Интеллектуальные системы прогнозирующего контроля качества в строительстве: анализ эффективности машинного обучения для автоматизированной инспекции строительных дефектов
Ключевые слова:
машинное обучение, контроль качества строительства, компьютерное зрение, сверточные нейронные сети, детекция дефектов, автоматизированная инспекция, строительные конструкции.Аннотация
Современная строительная отрасль характеризуется высоким уровнем дефектов, достигающим 15-30% от общего объема работ, что обусловлено ограничениями традиционных методов визуального контроля качества. Настоящее исследование представляет комплексный анализ применения интеллектуальных систем прогнозирующего контроля качества на основе алгоритмов машинного обучения для автоматизированной детекции строительных дефектов. Целью работы является оценка эффективности различных архитектур нейронных сетей в задачах классификации и сегментации дефектов строительных конструкций с разработкой методологических рекомендаций по их практическому внедрению. Исследование проводилось с использованием сверточных нейронных сетей ResNet-50, U-Net и YOLOv5 на датасете из 12,847 изображений строительных дефектов, собранных с 73 объектов различного назначения в период 2023-2024 годов. Применялись методы кросс-валидации, статистического анализа и экономической оценки эффективности. Результаты демонстрируют, что модифицированная архитектура U-Net обеспечивает точность детекции трещин в бетонных конструкциях 89,4% против 62,1% при традиционных методах контроля, при сокращении времени инспекции с 4,2 часа до 0,8 часа на 1000 м² площади. Экономический анализ показал снижение затрат на контроль качества на 67,3% при повышении выявляемости критических дефектов на 73,6%. Практическая значимость работы заключается в формировании научно-обоснованных рекомендаций по выбору оптимальных архитектур машинного обучения для различных типов строительных объектов, что способствует повышению качества и безопасности строительства при снижении экономических затрат.
Библиографические ссылки
Bezerra A., da Silva K.C.N., Nascimento E. Industrial environment: A strategy for preventive maintenance using machine learning to predict the useful life of equipment and statistical process control for continuous monitoring of variables // INFOCOMP journal of computer science. 2023. Vol. 22. pp. 1-9.
Bianchi E., Hebdon M. Visual structural inspection datasets // Automation in Construction. 2022. Vol. 139. pp. 104-299.
Cardellicchio A., Nobile S., Tateo A., Zaccara A., Lomonte G., Angelastro A. Physical interpretation of machine learning-based recognition of defects for the reliability assessment of welded joints // Electronic markets. 2024.
Dais D., Bal I.E., Smyrou E., Sarhosis V. Automatic crack classification and segmentation on masonry surfaces using convolutional neural networks and transfer learning // Automation in construction. 2021. Vol. 125. pp. 103-606.
Dorafshan S., Thomas R.J., Maguire M. SDNET2018: An annotated image dataset for non-contact concrete crack detection using deep convolutional neural networks // Data in brief. 2018. Vol. 21. pp. 1664-1668.
Elhariri E., El-Bendary N., Taie S.A. Historical-crack18-19: A dataset of annotated images for non-invasive surface crack detection in historical buildings // Data in brief. 2022. Vol. 41. pp. 107-865.
Guo J., Liu P., Xiao B., Deng L., Wang Q. Surface defect detection of civil structures using images: Review from data perspective // Automation in сonstruction. 2024. Vol. 158. рр. 105-186.
He Z., Chen J., Zhang Y.-H. Wang Infrastructure Crack Segmentation: Boundary Guidance Method and Benchmark Dataset // arXiv preprint arXiv:2306.09196. 2023.
Yang G., Liu K., Zhang J., Zhao B., Zhao Z., Chen X., Chen B.M. Datasets and processing methods for boosting visual inspection of civil infrastructure: A comprehensive review and algorithm comparison for crack classification, segmentation, and detection // Construction and building materials. 2022. Vol. 356. pp. 129-226.
Yang L., Li B., Li W., Liu Z., Yang G., Xiao J. A robotic system towards concrete structure spalling and crack database // 2017 IEEE Inter. conf. on robotics and biomimetics (ROBIO). 2017. pp. 1276-1281.
Yokoyama S., Matsumoto T. Development of an automatic detector of cracks in concrete using machine learning // Procedia engineering. 2017. Vol. 171. pp. 1250-1255.
Zhang G., Pan Y., Zhang L. Semi-supervised learning with GAN for automatic defect detection from images // Automation in Construction. 2021. Vol. 128. pp. 103-764.
