Numer: 02/2025 Str. 137
Autorzy: J. Jerushan , S. Jebadurai , Noble Staines , S.R. Subin , V. Ebenezer , Shamila Ebenezer , G. Hemalatha :
Tytuł: Charakterystyka pęknięć w budynkach z wykorzystaniem systemów głębokiego uczenia
Streszczenie: Istotnym obszarem badań jest wykorzystanie algorytmów głębokiego uczenia do wykrywania i charakteryzowania pęknięć w konstrukcjach. Pęknięcia w budynkach mogą powodować katastrofalne zawalenia konstrukcyjne, które zagrażają życiu i mieniu ludzi. Problem ten można rozwiązać za pomocą algorytmów głębokiego uczenia, które umożliwiają bardzo dokładną identyfikację i kategoryzację różnych form pęknięć. W tym badaniu wykorzystano zestaw danych 5000 zdjęć, aby zbadać, w jaki sposób wstępne przetwarzanie obrazu wpływa na skuteczność wykrywania pęknięć metodą głębokiego uczenia. Wyniki wykazały, że zdolność modelu CNN do identyfikowania pęknięć w betonowych budynkach nie jest naruszona przez użycie wstępnie wytrenowanego modelu z wagami RGB. Wstępnie wytrenowany VGG16 i biblioteka Keras Python są używane do tworzenia modelu CNN. Pakiet SciKit Image Python został użyty do podzielenia oryginalnego zestawu danych obrazu na pięć zestawów porównawczych. Utworzony model uzyskał wyniki lepsze niż 98% pod względem dokładności i wartości F1.
Słowa kluczowe: Charakterystyka, pęknięcia, głębokie uczenie, CNN, python