Vol.23, No.1, 2023, str. 3137
UDK

OTKRIVANJE POVRŠINSKE PRSLINE UPOTREBOM OKRUŽENJA DUBOKOG UČENJA ZA GRAĐEVINSKE KONSTRUKCIJE

Basavaraj Katageri1, Rajashri Khanai2*, Rajkumar V. Raikar1, Dattaprasad A. Torse3, Krishna Pai2

1) Department of Civil Engineering, Sheshgiri College of Engineering and Technology, Belagavi, INDIA

2) Department of Electronics and Communication Engineering, Sheshgiri College of Engineering and Technology, Belagavi, INDIA

*email: noureddine.menasri@univ-msila.dz

3) Department of Electronics and Communication Engineering, KLS Gogte Institute of Technology, Belagavi, INDIA

 

Izvod

Rešenja za otkrivanje prslina u građevinskoj konstrukciji na bazi veštačke inteligencije (AI) odnedavno čine moćni alati za primenu u složenim konstrukcijama, gde čovekove mogućnosti značajno zaostaju. Postupak otkrivanja prsline podrazumeva prikupljanje snimaka iz širokog raspona infrastrukturnih sistema koji poseduju različite karakteristike kao što su teksture, uslovi okruženja, stanje površina. U ovim postupcima se zahteva izuzetna robusnost u modelima za otkrivanje grešaka, radi procesiranja ovih raznovrsnih karakteristika. U ovom radu predstavljamo otkrivanje prsline u građevinskoj konstrukciji primenom klasifikacije snimaka u okruženju dubokog učenja (DL). Predloženo okruženje koristi reprezentativnu moć konvolucijskih slojeva Konvolucijske Neuronske Mreže (CNN), koja u suštini pravi izbor odgovarajućih osobina, a time, eliminiše potrebu za složenim postupkom ekstrakcije. Pored toga, preciznost u otkrivanju prsline se postiže putem datog okruženja u znatno kraćem vremenu izvršenja. Predloženi model se sastoji iz ukupno 36 slojeva sa 10 konvolucijskih i prelaznih povezanih slojeva. ReLU aktivacija i Batch Normalization (beč normalizacija) pored izdvojenih slojeva se nadograđuju radi bolje optimizacije modela. Baza podataka snimaka se sastoji iz 40 hiljada snimaka od 227×227 piksela RGB tipa. Snimci se automatski svode na 28×28 pre procesa treniranja kako bi mogli da stanu u ulazni sloj. Baza snimaka se deli na 80 % za treniranje i 20 % za testiranje. Predloženi model postiže tačnost u rasponu od 88,21 do 98,60 %. Predlažemo hardverski razvoj modela korišćenjem Raspberry Pi™.

Ključne reči: konvolucijske neuronske mreže, otkrivanje prsline, klasifikacija prsline, duboko učenje, ReLU aktivacija

rad u celosti (626 kB)