Иван Владимирович Чаплин – кандидат технических наук, доцент кафедры «Мосты», старший научный сотрудник СибНИИ мостов
Новосибирск
Ivan V. Chaplin – Сandidate of Engineering, Senior Researcher of the Siberian Research Institute of Bridges
Novosibirsk
Ян Владимирович Тонкушин – аспирант кафедры «Мосты»
Новосибирск
Yan V. Tonkushin – Postgraduate Student, Bridges Department
Novosibirsk
Сергей Анатольевич Бахтин – кандидат технических наук, профессор, декан факультета «Мосты и тоннели», профессор кафедры «Мосты»
Новосибирск
Sergey A. Bakhtin – Candidate of Engineering, Professor, Dean of the Bridges and Tunnels Faculty
Novosibirsk
Сергей Иванович Герасимов – доктор технических наук, профессор, заведующий кафедрой «Строительная механика»
Новосибирск
Sergey I. Gerasimov – Doctor of Engineering, Professor, Head of the Construction Mechanics Department
Novosibirsk
Стефан Васильевич Ефимов – кандидат технических наук, доцент, директор СибНИИ мостов, доцент кафедры «Мосты»
Новосибирск
Stefan V. Efimov – Candidate of Engineering, Associate Professor, Director of the Siberian Research Institute of Bridges
Novosibirsk
В статье рассмотрены актуальные разработки по применению искусственных нейронных сетей (ANN – Artificial Neural Network) и технологий машинного зрения при эксплуатации инженерных сооружений, с акцентом на идентификацию дефектов при обследовании мостовых конструкций. Научные изыскания направлены на поиск наиболее подходящей методологии для упрощения и повышения качества процесса обследования, а также архитектуры нейросети. Проведен анализ отечественных и зарубежных исследований, посвященных автоматическому выявлению дефектов строительных конструкций с использованием сверточных нейронных сетей (CNN – Convolutional Neural Network), алгоритмов YOLO (You Only Look Once), методов AutoML (Automated Machine Learning) и программно-аппаратных комплексов на базе беспилотных летательных аппаратов. Рассмотрены преимущества и недостатки существующих решений, связанные с зависимостью качества распознавания от объема обучающей выборки, условий съемки, сложности локализации малоконтрастных дефектов и необходимости дополнительного вовлечения в процесс инженерной интерпретации результатов. Выполнена систематизация существующих подходов к идентификации дефектов, а также выделены положительные и отрицательные элементы инструментов в системах машинного зрения для перспективного их учета при создании модуля для обследования мостов. Сделан вывод о перспективности внедрения нейросетевых технологий в практику обследования инженерных сооружений при условии формирования специализированных обучающих выборок и проведения независимой проверки точности моделей. Наличие мощного нейросетевого инструмента для обследования мостовых конструкций, обученного на конкретных примерах мостовой сферы инженерами, позволит упростить обследование и увеличить количество оцениваемых сооружений за единицу времени одной бригадой. В заключение предложен для дальнейшего исследования многоэтапный подход, включающий распознавание конструктивных элементов, обнаружение и классификацию дефектов, а также последующую инженерную верификацию результатов.
The article discusses current developments in the use of artificial neural networks (ANN – Artificial Neural Network) and machine vision technologies in the operation of engineering structures, with an emphasis on the identification of defects in the examination of bridge structures. Scientific research is aimed at finding the most appropriate methodology to simplify and improve the quality of the survey process, as well as the architecture of the neural network. The analysis of domestic and foreign studies devoted to the automatic detection of defects in building structures using convolutional neural networks (CNN – Convolutional Neural Network), YOLO (You Only Look Once) algorithms, AutoML (Automated Machine Learning) methods and software and hardware complexes based on unmanned aerial vehicles. The advantages and disadvantages of existing solutions related to the dependence of recognition quality on the size of the training sample, shooting conditions, the difficulty of locating low-contrast defects and the need for additional involvement in the process of engineering interpretation of the results are considered. The existing approaches to defect identification have been systematized, and the positive and negative elements of tools in machine vision systems have been identified for their prospective consideration when creating a module for bridge inspection. The conclusion is made about the prospects of introducing neural network technologies into the practice of surveying engineering structures, provided that specialized training samples are formed and the accuracy of the models is independently verified. The availability of a powerful neural network tool for examining bridge structures, trained by engineers on specific examples of the bridge sphere, will simplify the survey and increase the number of structures evaluated per unit of time by one team. In conclusion, a multi-stage approach is proposed for further research, including the recognition of structural elements, the detection and classification of defects, as well as subsequent engineering verification of the results.
The authors declare that there are no conflicts of interest present.