты Квавар что-то неожиданно почти полностью закрыло ее собой. Астрономы уверены, что это не ее спутник Вейвот и не одно из двух известных колец этого маленького мира на краю Солнечной системы.
Исследования самодержавия могут пролить свет на феномен, исконно свойственный российской государственности, а значит, переосмыслить исторический путь России и выработку новых направлений развития, к такому выводу пришел ученый ТюмГУ.
Третий известный межзвездный объект 3I/ATLAS летит примерно вдвое быстрее обоих своих предшественников. По расчетам, его вряд ли могло выбросить из родной планетной системы с подобной скоростью, и так разогнаться по пути он тоже не мог.
Все больше покупателей начинают отказываться от привычки делать покупки на маркетплейсах, а число новых продавцов на площадках практически не увеличилось. Аналитика показывает, что за первый квартал 2025 года — прирост селлеров составил всего 0,45% по сравнению с аналогичным периодом прошлого года. В то же время, маркетплейсы активно расширяют сеть пунктов выдачи, особенно в регионах, где физическое присутствие всех брендов невозможно. Ученые Пермского Политеха рассказали, почему люди стали реже совершать покупки на маркетплейсах.
Вы попытались написать запрещенную фразу или вас забанили за частые нарушения.
Понятно
Из-за нарушений правил сайта на ваш аккаунт были наложены ограничения. Если это ошибка, напишите нам.
Понятно
Наши фильтры обнаружили в ваших действиях признаки накрутки. Отдохните немного и вернитесь к нам позже.
Понятно
Мы скоро изучим заявку и свяжемся с Вами по указанной почте в случае положительного исхода. Спасибо за интерес к проекту.
Понятно