Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Przegląd Elektrotechniczny

1 2025

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Crack characterisation in buildings utilizing deep learning techniques

Jerushan J., Jebadurai S. Vincent Sam, Staines J. Noble, Subin S. R., Ebenezer V., Ebenezer Shamila, Hemalatha G.

Przegląd Elektrotechniczny

2025

R. 101, nr 2

137--143

A significant field of research is the use of deep learning algorithms to detect and characterize cracks in structures. Building cracks may cause catastrophic structural collapses that endanger people's lives and property. This issue can be helped by deep learning algorithms, which allow for the very accurate identification and categorization of various crack forms. The present study uses a data set of 5000 photos to examine how image pre-processing affects the effectiveness of Deep Learning crack detection. The outcomes demonstrated that the CNN model's ability to identify cracks in concrete buildings is unaffected by the use of a pretrained model with RGB weights. Pretrained VGG16 and the Keras Python library are used to create a CNN model. The SciKit Image Python package was employed to divide the original picture data set into five comparison sets. The created model performed better than 98% in terms of accuracy and F1 values.

Istotnym obszarem badań jest wykorzystanie algorytmów głębokiego uczenia do wykrywania i charakteryzowania pęknięć w konstrukcjach. Pęknięcia w budynkach mogą powodować katastrofalne zawalenia konstrukcyjne, które zagrażają życiu i mieniu ludzi. Problem ten można rozwiązać za pomocą algorytmów głębokiego uczenia, które umożliwiają bardzo dokładną identyfikację i kategoryzację różnych form pęknięć. W tym badaniu wykorzystano zestaw danych 5000 zdjęć, aby zbadać, w jaki sposób wstępne przetwarzanie obrazu wpływa na skuteczność wykrywania pęknięć metodą głębokiego uczenia. Wyniki wykazały, że zdolność modelu CNN do identyfikowania pęknięć w betonowych budynkach nie jest naruszona przez użycie wstępnie wytrenowanego modelu z wagami RGB. Wstępnie wytrenowany VGG16 i biblioteka Keras Python są używane do tworzenia modelu CNN. Pakiet SciKit Image Python został użyty do podzielenia oryginalnego zestawu danych obrazu na pięć zestawów porównawczych. Utworzony model uzyskał wyniki lepsze niż 98% pod względem dokładności i wartości F1.