Использование беспилотных летательных аппаратов и методов машинного обучения для технического обследования кровельных покрытий зданий | Статья в журнале «Молодой ученый»

Отправьте статью сегодня! Несмотря на коронавирус, электронный вариант журнала выйдет 6 июня.

Опубликовать статью в журнале

Авторы: ,

Рубрика: Технические науки

Опубликовано в Молодой учёный №17 (307) апрель 2020 г.

Дата публикации: 24.04.2020

Статья просмотрена: 15 раз

Библиографическое описание:

Протасова, М. А. Использование беспилотных летательных аппаратов и методов машинного обучения для технического обследования кровельных покрытий зданий / М. А. Протасова, Н. И. Фомин. — Текст : непосредственный // Молодой ученый. — 2020. — № 17 (307). — С. 71-73. — URL: https://moluch.ru/archive/307/69055/ (дата обращения: 29.05.2020).



В статье обоснована целесообразность применения технологий беспилотных летательных аппаратов (БПЛА) и методов машинного обучения для технического обследования кровельных покрытий промышленных и гражданских зданий.

Ключевые слова: строительство, техническое обследование, кровельное покрытие, БПЛА, машинное обучение, нейронные сети.

Наука сегодняшнего дня — это сплав современных технологий и многолетнего опыта. Говоря о современном строительстве зданий, мы имеем в виду комбинацию разнообразных теоретических знаний о его элементах, опыта эксплуатации здания как сложной технической системы, большого количества способов проектирования и строительства здания, которые все больше совершенствуются благодаря достижениям цифровых технологий.

Ключевыми целями в строительстве были и остаются: безопасность, минимизация временных затрат и погрешностей, возможная автоматизация для уменьшения человеческой ошибки. Одним из эффективных способов достижения этих целей является использование современной техники, в частности, беспилотных летательных аппаратов (далее БПЛА).

Техническое обследование кровельного покрытия для оценки его состояния является достаточно трудоемким процессом, включающим не только детальный осмотр значительной площади, но и своевременное обнаружение (детектирование) возможных дефектов с их последующим анализом (рис. 1). Изучив возможности современных технологий машинного обучения, можно заключить, что указанные процессы обследования кровельного покрытия с достаточной достоверностью и высокой скоростью может выполнять современная техника, в частности БПЛА. Этим обусловлена необходимость исследования возможностей БПЛА и технологий машинного обучения, изложенная в данной статье.

Рис. 1. Характер зависимости стоимости ремонтных работ от своевременности детектирования дефекта

Наиболее перспективной областью применения машинного обучения, искусственных нейронных сетей, является гибкая и самообучающаяся автоматизация производства: оптимизация режимов производственного процесса, контроль качества продукции, мониторинг и визуализация многомерной диспетчерской информации, предупреждение комплексных аварийных ситуаций.

Для трудоемких работ по обследованию кровельного покрытия подобная автоматизация позволяет обеспечить высокую надежность детектирования дефектов и повреждений. Раннее обнаружение дефектов, в свою очередь, обеспечивает экономию ресурсов при эксплуатации здания и предупреждает развитие аварийных ситуаций.

На практике, комплекс работ по обследованию кровельного покрытия традиционным способом занимает около пяти дней, причем эта величина может значительно увеличиваться в зависимости от площади кровли и ее сложности (по данным анализа коммерческих предложений, размещенных в сети Интернет). Такой комплекс обычно включает следующие работы: технический осмотр кровельного покрытия с установлением объемов дефектов и повреждений, а также фиксацией участков их расположения на дефектных схемах, составление отчета с обоснованием перечня и объема ремонтно-восстановительных работ. Аналогичный комплекс работ по обследованию кровельного покрытия с использованием БПЛА, оборудованного фото- видеотехникой и тепловизором, а также методов машинного обучения (для ускоренного и надежного анализа результатов натурного обследования) возможно выполнить за один день, поскольку почти все процессы будут автоматизированы, при этом вероятность возникновения человеческой ошибки, обусловленной, например, опытом специалиста, который проводит визуальное обследование, будет сведена к минимуму.

Рис. 2. Сравнение временных затрат на проведение комплекса работы по обследованию традиционным способом (5 дней — 83 %) и автоматизированным способом (1 день — 17 %)

Помимо явного сокращения времени на проведение обследования можно выделить дополнительные существенные преимущества, которые могут быть получены при использовании БПЛА и технологий машинного обучения:

− исключаются работы на высоте, обеспечивается безопасность производства работ;

− сокращается время возможного перерыва в производственной деятельности предприятия, на территории которого проводится обследование;

− обеспечивается экономия ресурсов на выполнение ремонтных работ, вследствие надежного детектирования дефектов и повреждений покрытия.

Задача надежного детектирования дефекта — это задача достоверного распознавания визуального образа. Применение нейронных сетей является эффективным средством для решения данного вида задач. Исходя из существующего опыта применения технологии нейронных сетей, различными исследователями были определены области задач, для которой применение сети становится наиболее целесообразным [1]. Для обучения нейронной сети возможно применение следующих методов: «классификация» и «обучение с учителем». Нейронной сети на вход подают пару изображений — исходную фотографию и размеченную. При этом в местах наличия дефектов изображение размечают одним цветом, а в местах без дефектов — другим.

Для обеспечения возможности автоматизированного технического обследования кровельного покрытия необходимо создать обучающую базу данных для нейронной сети, которая в дальнейшем будет детектировать дефекты, анализируя данные, полученные при аэросъемке с помощью БПЛА. Перед формированием базы данных необходимо определить категории дефектов и классифицировать их. Далее вручную разметить изображения на предмет наличия дефектов.

Анализируя возможности автоматизированного обследования, необходимо отметить, что все дефекты кровельного покрытия можно разделить на две основные группы: внешние дефекты и тепловые аномалии. Для ведомости внешних дефектов необходимо разделять изображения, которые формируют базу данных, по следующим основным критериям: тип кровельного покрытия; вид дефекта. Для ведомости температурных аномалий такими критериями могут быть: место расположения; расшифровка цвета, соответствующего конкретной температуре.

Рис. 1. Сквозные трещины в рулонном ковре кровли

Рис. 3. Пример дефекта — трещины в кровельном покрытии из наплавляемого рулонного материала

тепловизионное изображение радиатора отпления

Рис. 4. Пример результата тепловизионной съемки с расшифровкой соответствия цвета конкретной температуре в ºС

Тепловая картина аномалий достаточно неравномерна, так как охлаждение происходит постепенно, по мере проникновения холодного воздуха и накопления влаги в толще кровельные покрытия. Непосредственно в месте нахождения мостика холода можно наблюдать температурную аномалию, значительный перепад температур. При этом перепад в 2–3ºС может спровоцировать образование конденсата на внутренней поверхности покрытия [2].

Таким образом, применение БПЛА и методов машинного обучения позволяет обеспечить безопасное производство работ по обследованию кровельных покрытий, существенно сократить сроки их выполнения, а также обеспечить качество их результатов для возможности долговечной и безопасной эксплуатации покрытий промышленных и гражданских зданий.

Литература:

  1. Ясинский, И. Ф. Разработка нейросетевой системы для обнаружения и классификации дефектов ткани на мерильно-браковочном оборудовании. Иваново, 2007. — 192 с. [Электронный ресурс] / Ясинский И. Ф. — Разработка нейросетевой системы для обнаружения и классификации дефектов ткани на мерильно-браковочном оборудовании, 2007. Режим доступа: http://www.dslib.net/mashyny-agregaty/razrabotka-nejrosetevoj-sistemy-dlja-obnaruzhenija-i-klassifikacii-defektov-tkani-na.html — Дата обращения: 16.04.2020.
  2. СП 50.13330.2012 Тепловая защита зданий. Актуализированная редакция СНиП 23–02–2003.
  3. СП 13–102–2003. Правила обследования несущих строительных конструкций зданий и сооружений.
  4. Коренев, В. В. Строительный контроль зданий и сооружений с применением мультикоптеров и фотограмметрии [Электронный ресурс] / В. В. Коренев, Н. С. Орлова, А. В. Улыбин, С. Д. Федотов. — Строительство уникальных зданий и сооружений, 2018. Режим доступа: https://unistroy.spbstu.ru/userfiles/files/2018/2(65)/3_Orlova_65.pdf — Дата обращения: 16.04.2020.
Основные термины (генерируются автоматически): кровельное покрытие, машинное обучение, нейронная сеть, техническое обследование, экономия ресурсов, комплекс работ, человеческая ошибка, традиционный способ, современная техника, день.


Похожие статьи

Применение машинного обучения для обнаружения сетевых...

Применение методов машинного обучения для обнаружения вторжений позволит

Обучение нейронной сети (Training) — поиск такого набора весовых коэффициентов, при

Обучение многослойного персептрона методом обратного распространения ошибки предполагает.

Неконтролируемые методы машинного обучения при...

Представлена классификация методов машинного обучения. Ключевые слова: неконтролируемое машинное обучение, система

1.1. Неконтролируемые нейронные сети. Два типичных примера неконтролируемых нейронных сетей это самоорганизующаяся карта и...

Контролируемые методы машинного обучения как средство...

Все существующие методы машинного обучения обнаружения аномалий можно разделить на два класса: контролируемые и неконтролируемые методы [1]

3. Контролируемая нейронная сеть (NNs). NNS предсказывают поведение различных пользователей и демонов в системах.

Исследования особенностей развития нейронных сетей...

Высокие результаты работы нейронных сетей в области медицины исходят из того, что качество работы

Также, искусственная нейронная сеть способна извлекать и применять знания, ранее

Они применяются в самых различных областях: в медицине, физике, технике.

Нейросетевые технологии и их применение при прогнозировании...

Обучение нейронной сети производилось методом «с учителем» - это такой способ постановки эксперимента, в ходе которого система обучается с помощью примеров «вход-эталон». Между входами (факторами, влияющими на ДПЦ) и эталонным выходом (ДПЦ) может...

Практическое применение искусственных нейронных сетей...

Искусственная нейронная сеть (ИНС) — математическая модель, а также её программное

ИНС способны решать задачи, которые относятся к машинному обучению, а именно

Работа нейронных сетей схожа с работой памяти — они запоминают признаки, части изображений.

GRU и LSTM: современные рекуррентные нейронные сети

нейронная сеть, слой, карт признаков, изображение, результат работы сети, машинное обучение, выходной слой, математическая

Но что же делать дальше? Известно, что есть ошибка и известно её значение. GRU и LSTM: современные рекуррентные нейронные сети.

Использование кодеков в подготовке исходных данных для...

Машинное обучение — использование моделей, построенных на базе статистического анализа или

Для получения решения определенной задачи искусственной нейронной сетью ее

Однако с точки зрения человеческого восприятия сжатием с потерями следует считать лишь...

Применение нейронных сетей в экономике | Статья в журнале...

Ключевые слова: искусственные нейронные сети, обучение нейронных сетей

Нейронная сеть начинает учиться создавать связь между входом и выходом, ищет соответствия и

нейронная сеть, слой, карт признаков, изображение, результат работы сети, машинное...

Похожие статьи

Применение машинного обучения для обнаружения сетевых...

Применение методов машинного обучения для обнаружения вторжений позволит

Обучение нейронной сети (Training) — поиск такого набора весовых коэффициентов, при

Обучение многослойного персептрона методом обратного распространения ошибки предполагает.

Неконтролируемые методы машинного обучения при...

Представлена классификация методов машинного обучения. Ключевые слова: неконтролируемое машинное обучение, система

1.1. Неконтролируемые нейронные сети. Два типичных примера неконтролируемых нейронных сетей это самоорганизующаяся карта и...

Контролируемые методы машинного обучения как средство...

Все существующие методы машинного обучения обнаружения аномалий можно разделить на два класса: контролируемые и неконтролируемые методы [1]

3. Контролируемая нейронная сеть (NNs). NNS предсказывают поведение различных пользователей и демонов в системах.

Исследования особенностей развития нейронных сетей...

Высокие результаты работы нейронных сетей в области медицины исходят из того, что качество работы

Также, искусственная нейронная сеть способна извлекать и применять знания, ранее

Они применяются в самых различных областях: в медицине, физике, технике.

Нейросетевые технологии и их применение при прогнозировании...

Обучение нейронной сети производилось методом «с учителем» - это такой способ постановки эксперимента, в ходе которого система обучается с помощью примеров «вход-эталон». Между входами (факторами, влияющими на ДПЦ) и эталонным выходом (ДПЦ) может...

Практическое применение искусственных нейронных сетей...

Искусственная нейронная сеть (ИНС) — математическая модель, а также её программное

ИНС способны решать задачи, которые относятся к машинному обучению, а именно

Работа нейронных сетей схожа с работой памяти — они запоминают признаки, части изображений.

GRU и LSTM: современные рекуррентные нейронные сети

нейронная сеть, слой, карт признаков, изображение, результат работы сети, машинное обучение, выходной слой, математическая

Но что же делать дальше? Известно, что есть ошибка и известно её значение. GRU и LSTM: современные рекуррентные нейронные сети.

Использование кодеков в подготовке исходных данных для...

Машинное обучение — использование моделей, построенных на базе статистического анализа или

Для получения решения определенной задачи искусственной нейронной сетью ее

Однако с точки зрения человеческого восприятия сжатием с потерями следует считать лишь...

Применение нейронных сетей в экономике | Статья в журнале...

Ключевые слова: искусственные нейронные сети, обучение нейронных сетей

Нейронная сеть начинает учиться создавать связь между входом и выходом, ищет соответствия и

нейронная сеть, слой, карт признаков, изображение, результат работы сети, машинное...

Задать вопрос