Application of convolutional neural networks in wall moisture identificationby EIT method

• Autorzy: Kłosowski Grzegorz , Rymarczyk Tomasz

Identyfikatory

DOI

10.35784/iapgos.2883

Warianty tytułu

PL

Zastosowanie konwolucyjnych sieci neuronowych w identyfikacji zawilgoceń ścian budynków metodą EIT

• Języki publikacji: EN

Abstrakty

EN

The article presents the results of research in the area of using deep neural networks to identify moisture inside the walls of buildings using electrical impedance tomography. Two deep neural networks were used to transform the input measurements into images of damp places - convolutional neural networks (CNN) and recurrent long short-term memory networks LSTM. After training both models, a comparative assessment of the results obtained thanks to them was made. The conclusions show that both models are highly utilitarian in the analyzed problem. However, slightly better results were obtained with the LSTM method.

PL

W artykule przedstawiono rezultaty badań w obszarze wykorzystania głębokich sieci neuronowych do identyfikacji zawilgoceń wewnątrz ścian budynków przy użyciu elektrycznej tomografii impedancyjnej. Do przekształcenia pomiarów wejściowych na obrazy przedstawiające zawilgocone miejsca użyto dwóch rodzajów głębokich sieci neuronowych – konwolucyjne sieci neuronowe (CNN) i rekurencyjne sieci typu LSTM. Po wytrenowaniu obu modeli dokonano oceny porównawczej uzyskanych dzięki nim rezultatów. Wnioski wskazują na dużą utylitarność obu modeli w badanej problematyce, jednak nieco lepsze rezultaty uzyskano dzięki metodzie LSTM.

Słowa kluczowe

EN

machine learning; deep learning; electrical impedance tomography; moisture detection in walls

PL

uczenie maszynowe; głębokie uczenie; tomografia impedancyjna; wykrywanie wilgoci w ścianach

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2022
• Tom: T. 12, nr 1
• Strony: 20--23
• Opis fizyczny: Bibliogr. 9 poz., tab., rys., wykr.

Twórcy

autor

Kłosowski Grzegorz

• Lublin University of Technology, Faculty of Management, Lublin, Poland

• https://orcid.org/0000-0001-7927-3674

autor

Rymarczyk Tomasz

• University of Economics and Innovation in Lublin, Institute of Computer Science and Innovative Technologies, Lublin, Poland

• https://orcid.org/0000-0002-3524-9151

Bibliografia

• [1] Fabijańska A., Banasiak R.: Graph Convolutional Networks for Enhanced Resolution 3D Electrical Capacitance Tomography Image Reconstruction. Applied Soft Computing 110, 2021, 107608, [http://doi.org/10.1016/J.ASOC.2021.107608].
• [2] Hola A.: Measuring of the Moisture Content in Brick Walls of Historical Buildings-the Overview of Methods. IOP Conference Series: Materials Science and Engineering 251(1), 2017, [http://doi.org/10.1088/1757-899X/251/1/012067].
• [3] Kłosowski G. et al.: Quality Assessment of the Neural Algorithms on the Example of EIT-UST Hybrid Tomography. Sensors 20(11), 2020, [http://doi.org/10.3390/s20113324].
• [4] Kłosowski G. et al.: The Concept of Using Lstm to Detect Moisture in Brick Walls by Means of Electrical Impedance Tomography. Energies 14(22), 2021, [http://doi.org/10.3390/en14227617].
• [5] Litti G. et al.: Hygrothermal Performance Evaluation of Traditional Brick Masonry in Historic Buildings. Energy and Buildings 105, 2015, 393–411, [http://doi.org/10.1016/j.enbuild.2015.07.049].
• [6] Porzuczek J.: Assessment of the Spatial Distribution of Moisture Content in Granular Material Using Electrical Impedance Tomography. Sensors 19(12), 2019, 2807, [http://doi.org/10.3390/s19122807].
• [7] Romanowski A. et al.: X-Ray Imaging Analysis of Silo Flow Parameters Based on Trace Particles Using Targeted Crowdsourcing. Sensors 19(15), 2019, 3317, [http://doi.org/10.3390/s19153317].
• [8] Rymarczyk T. et al.: Area Monitoring Using the ERT Method with Multisensor Electrodes. Przegląd Elektrotechniczny 95(1), 2019, [http://doi.org/10.15199/48.2019.01.39].
• [9] Rymarczyk T., Adamkiewicz P.: Nondestructive Method to Determine Moisture Area in Historical Building. Informatics Control Measurement in Economy and Environment Protection 7(1), 2017, [http://doi.org/10.5604/01.3001.0010.4586].

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).