ОПРЕДЕЛЕНИЕ ОСНОВНЫХ ХАРАКТЕРИСТИК ДЕФЕКТОВ ОКС НА ОСНОВЕ ДАННЫХ, ПОЛУЧЕННЫХ В РЕЗУЛЬТАТЕ ФОТОГРАММЕТРИИ
Аннотация и ключевые слова
Аннотация (русский):
В статье проанализирован существующий международный опыт в области проведения мониторинга объектов капитального строительства с применением технологий информационного моделирования, искусственного интеллекта и пр. Отмечено, что в рассматриваемых работах не учитывается возможность использования методов фотограмметрии для выявления дефектов, чему и посвящено представленное исследование. На первом этапе для формирования кластерной карты использована выборка публикаций, собранная по ключным словам «buildings» и «defect monitoring» за период с 2014 по 2024 гг. в международной базе Scopus. Всего в выборке представлено 757 публикаций. Далее проведен анализ публикаций, представленных в БД Scopus, выделены основные публикации соответствующих теме исследований. Для второго этапа сделаны фотографии дефектов объектов капитального строительства (ОКС), а также обоснована возможность выявления дефектов ОКС на базе файлов в формате «облако точек», полученных из фотографий, соответствующим различным состояниям объекта строительства.

Ключевые слова:
информационные системы, информационное моделирование в строительстве, искусственный интеллект, облако точек, объект капитального строительства
Текст

Введение

Развитие информационных технологий в строительстве в настоящее время приводит к появлению новых методов мониторинга зданий и сооружений, позволяющих повысить эффективность проведения работ, снизив трудозатраты профильных специалистов и обеспечив своевременное принятие организационно-технологических решений.

В [1] авторами была проверена гипотеза о «возможности применения технологий data science с целью обработки данных, полученных в результате фотограмметрии для моделирования элементов информационной модели, отвечающих различным этапам жизненного цикла объекта капитального строительства».

Данная публикация является логическим продолжением исследования и содержит пример получения математических характеристик дефектов железобетонных конструкций, для последующего распознавания и принятия соответствующих организационно-технологических решений по устранению дефектов.

Материалы и методы

В рамках исследования был проведен анализ существующих по теме исследования публикаций, который позволил выявить отсутствие аналогичных подходов и подтвердил актуальность темы. На следующем этапе проведено экспериментальное подтверждение научно-технической гипотезы о возможности использования методов фотограмметрии для выявления дефектов на реальном объекте. Схема исследования представлена на Рис.1.

Рис.1. Укрупненная схема исследования

На первом этапе для формирования кластерной карты использована выборка публикаций, собранная по ключным словам «buildings» и «defect monitoring» за период с 2014 по 2024 гг. в международной базе Scopus. Всего в выборке представлено 757 публикаций.

Далее проведен анализ публикаций, представленных в БД Scopus, выделены основные публикации, соответствующие теме исследований.

Для второго этапа сделаны фотографии дефекта ОКС, а также получена система уравнений для его математического описания.

Результаты исследования

На Рис.2 представлена взаимосвязь ключевых слов выборки. Минимальное количество совпадающих ключевых слов в выбранных публикациях было установлено равным 10. Пороговому значению соответствовало 129 слова из 7630. Для каждого из 129 ключевых слов программой рассчитана частота одновременных ссылок с другими ключевыми словами, используемыми в публикациях. Были выбраны ключевые слова с наибольшей частотой и соответствующих теме исследования. После проверки предложенных ключевых слов выбрано 116 наиболее релевантных вариантов в рамках поставленной темы исследования.

Рис. 2. Кластерная карта взаимосвязи ключевых слов «buildings» и
«defect monitoring» за период с 2014 по 2024 гг.

Из рис. 2 видно, что в настоящее время внимание в рассматриваемом направлении уделяется мониторингу дефектов бетонных и железобетонных конструкций с использованием методов искусственного интеллекта и машинного обучения. Данная гипотеза подтверждается и анализом публикаций из выборки, краткое содержание наиболее подходящих к теме исследований публикаций представлено в табл.1.

 

Таблица 1.

Краткое содержание публикаций, представленных в БД Scopus и соответствующих теме исследований.

 

Ссылка

Краткое содержание

[2]

В настоящее время применение методов глубокого обучения в строительстве активно развивается, но требует более глубокого системного анализа и обобщения. Целью данной статьи было рассмотреть существующие исследования, в которых глубокое обучение применялось к распространенным проблемам строительства, таким как мониторинг состояния конструкций, безопасность на строительной площадке, моделирование протекающих в зданиях процессов и прогнозирование энергопотребления. Представленный обзор ориентирован для формирования будущих исследований того, как лучше всего применять обработку изображений, компьютерное зрение, методы обработки естественного языка глубокого обучения для решения многочисленных задач в строительной отрасли. Также обсуждены ограничения глубокого обучения с точки зрения кибербезопасности, стоимости и пр.

[3]

Информационные модели зданий все чаще применяются на протяжении всего жизненного цикла здания для различных приложений, таких как мониторинг строительства и обнаружение дефектов, реконструкция зданий, энергетическое моделирование и анализ систем зданий в областях архитектуры, проектирования, строительства и управления объектами. В традиционных подходах информационного моделирования модель «как есть» в основном создается вручную из облаков точек, что является трудоемким, дорогостоящим и занимает много времени. В статье предлагается метод автоматического извлечения геометрии здания из неорганизованных облаков точек. Собранные необработанные данные подвергаются уменьшению размера данных, определению границ и категоризации компонентов здания, в результате чего компоненты здания распознаются как отдельные объекты и визуализируются как многоугольники. Результаты испытаний, проведенных на трех собранных датасетах о здании «как есть» для проверки технической осуществимости и оценки производительности предлагаемого метода, показывают, что он может упростить и ускорить создание модели здания «как есть» из процесса создания облака точек.

[4]

Целью данной статьи является оценка применимости сверточных нейронных сетей (CNN) для автоматизированного обнаружения и локализации дефектов зданий, например, плесени, ухудшения состояния и пятен, по изображениям. Предлагаемая модель основана на предварительно обученном классификаторе CNN VGG-16 (позже сравненном с моделями ResNet-50 и Inception) с отображением активации классов (CAM) для локализации объектов. Были выявлены проблемы и ограничения модели в реальных приложениях. Предлагаемая модель доказала надежность и способность точно обнаруживать и локализовать дефекты зданий. Подход разрабатывается с потенциалом масштабирования и дальнейшего совершенствования для поддержки автоматизированного обнаружения дефектов и изменения состояния зданий в режиме реального времени с использованием мобильных устройств и дронов.

[5]

Обнаружение трещин является важнейшей задачей в мониторинге состояния конструкций и обеспечении их безопасности. Ручной процесс обнаружения трещин является кропотливо трудоемким и страдает от субъективных суждений специалистов по строительному контролю. В исследовании создана интеллектуальная модель на основе методов обработки изображений для автоматического распознавания и анализа трещин. В модели предлагается метод регулировки интенсивности серого, называемый Min-Max Gray Level Discrimination (M2GLD), для предварительной обработки изображения, порогового значения которого установлено методом Otsu. Целью этого метода регулировки интенсивности серого является повышение точности результатов обнаружения трещин. Экспериментальные результаты показывают, что интеграция M2GLD и метода Otsu, а затем других алгоритмов анализа формы, может успешно обнаруживать дефекты трещин на цифровых изображениях. Таким образом, построенная модель может быть полезным инструментом для компаний по управлению зданиями и инженеров-строителей в задаче обслуживания конструкций.

[6]

Для обеспечения конструктивной надежности зданий необходимы систематические осмотры и мониторинг конструкций на наличие поверхностных трещин. Осмотр поверхности, проводимый профильными специалистами, трудоемок, занимает много времени и может давать противоречивые результаты из-за экспертной оценки специалиста. В области мониторинга конструкций зданий актуальной становится тема применения алгоритмов глубокого обучения. Однако эти основанные на технологии компьютерного зрения методы требуют высококачественных изображений в качестве входных данных и зависят от вычислительной мощности для классификации изображений.

В этом исследовании предлагается архитектура на основе неглубокой сверточной нейронной сети (CNN) для обнаружения поверхностных трещин в бетоне. LeNet-5, известная архитектура CNN, оптимизирована и обучена для классификации изображений с использованием 40 000 изображений в наборе данных Ближневосточного технического университета (METU).

Для достижения максимальной точности обнаружения трещин с минимальными вычислениями оптимизированы гиперпараметры предлагаемой модели. Предложенная модель позволяет использовать алгоритмы глубокого обучения с использованием маломощных вычислительных устройств для беспроблемного мониторинга гражданских сооружений. Производительность предлагаемой модели сравнивается с производительностью различных предварительно обученных моделей глубокого обучения, таких как VGG16, Inception и ResNet.

Обнаружено, что предложенная неглубокая архитектура CNN достигает максимальной точности 99,8% при минимальных вычислениях. Лучшая оптимизация гиперпараметров в архитектуре CNN приводит к более высокой точности даже при использовании неглубокого стека слоев для улучшенных вычислений. Результаты оценки подтверждают включение предлагаемого метода в автономные устройства, такие как беспилотный летательный аппарат, для проверки поверхностных трещин в реальном времени с минимальными вычислениями.

[7]

В последние годы неразрушающий контроль становится все более важным для надежного и доступного контроля качества и оценки целостности не только при строительстве новых бетонных конструкций, но и для существующих. Выбор правильного метода контроля всегда сопровождается компромиссом между его производительностью и стоимостью. В статье метод ультразвуковой скорости импульса (УСИ), который является наиболее известным и широко распространенным методом ультразвукового неразрушающего контроля (НК) бетона, рассматривается и сравнивается с другими хорошо зарекомендовавшими себя подходами НК. Рассматриваются их принципы, присущие им ограничения и надежность. Кроме того, в то время как большинство современных методов УСИ основаны на использовании пьезоэлектрических преобразователей, закрепленных на поверхности бетона, особое внимание уделяется весьма перспективной технологии с использованием недорогих и агрегатных пьезоэлектрических преобразователей, встроенных в материал. Эта технология была оценена на основе ряда параметров, таких как простота использования, стоимость, надежность и производительность.

[8]

Визуальный осмотр наиболее широко используемый метод контроля бетонных конструкций в эксплуатации. Инспекторы визуально оценивают дефекты на основе имеющегося опыта и навыков. Однако этот процесс субъективен, трудоемок, занимает много времени и затруднен из-за необходимости доступа к многочисленным частям сложных конструкций. Соответственно, в настоящем исследовании предлагается почти автоматизированная модель осмотра, основанная на обработке изображений и глубоком обучении для обнаружения дефектов в обычно недоступных областях бетонных конструкций. Результаты показывают, что использование классификатора Keras в сочетании с обработкой изображений Otsu может обеспечить превосходную точность классификации 97,63%, 96,5% и 96,17% для данных обучения, проверки и тестирования соответственно, а также низкую погрешность количественной оценки 1,5%, 5% и 2% для длины, ширины и угла ориентации трещины соответственно.

Тип структурного повреждения и его серьезность определяются на основе допустимого диапазона ширины трещины в бетоне для различных конструкций, включая здания и мосты, на основе различных международных стандартов и кодексов. Предлагаемый метод может использовать беспилотный летательный аппарат для получения изображений, чтобы предложить практически автоматизированную платформу.

[9]

Создание точных 3D-моделей городских районов с плотной застройкой представляет собой сложную задачу. Аэрофотосъемка с наклонной проекцией, хотя и является популярным методом, часто приводит к появлению геометрических дефектов и размытых текстур на фасадах зданий, особенно в районах с высотной застройкой.

В то же время мобильные картографические системы, работающие на земле, способны захватывать детальные изображения объектов с близкого расстояния, обеспечивая высокий уровень детализации. Однако их главный недостаток – неполное покрытие территории.

Для решения этих проблем предлагается инновационный подход, объединяющий аэрофотосъемку с наземными изображениями. Метод основан на автоматическом сопоставлении характерных признаков и комбинированной настройке между различными типами снимков. Это позволяет оптимизировать как геометрию, так и текстуру 3D-моделей, созданных на основе аэрофотосъёмки.

Эффективность предложенного подхода была подтверждена экспериментально на двух наборах данных, собранных в разных городах: Дортмунде (Германия) и Гонконге. Результаты исследований демонстрируют, что интеграция изображений с двух платформ значительно улучшает качество 3D-моделирования в городских условиях, обеспечивая более точное и детальное воспроизведение архитектурных объектов.

Такой комбинированный подход открывает новые перспективы для создания высококачественных 3D-моделей городских территорий, сочетая преимущества аэрофотосъемки и наземной съемки в единую эффективную систему.

[10]

В статье представлен обзор исследований по инфракрасной термографии для обнаружения дефектов в бетонных конструкциях. Мониторинг состояния и обнаружение повреждений крупных конструкций, таких как мосты и высотные здания, были очень активной областью исследований в последние годы. Два основных подхода, которые изучают исследователи, — это мониторинг состояния на основе вибрации и технология видеонаблюдения на основе камеры.

[11]

Авторами проведен обзор публикаций, связанных с развитием применения технологий информационного моделирования, опубликованных с 2010 по ноябрь 2020 года. После обзора 278 статей были выделены тенденции исследований, подходы, методы и направления будущих исследований, связанных с применением технологий информационного моделирования при мониторинге и обслуживании зданий и сооружений. В этой статье посредством библиометрического и контент-анализа делается вывод о том, что помимо основных улучшений теперь существуют некоторые ограничения, связанные с расширением формата IFC, оптимизацией данных датчиков, совместимостью между различными платформами BIM, оптимизацией различных технологий обнаружения неисправностей и управления огромными объемами данных, а также с учетом воздействия окружающей среды на мониторинг опасностей и подземных объектов.

[12]

В этой статье была исследована система автономно управляемого мониторинга состояния конструкций на основе беспилотного летательного аппарата (БПЛА), в которой изображения структурного участка, снятые БПЛА, были сшиты вместе для формирования полного вида конструкции. Задача сшивания изображений была выполнена с использованием известного алгоритма обнаружения признаков на основе ускоренных надежных признаков (УНП). Большое количество признаков сначала сокращается с помощью алгоритма консенсуса случайной выборки, а затем соответствующие преобразования применяются для выравнивания изображений для окончательного сшивания. Сравнение текущего и предыдущего вида структурного участка дает структурные различия. Предлагаемый подход тестируется на образце конструкции в лаборатории с различными возможными реалистичными типами дефектов, которые возникают в конструкции, и эффективность предлагаемой методологии сравнивается с существующими подходами. Было показано, что предлагаемая система может выполнять сшивку изображений, даже если БПЛА испытывает угловое смещение из-за ветровых толчков или проблем калибровки.

[13]

Обнаружение элементов фасадов зданий играет ключевую роль в задачах обнаружения дефектов фасадов и их реконструкции. Технология искусственного интеллекта совершила прорыв в сегментации изображений, однако напрямую применять стандартные подходы глубокого обучения для обнаружения элементов фасадов зданий неправильно. Основная причина заключается в том, что существующие сети семантической сегментации плохо справляются с прогнозированием высокорегулярных форм. В исследовании разрабатывается иерархическая структура глубокого обучения с симметричной функцией потерь для автоматического обнаружения элементов фасадов зданий на изображениях. Новая структура содержит два типа модулей. Новая функция потерь предназначена для интеграции предыдущих инженерных знаний, которые можно использовать для принудительного обнаружения элементов фасада (например, окон, дверей, бетонных стен и солнцезащитных козырьков) с целью придания им высокопропорциональной формы. Эффективность разработанного подхода продемонстрирована в двух общедоступных наборах данных. Экспериментальные результаты показывают, что разработанная структура глубокого обучения с новой функцией потерь значительно превосходит современные модели, где достигнутое среднее пересечение по объединению на наборе данных Ecole Centrale Paris (ECP) (81,9%) дает улучшение на 11,3% по сравнению с полностью сверточной сетью (FCN) и 4,0% по сравнению с Deepfaçade соответственно, а достигнутое среднее IoU на наборе данных ArtDeco (85,6%) дает улучшение на 11,4% по сравнению с FCN и 5,8% по сравнению с Deepfaçade соответственно. Более того, разработанный подход более практичен и эффективен для обнаружения регуляризованных элементов фасада, где обнаружение компонентов стены имеет IoU 93,6% на наборе данных ECP и 88,6% на наборе данных ArtDeco соответственно.

[14]

Традиционный подход к мониторингу строительных объектов, основанный на экспертах-инспекторах, имеет ряд существенных недостатков: высокая трудоемкость процесса, субъективность оценок, зависящая от уровня знаний специалистов, риски для здоровья инспекторов и значительные временные затраты.

Современные тенденции автоматизации строительства открывают новые возможности благодаря развитию искусственного интеллекта, мехатронных систем и роботизированных решений.

Предложенная инновационная система в статье включает роботизированную платформу с датчиками восприятия, интеллектуальные алгоритмы анализа и интеграцию с информационной моделью здания. Ключевые функциональные возможности охватывают удаленную идентификацию строительных материалов, автоматическое обнаружение дефектов компонентов, точное определение местоположения элементов и генерацию детальных инспекционных отчетов.

Использование информационной модели здания обеспечивает автономную навигацию мобильных роботов, точное позиционирование компонентов и эффективное планирование маршрута инспекции. Внедрение роботизированных систем позволит существенно повысить эффективность строительного контроля, обеспечить объективность оценок и минимизировать риски для персонала.

[15]

Дефекты фасадов жилых зданий влияют на структурную целостность зданий и ухудшают внешний вид. Авторами предлагается система мониторинга фасадов зданий, которая использует метод обнаружения объектов, основанный на глубоком обучении, для эффективного управления дефектами путем минимизации участия рабочей силы. Набор данных, используемый для обучения сети на основе глубокого обучения, содержит фактические изображения фасадов жилых зданий. Различные конструкции зданий на этих необработанных изображениях затрудняют обнаружение дефектов из-за их различных типов и сложного фона.

[16]

Мониторинг состояния бетонных конструкций является критически важным элементом в системе управления гражданской инфраструктурой. Особое внимание уделяется выявлению и классификации трещин на поверхности зданий, мостов, дорог и тротуаров, поскольку они представляют основную угрозу для целостности конструкций.

Несмотря на многолетние исследования в этой области, точная классификация трещин остается сложной задачей из-за ряда факторов, включая сильную неоднородность материала, сложность структуры поверхности и наличие фонового шума.

В статье представлена инновационная архитектура сети глубокой ширины (DWN), которая позволяет осуществлять как бинарную, так и многоклассовую классификацию трещин на бетонных поверхностях без необходимости ручного извлечения признаков. Система интеллектуально анализирует структуры трещин на необработанных входных изображениях, используя комбинацию линейного и нелинейного процессов отображения.

Ключевой особенностью архитектуры является её способность к гибкому динамическому обновлению весовых коэффициентов и эффективному расширению сети за счет добавления новых инкрементных образцов, что обеспечивает высокую точность распознавания и адаптивность к различным типам повреждений.

 

Вместе с тем, в рассматриваемых работах не учитывается возможность использования методов фотограмметрии для выявления дефектов, чему и посвящено представленное исследование.

Для дальнейшего проведения исследования сделан ряд фотографий дефекта ОКС (Рис. 3).

При этом уже сегодня существует ПО (например, Bentley ContextCapture), которое позволяет обрабатывать фотографии и преобразовывать их в формат «облако точек», результаты конвертации фотографии в формат «облако точек» представлен на рис.4.

Рис. 3. Фотографии фрагмента строительной конструкции

На Рис. 4 представлена часть объекта ОКС, построенная на основе фотографий и выделен дефект, который будет рассмотрен далее.

Рис. 4. Результат конвертации фотографии в формат .ply (облако точек)

При этом, стоит отметить, что вес файла, представленного на Рис. 4 элемента ОКС, составляет порядка 5Гб.

Порядок проведения дальнейшего исследования:

  1. Загрузка датасета в ПО Anacondas. 
  2. Предобработка датасета (разворот, масштабирование).
  3. Выявление данных, отвечающих за дефект ОКС.
  4. Математическое описание дефекта.
  5. Определение типа дефекта и решения по его устранению.

Рассмотрим каждый из представленных этапов более подробно:

1. Загрузка датасета в ПО Anacondas

На первом этапе произведена загрузка данных в пакет Anacondas с удалением цвета для снижения объема файла. В итоге получен датасет, содержащий 121501937 строк, который в дальнейшем был сохранен в формат *.csv.

 2. Предобработка датасета

Проведена обработка данных, включая вращение объекта относительно осей (используя матрицы вращения) и масштабирование (Рис. 5).

Рис. 5. Разворот рассматриваемого объекта в пространстве

3. Выявление данных, отвечающих за дефект ОКС

В виду отсутствия информации о первоначальном состоянии объекта был произведен срез передней грани объекта, т.е. дефект был выявлен путем удаления передней грани. На Рис. 6 представлены вид сверху и вид анфас на рассматриваемый дефект (рассматриваемые данные).

Рис. 6.  Вид сверху и анфас на данные о дефекте ОКС

Используя библиотеки Python, был получен объем дефекта (Рис. 7 ) и положение дефекта в пространстве (Рис. 8)

Рис. 7. Расчет объема дефекта

Как видно из Рис. 8, объем дефекта составляет 107088 мм3.

Рис. 8. Положение дефекта в пространстве

4. Математическое описание дефекта

На следующем этапе необходимо распознать дефект путем определения его математических характеристик. Однако уже сейчас можно сказать, что глубина дефекта составляет: 125-111.8 мм=13.2 мм, что означает, что дефект является поверхностным.

В основе разрабатываемой системы лежит разбиение дефектов на срезы по глубине (например, Рис.9).

Рис. 9. Срез по данным, отвечающим за рассматриваемый дефект

Рис. 10. Данные о дефекте до применения алгоритмов обработки.

Данный алгоритм разделяет данные на два логических блока: данные, отвечающие за верхнюю часть дефекта и данные, отвечающие за нижнюю часть дефекта, а сам дефект описывается набором уравнений кривых (Рис.11)

Рис. 11. Описание данных, отвечающих за срез дефекта набором уравнений

Расчетные показатели дефекта представлены на Рис.12.

Рис.12. Расчетные показатели по определяемому дефекту:
S — площадь, L1 — суммарная длина верхних функции,
L2 — суммарная длина нижних функции,
tmax — максимальное расстояние между кривыми,
tmaxvsdelta — отношение максимального расстояния между кривыми к дельте (толщине среза)

В представленном примере толщина среза 1 мм. На рабочем прототипе сначала ведется разбитие дефекта на срезы, а затем производится анализ всех математических характеристик дефекта, с каждого слоя для получения общих (сводных) характеристик дефекта.

5. Определение типа дефекта и решения по его устранению

На последнем этапе проводится распознавание типа дефекта, определение его технического состояния и выбор организационно-технического решения по его устранению. Разработанные алгоритмы представляют собой систему, которая позволяют распознавать дефекты двух основных типов: поверхностные (площадные) и трещины. Эти же типы дефектов, являются одними из наиболее опасных для эксплуатируемых сооружений.

Поскольку в рассматриваемом случае параметр tmaxvs delta = 11.4, речь идет о поверхностном (площадном) дефекте, глубина дефекта составляет 13.2 мм, площадь дефекта 12722 мм2.

Поскольку глубина дефекта составляет менее глубины защитного слоя, данный дефект может быть устранен в рамках последующего планового ремонта. В соответствии с СП 349.1325800.2017 «Конструкции бетонные и железобетонные. Правила ремонта и усиления…» решение по ремонту будет включать в себя работы по очистке поверхности и восстановление при помощи ремонтного состава.

Заключение

В статье представлен подход, позволяющий определить основные характеристики дефекта ОКС. Такие как глубина, площадь, объем и т.д. Данные характеристики получены на основе анализа данных («облака точек»), полученных в результате фотограмметрии, т.е. данное исследование направлено на определение основных характеристик дефекта и на основании этих характеристик производится типизация дефекта и подбор решения по его устранению.

Список литературы

1. Топчий Д.В., Адамцевич Л.А., Шилов Л.А. Разработка аналитических инструментов информационного моделирования поддержки жизненного цикла ОКС // Строительное производство. 2024. № 3. С. 70-75. DOI: https://doi.org/10.54950/26585340_2024_3_70; EDN: https://elibrary.ru/SCAITD

2. Akinosho, T.D., Oyedele, L.O., Bilal, M., Ajayi, A.O., Delgado, M.D., Akinade, O.O., Ahmed, A.A., Deep learning in the construction industry: A review of present status and future innovations // Journal of Building Engineering. 2020. vol. 32, doi:https://doi.org/10.1016/j.jobe.2020.101827 EDN: https://elibrary.ru/HPYDXS

3. Wang, C., Cho, Y.K., Kim, C., Automatic BIM component extraction from point clouds of existing buildings for sustainability applications // Automation in Construction.2015. vol. 56, pp. 1-13, doi:https://doi.org/10.1016/j.autcon.2015.04.001

4. Perez, H., Tah, J.H.M., Mosavi, A., Deep learning for detecting building defects using convolutional neural networks // Sensors (Switzerland).2019. vol. 19, doi:https://doi.org/10.3390/s19163556

5. Hoang, N.-D., Detection of Surface Crack in Building Structures Using Image Processing Technique with an Improved Otsu Method for Image Thresholding // Advances in Civil Engineering. 2018. vol. 2018, doi:https://doi.org/10.1155/2018/3924120

6. Kim, B., Yuvaraj, N., Sri Preethaa, K.R., Arun Pandian, R., Surface crack detection using deep learning with shallow CNN architecture for enhanced computation // Neural Computing and Applications.2021. vol. 33, pp. 9289-9305, doi:https://doi.org/10.1007/s00521-021-05690-8 EDN: https://elibrary.ru/KVLZQZ

7. Karaiskos, G., Deraemaeker, A., Aggelis, D.G., Van Hemelrijck, D., Monitoring of concrete structures using the ultrasonic pulse velocity method // Smart Materials and Structures.2015. vol. 24, doi:https://doi.org/10.1088/0964-1726/24/11/113001

8. Flah, M., Suleiman, A.R., Nehdi, M.L., Classification and quantification of cracks in concrete structures using deep learning image-based techniques // Cement and Concrete Composites.2020. vol. 114 doi:https://doi.org/10.1016/j.cemconcomp.2020.103781 EDN: https://elibrary.ru/ZXSTBV

9. Wu, B., Xie, L., Hu, H., Zhu, Q., Yau, E., Integration of aerial oblique imagery and terrestrial imagery for optimized 3D modeling in urban areas // ISPRS Journal of Photogrammetry and Remote Sensing.2018. vol. 139, pp. 119-132, doi:https://doi.org/10.1016/j.isprsjprs.2018.03.004

10. Sirca, G.F., Adeli, H., Infrared thermography for detecting defects in concrete structures // Journal of Civil Engineering and Management. 2018. vol. 24, pp. 508-515, doi:https://doi.org/10.3846/jcem.2018.6186

11. Panah, R.S., Kioumarsi, M., Application of building information modelling (BIM) in the health monitoring and maintenance process: A systematic review // Sensors (Switzerland).2021. vol. 21, pp. 1-26, doi:https://doi.org/10.3390/s21030837 EDN: https://elibrary.ru/HGNLAT

12. Akbar, M.A., Qidwai, U., Jahanshahi, M.R., An evaluation of image-based structural health monitoring using integrated unmanned aerial vehicle platform // Structural Control and Health Monitoring. 2019, vol. 26, doi:https://doi.org/10.1002/stc.2276

13. Zhang, G., Pan, Y., Zhang, L., Deep learning for detecting building façade elements from images considering prior knowledge // Automation in Construction. 2022. vol. 133, doi:https://doi.org/10.1016/j.autcon.2021.104016 EDN: https://elibrary.ru/UOHAYZ

14. Muhammad, I., Ying, K., Nithish, M., Xin, J., Xinge, Z., Cheah, C.C., Robot-Assisted Object Detection for Construction Automation: Data and Information-Driven Approach // IEEE/ASME Transactions on Mechatronics.2021. vol. 26, pp. 2845-2856, doi:https://doi.org/10.1109/TMECH.2021.3100306 EDN: https://elibrary.ru/GMVHVE

15. Lee, K., Hong, G., Sael, L., Lee, S., Kim, H.Y., Multidefectnet: Multi-class defect detection of building façade based on deep convolutional neural network // Sustainability (Switzerland), vol. 12, pp. 1-14, 2020, doi:https://doi.org/10.3390/su12229785 EDN: https://elibrary.ru/FHKTDM

16. Guo, L., Li, R., Jiang, B., Shen, X., Automatic crack distress classification from concrete surface images using a novel deep-width network architecture // Neurocomputing.2020. vol. 397, pp. 383-392, doi:https://doi.org/10.1016/j.neucom.2019.08.107 EDN: https://elibrary.ru/LTEDTS


Войти или Создать
* Забыли пароль?