AI Summary & Key Takeaways
AI InsightIt is hoped that this study will be useful for researchers who want to research or develop projects on structural crack detection and introduce the points that researchers can benefit from.
📌 3 Key Takeaways
Abstract
This study is about autonomous crack detection in concrete structures using computer vision and deep learning. Fast and successful detection of cracks is very important for early and effective detection of structural damage. In this context, 3 different data sets obtained from the online sources with crack photos and a data set with photos of different parts of different structures without crack photos were used. The results obtained by using different combinations of datasets for training and testing of deep learning architecture are discussed. U-Net, designed for image segmentation, was used as a deep learning architecture. The findings showed that the success rate of crack detection increased with the use of crack-free photographs of different parts of the structures in the training data in convolutional neural networks trained for crack detection in reinforced concrete structures. In addition, the results obtained by using different data sets for the training and testing of the convolutional neural network have given a serious prediction that the U-Net architecture can be used in real-world crack detection problems. It is hoped that this study will be useful for researchers who want to research or develop projects on structural crack detection and introduce the points that researchers can benefit from.
Özet
Bu çalışma beton yapılarda çatlak tespitinin bilgisayarlı görü ve derin öğrenme kullanılarak otonom gerçekleştirilmesi konusundadır. Çatlakların hızlı ve başarılı şekilde tespit edilmesi yapısal hasar tespitinin erken ve etkili yapılabilmesi için oldukça önemlidir. Bu kapsamda çevrim içi kaynaklardan elde edilen, içerisinde çatlak fotoğrafları bulunan 3 farklı veri seti ve içerisinde çatlak fotoğrafı bulunmayan farklı yapıların farklı bölgelerine ait fotoğraflar bulunan bir veri seti kullanılmıştır. Derin öğrenme mimarisinin eğitimi ve testi için veri setlerinin farklı kombinasyonlarda kullanımı ile elde edilen sonuçlar tartışılmıştır. Derin öğrenme mimarisi olarak görüntü bölütlemesi (image segmentation) için tasarlanmış olan U-Net kullanılmıştır. Elde edilen bulgular betonarme yapılarda çatlak tespiti için eğitilen evrişimli sinir ağlarında eğitim verisi içerisinde yapıların farklı bölgelerine ait çatlak içermeyen fotoğrafların kullanılması ile çatlak tespiti konusundaki başarı oranının arttığını göstermiştir. Ayrıca evrişimli sinir ağının eğitimi ve testi için birbirinden farklı veri setlerinin kullanılması ile elde edilen sonuçlar U-Net mimarisinin gerçek dünyadaki çatlak tespit problemlerinde kullanılabilir olduğu konusunda ciddi bir öngörü kazandırmıştır. Yapılan bu çalışmanın yapısal çatlak tespiti konusunda araştırma yapmak veya proje geliştirmek isteyen araştırmacılar için faydalı olması ve araştırmacıların yararlanabilecekleri noktaları tanıtması umulmaktadır.