Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

1 2025

Powiadomienia systemowe

Sesja wygasła!

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: classificationof building materials

Sortuj według:

Ogranicz wyniki do:

Application of YOLO and U-Net models for building material identification on segmented images

Voronkov Ruslan, Bezuglyi Mykhailo

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

2025

T. 15, nr 2

13--17

This paper is devoted to the analysis of existing convolutional neuralnetworks and experimental verification of the YOLO and U-Netarchitectures for the identification and classification of building materials based on images of destroyed structures. The aim of the study is to determinethe effectiveness of these models in the tasks of recognising materials suitable for reuse and recycling. This will help reduce construction wasteand introduce a more environmentally friendly approach to resource management. The study examined several modern deep learning models for image processing, including Faster R-CNN, Mask R-CNN, FCN (Fully Convolutional Networks), and SegNet. However, the choice was made on the YOLOand U-Netarchitectures. YOLO is used for fast object identification in images, which allows for quick detection and classification of building materials, and U-Netis used for detailed image segmentation, providing accurate determination of the structure and composition of building materials. Each of these models has been adapted to the specific requirements of building materials analysis in the context of collapsed structures. Experimental results have shown that the use of these models allows achieving high accuracy of segmentation of images of destroyed buildings, which makes them promising for usein automated resource control systems.

Niniejszy artykuł poświęcony jest analizie istniejących konwolucyjnych sieci neuronowych i eksperymentalnej weryfikacji architektur YOLOi U-Net do identyfikacji i klasyfikacji materiałów budowlanych na podstawie obrazów zniszczonych konstrukcji. Celem badania jest określenie skuteczności tych modeli w zadaniach rozpoznawania materiałów nadających się do ponownego wykorzystania i recyklingu. Pomoże to zmniejszyć ilość odpadów budowlanych i wprowadzić bardziej przyjazne dla środowiska podejście do zarządzania zasobami. W badaniu przeanalizowano kilkanowoczesnych modeli głębokiego uczenia do przetwarzania obrazu, w tym Faster R-CNN, Mask R-CNN, FCN (Fully Convolutional Networks) i SegNet, jednak wybór padłna architektury YOLO i U-Net. YOLO służy do szybkiej identyfikacji obiektów na obrazach, co pozwala na szybkie wykrywanie i klasyfikację materiałów budowlanych, a U-Net służy do szczegółowej segmentacji obrazu, zapewniając dokładne określenie struktury i składu materiałów budowlanych. Każdyz tych modeli został dostosowany do specyficznych wymagań analizy materiałów budowlanych w kontekście zawalonych konstrukcji.Wyniki eksperymentów wykazały, żezastosowanie tych modeli pozwala osiągnąć wysoką dokładność segmentacji obrazów zniszczonych budynków, co czynije obiecującymi do wykorzystania w zautomatyzowanych systemach kontroli zasobów.