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.
Разработка Пермского Политеха позволит выявлять аварийные здания с помощью нейросетей / © Georgi Kalaydzhiev, Unsplash
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.
