Стаття

Отримано 14.07.2024

Доопрацьовано 08.11.2024

Прийнято 14.12.2024

Взято з Вип. 116, Ч. 2, 2024

Сторінки 74 -80

Gameliak, I., Kharchenko, A., & Dmytrychenko, A. (2024). FUNDAMENTALS OF THE METHODOLOGY FOR RECOGNIZING DEFECTS IN CEMENT CONCRETE PAVEMENTS. Automobile Roads and Road Construction, (116.2), 74-80. https://doi.org/10.33744/0365-8171-2024-116.2-074-080

ОСНОВИ МЕТОДОЛОГІЇ РОЗПІЗНАВАННЯ ДЕФЕКТІВ ЦЕМЕНТОБЕТОННИХ ПОКРИТТІВ

Ігор Гамеляк Анна Харченко Андрій Дмитриченко

Стаття присвячена результатам розробки підвалин до побудови методології розпізнавання дефектів цементобетонних покриттів. Виконано аналіз закордонних джерел стосовно прогресивних методів обробки результатів фотофіксації дефектів на обєктах критичної інфраструктури. Розроблено загальний алгоритм побудови методології розпізнавання дефектів, який базується на пяти основних кроках, зокрема, на зборі та узагальненні даних з подальшою попередньою обробкою та фільтрацією; покращенні якості зображення та усуненні фонових перешкод за допомогою методів обробки зображення; використання моделей машинного навчання для виявлення та класифікації; перевірці на коректність встановленого дефекту; калібруванні алгоритму машинного навчання. Запропоновано для оцінювання ефективності роботи моделі машинного навчання та як метрику до її калібрування використовувати показник середнього гармонійного. Визначено, що практична апробація дослідження буде виконана в рамках участі авторів в проєкті 2023.04/0097 "Creation of a technology and a system of operational analysis and management of cement-concrete pavement condition of critical infrastructure objects based on spectral photoinformational images", financed by the National Research Fund of Ukraine

методологія розпізнавання, дефекти цементобетонних покриттів, машинне навчання, розпізнавання, калібрування, показник середнього гармонійного
  1. Kolappan Geetha, G., & Sim, S. (2022). Fast identification of concrete cracks using 1D deep learning and explainable artificial intelligence-based analysis. Automation in Construction, advance online publication.doi: 10.1016/j.autcon.2022.104572.
  2. Choi, Y., Park, H.W., Mi, Y., & Song, S. (2024). Crack detection and analysis of concrete structures based on neural network and clustering. Sensors, 24(6), article number 1725. doi: 10.3390/s24061725.
  3. Kim, H., Ahn, E., Shin, M., & Sim, S.-H. (2019). Crack and noncrack classification from concrete surface images using machine learning. Structural Health Monitoring, 18(3), 725-738. doi: 10.1177/1475921718768747.
  4. Iraniparast, M., Ranjbar, S., Rahai, M., & Nejad, F.M. (2023). Surface concrete cracks detection and segmentation using transfer learning and multi-resolution image processing. Structures, 54, 386-398. doi: 10.1016/j.istruc.2023.05.062.
  5. Padmapoorani, P., & Senthilkumar, S. (2023). Application of machine learning for crack detection on concrete structures using CNN architecture. Matéria (Rio de Janeiro), 28(1), article number e20230010. doi; 10.1590/1517-7076-rmat-2023-0010.
  6. Wikipedia. (n.d.). Digital image noise. Retrieved from https://en.wikipedia.org/wiki/Image_noise.
  7. The Transmitted. (2023). F1 score in machine learning. Retrieved from https://thetransmitted.com/adlucem/pokaznyk-f1-umashynnomu-navchanni/.

https://doi.org/10.33744/0365-8171-2024-116.2-074-080