Издаётся с сентября 1923 года
DOI: 10.33622/0869-7019
Russian Science Citation Index (RSCI) на платформе Web of Science


  • СТРОИТЕЛЬНЫЕ КОНСТРУКЦИИ, ЗДАНИЯ И СООРУЖЕНИЯ
  • Сверточные нейронные сети для выявления дефектов и повреждений конструкций
  • УДК 69.07:004.8
    doi: 10.33622/0869-7019.2024.09.52-58
    Дмитрий Владимирович СТЕПАНОВ1, генеральный директор, soyzstal@mail.ru
    Александр Владимирович МАКАРОВ1, зам. генерального директора, soyzstal@mail.ru
    Алексей Максимович МОЛОТОВ2, генеральный директор, ML-разработчик, molotov@a-2-m.ru
    Евгений Николаевич ОБЛЕТОВ1,3, инженер-проектировщик, старший преподаватель, аспирант ННГАСУ, evg.obletov@gmail.com
    1 Союзстальконструкция, 603155 Нижний Новгород, ул. Максима Горького, 262, оф. П250
    2 А2М, 124482 Москва, Зеленоград, к. 313А, пом. I, ком. 13
    3 Нижегородский государственный архитектурно-строительный университет (ННГАСУ), 603950 Нижний Новгород, ул. Ильинская, 65
    Аннотация. Представлены возможности цифровой платформы NEIMARKER для автоматического распознавания дефектов и повреждений строительных конструкций на основе алгоритмов компьютерного зрения и глубокого обучения нейронных сетей. Изложены основные функциональные преимущества разработанной автоматизированной системы, включая распознавание различных типов конструкций, выявление основных видов дефектов, возможность дообучения нейросетей для установления новых типов повреждений. Приведены сведения о достигнутой высокой точности распознавания дефектов и повреждений, обеспечивающей практическую применимость решения в инженерных компаниях. Внедрение предложенной системы позволит сократить время на обработку результатов обследования объектов, повысить качество итоговой документации и снизить количество ошибок. В статье намечены перспективы дальнейшего развития и применения разработанной цифровой платформы в различных отраслях промышленности.
    Ключевые слова: цифровая платформа NEIMARKER, сверточные нейронные сети (CNN), обучение нейросетей, распознавание дефектов конструкций, техническое обследование объектов, машинное зрение
  • СПИСОК ИСТОЧНИКОВ 1. Наумов А. Е., Юдин Д. А., Долженко А. В. Совершенствование технологии строительства и технической экспертизы с использованием аппаратно-программного комплекса автоматизированной дефектоскопии // Вестник БГТУ им. В. Г Шухова. 2019. № 4. С. 61-69. 2. Kim B., Cho S. Automated vision-based detection of cracks on concrete surfaces using a deep learning technique [Автоматизированное визуальное обнаружение трещин на бетонных поверхностях с использованием метода глубокого обучения]. Sensors (Basel), 2018, vol. 18 (10), pp. 1-18. doi: 10.3390/s18103452 3. Князева Н. В., Назойкин Е. А., Орехов А. А. Применение искусственного интеллекта для обнаружения дефектов в строительных конструкциях // Строительство и архитектура. 2023. №. 3. С. 18. doi: 10.29039/2308-0191-2023-11-3-18-18 4. Zou Q., Zhang Z., Li Q. et al. DeepCrack: Learning hierarchical convolutional features for crack detection [DeepCrack: изучение иерархических сверточных функций для обнаружения трещин]. IEEE Transactions on Image Processing, 2019, vol. 28(3), pp. 1498-1512. doi: 10.1109/TIP.2018.2878966 5. Zhao W., Chen F. et al. A new steel defect detection algorithm based on deep learning [Новый алгоритм обнаружения дефектов стали на основе глубокого обучения]. Computational Intelligence and Neuroscience, 2021, vol. 10, pp. 1-13. doi: 10.1155/2021/5592878 6. Кыонг Н. Т., Сырямкин В. И., Тхуи Н. Ч. Х. Модель метода распознавания объектов на изображениях с использованием "сверточной нейронной сети - CNN" // Современные наукоемкие технологии. 2020. № 12-2. С. 269-280. 7. Zhang L., Yang F., Zhang Y. D., Zhu Y. J. Road crack detection using deep convolutional neural network [Обнаружение дорожных трещин с помощью глубокой сверточной нейронной сети]. IEEE International Conference on Image Processing, 2019, pp. 2869-2873. doi: 10.1109/IVS.2019.8814000 8. Xu Y., Ding Z. et al. The steel surface multiple defect detection and size measurement system based on improved YOLOv5 [Система обнаружения множественных дефектов поверхности стали и измерения размеров на основе усовершенствованного YOLOv5]. Journal of Electrical and Computer Engineering, 2023, pp. 1-16. doi: 10.1155/2023/5399616 9. Самохвалов И. А., Трянина Н. Ю., Облетов Е. Н. Напряженно-деформированное состояние стальной башни с учетом коррозионных повреждений элементов и соединений // Промышленное и гражданское строительство. 2024. № 5. С. 54-60. doi: 10.33622/0869-7019.2024.05.54-60 10. Lao W., Cui Ch. et al. Computer vision-based autonomous method for quantitative detection of loose bolts in bolted connections of steel structures [Автономный метод компьютерного зрения для количественного обнаружения ослабленных болтов в болтовых соединениях стальных конструкций]. Structural Control and Health Monitoring, 2023, pp. 1-17. doi: 10.1155/2023/8817058 11. Yao N., Zhao Y., Wu X. et al. Bolt defect detection based on centerNet model [Обнаружение дефектов болтов на основе модели CenterNet]. IEEE International Conference on Dependable, Autonomic and Secure Computing, 2021, pp. 731-737. doi: 10.1109/DASC-PICom-CBDCom- CyberSciTech52372.2021.00121 12. Zhou J., Huo L. Computer vision-based detection for delayed fracture of bolts in steel bridges [Обнаружение замедленного разрушения болтов в стальных мостах с помощью компьютерного зрения]. Journal of Sensors, 2021, pp. 1-12. doi: 10.1155/2021/8325398 13. Брекоткин И. А., Рабовская М. Я. Применение нейронной сети для распознавания сварочных дефектов // Молодой ученый. 2024. № 19(518). С. 9-13. 13. Brekotkin I. A., Rabovskaya M. Ya. The use of a neural network for the recognition of welding defects. Molodoj uchyonyj, 2024, no. 19(518), pp. 9-13. (In Russ.).
  • Для цитирования: Степанов Д. В., Макаров А. В., Молотов А. М., Облетов Е. Н. Сверточные нейронные сети для выявления дефектов и повреждений конструкций // Промышленное и гражданское строительство. 2024. № 9. С. 52-58. doi: 10.33622/0869-7019.2024.09.52-58

НАЗАД