Совершенствование технологии обследования кровельного покрытия на основе методов машинного обучения
Аннотация
Актуальность темы исследования. Долговечную и безопасную эксплуатацию промышленных и гражданских зданий обеспечивает их своевременное техническое обследование, включая их ограждающие конструкции. Обследование технического состояния здания (сооружения) - комплекс мероприятий по определению и оценке фактических значений контролируемых параметров, характеризующих работоспособность объекта обследования и определяющих возможность его дальнейшей эксплуатации, реконструкции или необходимость восстановления, усиления, ремонта, и включающий в себя обследование грунтов основания и строительных конструкций на предмет выявления изменения свойств грунтов, деформационных повреждений, дефектов несущих конструкций и определения их фактической несущей способности [38]. Процесс работ по техническому обследованию, включающий визуальный осмотр, обнаружение дефектов и их анализ, может быть усовершенствован за счёт применения методов машинного обучения, так как одна из областей их практического применения – мониторинг и визуализация многомерной информации, а также за счет применения беспилотных летательных аппаратов (далее БПЛА), оборудованных цифровыми камерами высокого разрешения и тепловизорами, обеспечивающими возможность дистанционного проведения работ. Исследование совместного использования методов машинного обучения и БПЛА может помочь в решении ряда важных задач в строительстве: сокращение сроков выполнения работ, исключение погрешностей, допускаемых человеком, максимальная автоматизация процессов, высокий уровень безопасности работ.
Степень разработанности темы исследования. В результате литературного обзора определено, что традиционные технологии обследования кровельного покрытия имеют ряд существенных недостатков: значительная продолжительность работ, субъективизм специалиста, проводящего обследование, риски производственного травматизма, связанные с проведением работ на высоте, усложнение процесса обследования необходимостью устройства предохранительных приспособлений и вспомогательного оборудования для доступа к конструкциям. Также, определено, что существует ограниченное количество публикаций, посвящённых методикам и алгоритмам машинного обучения для решения задач в сфере строительства, что, с одной стороны, ограничивает возможности практического применения машинного обучения, а с другой – усиливает актуальность предлагаемого исследования.
Цель исследования. Совершенствование технологии обследования кровельного покрытия.
Объект исследования. Кровельное покрытие эксплуатируемых зданий, дефекты кровельного покрытия.
Предмет исследования. Технология обследования кровельного покрытия с применением методов машинного обучения и БПЛА.
Задачи исследования
1. Проанализировать существующие технологии обследования кровельного покрытия, а также, имеющийся опыт применения методов машинного обучения и БПЛА в строительстве;
2. Усовершенствовать технологию обследования кровельного покрытия, на основе предложенного способа технического обследования с помощью БПЛА и методов машинного обучения.
3. Разработать алгоритм программы для автоматического обнаружения внешних дефектов кровельного покрытия по цифровым изображениям, основанного на обучении и работе нейронной сети.
Научная новизна исследования. Предложен новый способ технического обследования кровельного покрытия зданий с помощью БПЛА для дистанционного проведения работ и методов машинного обучения для автоматизированной оценки полученных результатов.
Практическая новизна исследования
1. Получены результаты анализа изображений внешних дефектов различных отделочных материалов с помощью нейронной сети, определена структура и содержание исходных данных, необходимых для создания универсальной базы данных дефектов кровельного покрытия.
2. Определена точность и скорость (в м2/с) обработки нейронной сетью изображения поверхности кровельного покрытия для обнаружения внешних дефектов. Эти данные позволяют до проведения работ по обследованию кровельного покрытия установить сколько потребуется времени исходя из значения площади здания в плане, в то время как на скорость проведения визуального осмотра традиционным способом помимо геометрических размеров здания влияет сложность кровли и возможность обеспечения доступа на нее.
3. Разработан алгоритм программы для автоматического обнаружения внешних дефектов кровельного покрытия по цифровым изображениям, основанного на обучении и работе нейронной сети.
Методологической основой исследования послужили существующие технологии обследования кровельного покрытия и опыт применения нейронных сетей в области обнаружения дефектов различных материалов.
Апробация результатов исследования. Основные положения настоящего диссертационного исследования были доложены, рассмотрены и одобрены на V Всероссийском инженерном конкурсе, ФГАОУ ВО «КФУ им. В. И. Вернадского», г. Симферополь, 16-19 декабря 2019.
Публикации. По теме диссертационного исследования автором опубликовано 2 работы, в том числе статья «Analysis of existing domestic and international practices of the unmanned aerial vehicles’ using in construction and some prospects for their using in the Middle Urals» («Анализ существующих отечественных и международных практик применения беспилотных летательных аппаратов в строительстве и перспективы их использования на Среднем Урале») в рамках проведения V Международной конференции «Проблемы безопасности строительных критичных инфраструктур» Safety2019. Данная статья принята к публикации на английском языке в рецензируемом журнале "IOP Conference Series: Materials Science and Engineering (MSE)" (издательство IOP Publishing Ltd.), индексируемом наукометрической базой Scopus.
Структура и объем работы. Диссертация состоит из введения, трех глав с выводами по каждой из них, заключения. Работа содержит 80 страниц машинописного текста, 5 таблиц, 35 рисунков и библиографический список из 55 источников, приложения к работе составлены на 10 страницах.
Степень разработанности темы исследования. В результате литературного обзора определено, что традиционные технологии обследования кровельного покрытия имеют ряд существенных недостатков: значительная продолжительность работ, субъективизм специалиста, проводящего обследование, риски производственного травматизма, связанные с проведением работ на высоте, усложнение процесса обследования необходимостью устройства предохранительных приспособлений и вспомогательного оборудования для доступа к конструкциям. Также, определено, что существует ограниченное количество публикаций, посвящённых методикам и алгоритмам машинного обучения для решения задач в сфере строительства, что, с одной стороны, ограничивает возможности практического применения машинного обучения, а с другой – усиливает актуальность предлагаемого исследования.
Цель исследования. Совершенствование технологии обследования кровельного покрытия.
Объект исследования. Кровельное покрытие эксплуатируемых зданий, дефекты кровельного покрытия.
Предмет исследования. Технология обследования кровельного покрытия с применением методов машинного обучения и БПЛА.
Задачи исследования
1. Проанализировать существующие технологии обследования кровельного покрытия, а также, имеющийся опыт применения методов машинного обучения и БПЛА в строительстве;
2. Усовершенствовать технологию обследования кровельного покрытия, на основе предложенного способа технического обследования с помощью БПЛА и методов машинного обучения.
3. Разработать алгоритм программы для автоматического обнаружения внешних дефектов кровельного покрытия по цифровым изображениям, основанного на обучении и работе нейронной сети.
Научная новизна исследования. Предложен новый способ технического обследования кровельного покрытия зданий с помощью БПЛА для дистанционного проведения работ и методов машинного обучения для автоматизированной оценки полученных результатов.
Практическая новизна исследования
1. Получены результаты анализа изображений внешних дефектов различных отделочных материалов с помощью нейронной сети, определена структура и содержание исходных данных, необходимых для создания универсальной базы данных дефектов кровельного покрытия.
2. Определена точность и скорость (в м2/с) обработки нейронной сетью изображения поверхности кровельного покрытия для обнаружения внешних дефектов. Эти данные позволяют до проведения работ по обследованию кровельного покрытия установить сколько потребуется времени исходя из значения площади здания в плане, в то время как на скорость проведения визуального осмотра традиционным способом помимо геометрических размеров здания влияет сложность кровли и возможность обеспечения доступа на нее.
3. Разработан алгоритм программы для автоматического обнаружения внешних дефектов кровельного покрытия по цифровым изображениям, основанного на обучении и работе нейронной сети.
Методологической основой исследования послужили существующие технологии обследования кровельного покрытия и опыт применения нейронных сетей в области обнаружения дефектов различных материалов.
Апробация результатов исследования. Основные положения настоящего диссертационного исследования были доложены, рассмотрены и одобрены на V Всероссийском инженерном конкурсе, ФГАОУ ВО «КФУ им. В. И. Вернадского», г. Симферополь, 16-19 декабря 2019.
Публикации. По теме диссертационного исследования автором опубликовано 2 работы, в том числе статья «Analysis of existing domestic and international practices of the unmanned aerial vehicles’ using in construction and some prospects for their using in the Middle Urals» («Анализ существующих отечественных и международных практик применения беспилотных летательных аппаратов в строительстве и перспективы их использования на Среднем Урале») в рамках проведения V Международной конференции «Проблемы безопасности строительных критичных инфраструктур» Safety2019. Данная статья принята к публикации на английском языке в рецензируемом журнале "IOP Conference Series: Materials Science and Engineering (MSE)" (издательство IOP Publishing Ltd.), индексируемом наукометрической базой Scopus.
Структура и объем работы. Диссертация состоит из введения, трех глав с выводами по каждой из них, заключения. Работа содержит 80 страниц машинописного текста, 5 таблиц, 35 рисунков и библиографический список из 55 источников, приложения к работе составлены на 10 страницах.