Geri Dön

Bridge surface crack detection based on artificial intelligence techniques

Yapay zeka tekniklerine dayanarak köprü yüzeyi çatlak tespiti

PDF İndir

  1. Tez No: 845169
  2. Yazar: ABBAS ABDULAMEER HAMEED HAMEED
  3. Danışmanlar: DR. ÖĞR. ÜYESİ OĞUZ KARAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Çatlak tespiti, Makine öğrenimi, Derin Öğrenme, İnsansız Hava Araçları (İHA), Evrişimsel Sinir Ağları (CNN), YOLO v8, Crack detection, Machine learning, Deep Learning, Unmanned Aerial Vehicles (UAVs), Convolutional Neural Networks (CNNs), YOLO v8
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Altınbaş Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilişim Teknolojileri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 81

Özet

Beton köprü yüzeylerinin çatlaklara karşı manuel olarak incelenmesi uzun zaman alır ve çok fazla malzeme ve emek israfına neden olur. Bu çalışma, geniş açık alanlarda insansız hava araçları (İHA'lar) ile beton köprü yüzeylerinin görsel olarak incelenmesi için hızlı ve otomatik bir makine öğrenme yöntemi sunarak bu sorunu incelemektedir. İHA'lar, beton köprü yüzeylerinin yüksek çözünürlüklü fotoğraflarını çekmek için kullanılır ve denetim alanının kapsamlı bir şekilde kapsanmasını sağlar. Güçlü YOLO (Yalnızca Bir Kez Bakarsınız) tekniğini kullanan, makine öğreniminin bir alt kümesi olan derin öğrenme teknolojisi, tek atışlı dedektörlere olanak tanır. Eğitim için çok doğru makine öğrenimi tekniklerinin kullanıldığı YOLO v8 modeli özel olarak kullanılmıştır. Bu model CSPDarknet-53 omurga yapısına sahip Evrişimli Sinir Ağlarını (CNN'ler) temel aldığından doğru ve güvenilir sonuçlar garanti edilir. Önerilen model, makine öğrenimi tabanlı gerçek zamanlı çatlak tespitinde olağanüstü performansa sahiptir. Derin Öğrenme modeli, %98,54 doğruluk oranıyla çatlak tespitinde dikkate değer bir hassasiyet ve doğruluk elde ediyor. Derin öğrenme modeli, %97'ye ulaşan bir hassasiyet ve geri çağırma dengesi ölçüsü olan F1 puanına göre hatalı pozitifleri sınırlandırırken çatlakları doğru bir şekilde tespit edebiliyor. Makine öğrenimi modelinin sağlamlığı ve doğruluğu, makine öğreniminde sıklıkla kullanılan ve %97,90 olarak hesaplanan bir istatistik olan ortalama ortalama hassasiyet (mAP) ile gösterilmektedir. Model aynı zamanda %83,11'lik mAP50-95 ile çeşitli Kavşaklarda Birlik (IoU) eşikleri üzerinden yüksek bir mAP elde ediyor. Geri çağırma oranı %94,66'ya ulaşarak gerçek çatlaklar için yüksek bir tespit oranı sağlarken, hassaslık oranı şaşırtıcı bir şekilde %99,41'i ölçerek yanlış alarmları en aza indirir. Ek olarak model, saniyede 95,24 kare (fps) gibi olağanüstü bir hızda çalışıyor; bu da, etkili gerçek zamanlı çatlak tespiti için makine öğrenimi yaklaşımlarının kullanılmasını mümkün kılıyor. Bu hız, hızlı karar almayı ve müdahale etmeyi mümkün kıldığından pratik uygulamalar için uygundur. Çalışmamız beton köprü yüzeylerindeki çatlakları anında tespit etmek için yeni ve etkili bir makine öğrenme yöntemi önermektedir. YOLO algoritması yardımıyla İHA'lardan görüntü toplama kullanılıyor.

Özet (Çeviri)

The manual inspection of concrete bridge surfaces for cracks takes a long time and wastes a lot of materials and labor. This study examines this problem by offering a quick and automated machine-learning method for visually inspecting concrete bridge surfaces with unmanned aerial vehicles (UAVs) in large open spaces. UAVs are used to capture high-resolution photographs of concrete bridge surfaces, providing thorough coverage of the inspection area. Utilizing the potent YOLO (You Only Look Once) technique, deep learning technology, a subset of machine learning, enables single-shot detectors. Use is made specifically of the YOLO v8 model, which was very accurate machine learning techniques were used to train. Since this model is based on Convolutional Neural Networks (CNNs) with the CSPDarknet-53 backbone structure, accurate and trustworthy results are guaranteed. The suggested model has outstanding performance in machine learning-based real-time crack detection. The Deep Learning model achieves remarkable precision and correctness in crack detection with an accuracy rating of 98.54%. The deep learning model can accurately detect cracks while limiting false positives, according to the F1 score, a measure of precision and recall balance, which reaches 97%. The robustness and accuracy of the machine learning model are demonstrated by the mean average precision (mAP), a statistic frequently employed in machine learning, which is calculated to be 97.90%. With a mAP50-95 of 83.11%, the model also achieves a high mAP across various Intersections over Union (IoU) thresholds. The recall rate reaches 94.66%, ensuring a high detection rate for true cracks, while the precision rate measures an astonishing 99.41%, minimizing false alarms. Additionally, the model runs at a phenomenal 95.24 frames per second (fps), which makes it possible to use machine-learning approaches for effective real-time crack detection. This speed suits it for practical applications since it enables prompt decision-making and intervention. Our study suggests a new, effective machine-learning method for instantly detecting cracks in concrete bridge surfaces. Utilizing image collecting from UAVs, With the help of the YOLO algorithm.

Benzer Tezler

  1. Tez No

    673536

    Detection of damages in CFST column using ultrasonic waves

    Ultrasonik dalgalar kullanılarak CFST kolonundaki hasarların tespiti

    NASHWAN IBRAHIM SALEH SALEH

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    İnşaat MühendisliğiVan Yüzüncü Yıl Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. MURAT MUVAFIK

    PROF. DR. NADOM KHALİFA MUTLİB

  2. Tez No

    577022

    Deep learning based crack detection with applications to structural health monitoring

    Yapısal sağlık izlenmesinde derin öğrenme temelli çatlak tespiti

    MAHTAB MOHTASHAM KHANI

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ NAZIM KEMAL ÜRE

  3. Tez No

    477739

    Development of optimal deflection hardening cementitious composites mixture for highway bridge decks to address shrinkage cracking problem

    Otoyol köprü tabliyelerindeki rötre çatlak problemlerine çözüm getirecek şekil değiştirme sertleşmesi gösteren çimento bağlayıcılı kompozitlerin en uygun karışım tasarımı

    QAIS SAHIB KAREEM BANYHUSSAN

    Doktora

    İngilizce

    İngilizce

    2017

    İnşaat MühendisliğiGaziantep Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA GÜNAL

  4. Tez No

    352202

    Karbon lifli polimerler (CFRP) ile güçlendirilmiş çelik-betonarme kompozit kirişlerin yorulma davranışı

    Fatigue behavior of steel-concrete composite beams strengthened with carbon fiber reinforced polymers (CFRP)

    BARIŞ GÜNEŞ

    Doktora

    Türkçe

    Türkçe

    2013

    İnşaat Mühendisliğiİstanbul Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. NAMIK KEMAL ÖZTORUN

    PROF. DR. ALPER İLKİ

  5. Tez No

    773509

    Laser-based structural sensing and surface damage detection

    Lazer tabanlı yapısal algılama ve yüzey hasar tespiti

    BURCU GÜLDÜR ERKAL

    Doktora

    İngilizce

    İngilizce

    2014

    İnşaat MühendisliğiNortheastern University

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. JEROME F. HAJJAR

Geri Dön