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.
The modern construction industry is characterized by a high level of defects, reaching 15-30% of the total volume of work, due to the limitations of traditional methods of visual quality control. The present study presents a comprehensive analysis of the use of intelligent predictive quality control systems based on machine learning algorithms for automated detection of construction defects. The aim of the work is to evaluate the effectiveness of various neural network architectures in the tasks of classifying and segmenting defects in building structures with the development of methodological recommendations for their practical implementation. The study was conducted using convolutional neural networks ResNet-50, U-Net and YOLOv5 on a dataset of 12,847 images of construction defects collected from 73 objects for various purposes in the period 2023-2024. Methods of cross-validation, statistical analysis and economic efficiency assessment were used. The results demonstrate that the modified U-Net architecture provides 89.4% crack detection accuracy in concrete structures compared to 62.1% with traditional inspection methods, while reducing the inspection time from 4.2 hours to 0.8 hours per 1000 m2 of area. The economic analysis showed a 67.3% reduction in quality control costs while increasing the detection of critical defects by 73.6%. The practical significance of the work lies in the formation of scientifically based recommendations on the selection of optimal machine learning architectures for various types of construction sites, which contributes to improving the quality and safety of construction while reducing economic costs.