德雷克塞尔大学的研究人员提出了人工智能引导系统

发布时间：2024-01-31 15:47:53 栏目：精选知识

导读 我们的建筑环境老化和故障的速度超出了我们的维护能力。专家表示，最近发生的建筑物倒塌以及道路和桥梁的结构性故障表明问题可能会变得更糟

我们的建筑环境老化和故障的速度超出了我们的维护能力。专家表示，最近发生的建筑物倒塌以及道路和桥梁的结构性故障表明问题可能会变得更糟，因为不可能检查每一个裂缝、吱吱声和碎裂，以解析正常磨损造成的危险故障迹象。为了迎头赶上，德雷塞尔大学工程学院的研究人员正在尝试为机器人助手提供工具来帮助检查员完成工作。



研究人员通过一种新的机器学习方法增强视觉检测技术——近年来为加速损坏评估提供了部分解决方案——创建了一个系统，他们相信该系统可以通过自主机器人有效识别和检查问题区域。据《建筑自动化》杂志报道，他们的多尺度系统将计算机视觉与深度学习算法相结合，以查明裂缝问题区域，然后对这些区域进行一系列激光扫描，创建一个“数字孪生”计算机模型，该模型可以用于评估和监测损害。

该系统代表了一种策略，可以显着减少总体检查工作量，并能够集中考虑和注意防止结构故障。

“裂纹可以被视为患者的医学症状，应该在早期阶段进行筛查，”作者、德雷塞尔大学工程学院的助理教授Arvin Ebrahimkhanlou博士和研究助理 Ali Ghadimzadeh Alamdari 写道。“因此，尽早准确地检测和测量裂缝对于及时诊断、维护和修复工作、防止进一步恶化并减轻潜在危险至关重要。”

但他们指出，目前全国许多建筑物、桥梁、隧道和水坝都在行走中受伤，首要任务应该是建立分诊系统。在两党基础设施​​法颁布之前，美国土木工程师协会估计道路和桥梁维修积压金额为 7,860 亿美元。雪上加霜的是，熟练的基础设施工人日益短缺——包括检查员和修复老化建筑的人员。

“民用基础设施包括大型结构和桥梁，但它们的缺陷往往规模较小，”易卜拉欣汗卢说。“我们相信，采用多尺度机器人方法将能够通过计算机视觉对问题区域进行有效的预筛选，并使用基于激光的无损扫描对缺陷进行精确的机器人扫描。”

该系统不是使用人眼主观解释的物理测量，而是使用高分辨率立体深度相机将结构馈送到称为卷积神经网络的深度学习程序中。这些程序用于面部识别、药物开发和深度伪造检测，因其能够发现大量数据中最精细的模式和差异而受到关注。

在混凝土结构图像数据集上训练算法可以将它们变成裂缝检测器。

“神经网络已经在样本裂缝数据集上进行了训练，它可以识别机器人系统从混凝土结构表面收集的图像中的类似裂缝的图案。我们将包含这种模式的区域称为感兴趣区域。”Ebrahimkhanlou 说道，他在德雷克塞尔大学土木、建筑和环境工程系领导了基于机器人和人工智能的基础设施、机械和航空航天结构评估研究。

一旦识别出“感兴趣区域”(破裂或损坏的区域)，程序就会指示机械臂使用激光线扫描仪进行扫描，从而创建损坏区域的三维图像。同时，激光雷达(光探测和测距)相机扫描裂缝周围的结构。将两个图缝合在一起创建该区域的数字模型，显示裂缝的宽度和尺寸，并允许跟踪检查之间的变化。

“跟踪裂纹扩展是生成数字孪生模型的优势之一，”Alamdari 说。“此外，它还可以让桥梁业主更好地了解桥梁的状况，并制定维护和维修计划。”

该团队在实验室的一块有各种裂缝和老化的混凝土板上测试了该系统。在对其检测和测量小裂缝能力的测试中，该系统足够灵敏，可以查明并准确测量最小的裂缝(宽度不到百分之一毫米)，其性能优于顶级相机、扫描仪和光纤传感器具有可观的优势。