Использование машинного обучения для автоматического выявления дефектов строительных конструкций по результатам визуального обследования

Аннотация

Ручное визуальное обследование строительных конструкций сохраняет зависимость от квалификации и субъективного восприятия эксперта, из-за чего сопоставимость заключений по одному объекту у разных специалистов остаётся невысокой. В работе предложена и рассчитана модель автоматического выявления дефектов несущих и ограждающих конструкций по фотоматериалам визуального обследования, построенная на сопоставлении четырёх архитектур машинного обучения – классификатора ResNet-50, детектора YOLOv8 и сегментирующих сетей U-Net и DeepLabv3+. На модельной выборке из 12 480 размеченных фрагментов, охватывающей пять классов дефектов, получены значения точности, полноты и метрики F1 по каждому классу, а также показатель mAP и площадь пересечения масок. Наибольшая полнота по трещинам с раскрытием от 0,25 мм достигнута сетью DeepLabv3+ (0,921 при 0,864 у детектора), при снижении точности на мелких высолах до 0,68. Установлено, что рассогласование автоматической разметки и ручного протокола концентрируется на дефектах с размытой границей и при неблагоприятной освещённости, а прирост воспроизводимости заключения достигается переносом рутинного скрининга на модель при сохранении экспертной верификации пороговых случаев. Показано, что определяющим параметром результативности выступает пространственное разрешение снимка: при разрешении крупнее 0,8 мм на пиксель различие метрик между сетями сокращается до практически незначимого, и выбор архитектуры перестаёт влиять на итог распознавания сильнее, чем условия съёмки.