В Новосибирском государственном техническом университете (НГТУ) разработали систему обнаружения трещин с использованием искусственного интеллекта и машинного обучения для анализа изображений и видео с камер наблюдения.
Эта система позволит избежать риска возникновения аварийных ситуаций и экономических потерь, как сообщили в пресс-службе вуза.
Трещины в бетоне могут быть незаметными, но при этом приводить к серьёзным разрушениям. Несвоевременное обнаружение трещин увеличивает вероятность обрушения конструкций. Регулярный мониторинг позволяет избежать серьёзных финансовых затрат: ремонт аварийных зданий обходится дороже, чем профилактическое обслуживание.
Современные технологии, такие как машинное обучение, открывают новые возможности для автоматизированной диагностики. В рамках проекта был собран большой набор данных, включающий изображения с различных объектов, и создана базовая нейронная сеть.
Николай Обидин, разработчик системы, обучил нейронную сеть детектировать трещины в бетоне на основе изображений, обработанных и сегментированных с помощью метода контура. Контур делается на специальном приложении, его выделяют для того, чтобы нейронная сеть могла распознавать эти трещины.
Система анализирует видеопотоки с камер, после чего происходит обработка данных. Искусственный интеллект выявляет трещины на основе обученной модели.
Созданная модель показала точность обнаружения трещин на уровне 95%. Проект прошёл акселерационную программу НГТУ Reactor, которая реализуется в рамках федерального проекта «Платформа университетского технологического предпринимательства» государственной программы «Научно-технологическое развитие Российской Федерации».
Преимущества разработки:
— своевременное выявление проблем — система позволяет обнаруживать трещины на ранней стадии и предотвращать развитие серьёзных повреждений и аварийных ситуаций;
— экономия времени и ресурсов — автоматизированный мониторинг сокращает трудозатраты на ручной контроль, а также снижает затраты на ремонт и обслуживание.
Использование искусственного интеллекта и машинного обучения гарантирует высокую точность детекции трещин, что важно для принятия взвешенных решений.
Разработка будет востребована у строительных компаний, заинтересованных в диагностике состояния зданий для предотвращения аварий и экономии на ремонте, муниципалитетов и государственных органов, которые несут ответственность за безопасность общественных зданий, мостовых конструкций и инфраструктуры в целом, а также у газовых и нефтяных компаний, инженерных фирм и владельцев коммерческой недвижимости.
В планах создателей — оптимизация и масштабирование модели, разработка пользовательского интерфейса, тестирование и доработка, запуск пилотных проектов.
В перспективе Николай Обидин хотел бы, чтобы обученная модель была внедрена в беспилотные аппараты и подводные аппараты, которые будут мониторить состояние железобетонных конструкций и фиксировать трещины как над водой, так и под водой.
