Während wir normalerweise mit Betonfertigteilen arbeiten, haben wir uns mit Dr. Ravi A. Patel und Dr.-Ing. Frank Dehn vom „ Institut für Massivbau und Baustofftechnologie (IMB) “ am KIT zusammengetan, um unsere Fähigkeiten auf bestehende Gebäude, im speziellen Brücken, anzuwenden.

Das Konferenzpapier mit dem Titel „ Convolution Neural Network-based Machine Learning Approach for Visual Inspection of Concrete Structures “ wurde diesen Monat (Januar 2022) in „Proceedings of the 1st Conference of the European Association on Quality Control of Bridges and Structures“ veröffentlicht.

Hier einige Einblicke aus der Arbeit als Zusammenfassung:

Problem: Die manuelle Sichtkontrolle von Beton ist zwar wichtig für die Qualitätskontrolle und Wartung, aber eine teure, zeitaufwändige und arbeitsintensive Aufgabe.

Möglicher Anwendungsfall: In diesem Zusammenhang können durch maschinelles Lernen unterstützte Robotersysteme helfen, die visuelle Inspektion zu automatisieren.

Ziele der Arbeit: Es gibt bereits Forschung zu auf maschinellem Lernen basierenden Lösungen für die visuelle Inspektion, die sich auf die Erkennung von Rissen konzentriert. Dennoch sollten intelligente visuelle Inspektionssysteme für Betonkonstruktionen Schäden nicht nur erkennen, sondern auch klassifizieren und Einblicke in die Schadensursache geben, indem sie für jeden Fehler ein oder mehrere zusätzliche Labels vorhersagen.

Design: Um die Entwicklung solcher intelligenter Systeme zu ermöglichen, geben wir zunächst einen Überblick über ein konzeptionelles Rahmenwerk für kontinuierliches Lernen, bei dem ein im Web gehostetes Annotationstool als Schnittstelle zum Sammeln von Informationen fungiert. Das vorläufige Bounding-Box-basierte Convolution Network zur Schadenserkennung und -klassifizierung in diesem Rahmen fungiert als Assistent, durch den aktives Lernen in Zukunft robuster wird. Wir entwickeln und trainieren ein solches Netzwerk auf der Open-Access-Datenbank CODEBRIM (für Details siehe Abbildung 2). Der architektonische Hauptbeitrag ist der neuartige Multi-Label-Classification-Head, der die Fehler nicht nur klassifiziert, sondern ihnen auch ein oder mehrere zusätzliche Attribute zuweist.

Ergebnis: Wir fanden heraus, dass das entwickelte Netzwerk hilfreich ist, um die Annotationsaufgabe zu unterstützen. Darüber hinaus könnte es interessant sein, dass unser entwickeltes Netzwerk eine ausreichende Genauigkeit erreicht hat und eine mittlere Multi-Label-Genauigkeit von 92,7 % erreicht hat (für Details siehe Tabelle 1).

Wenn Sie daran interessiert sind, den vollständigen Text zu lesen, können Sie uns jederzeit über contact@preml.io kontaktieren und wir werden ihn Ihnen zusenden.

Herzlichen Dank an Dr. Patel & Dr.-Ing. Dehn vom IMB, wir werden weiter an diesem und anderen Themen zur Verschmelzung von Künstlicher Intelligenz und Beton zusammenarbeiten und Sie über den Fortgang auf dem Laufenden halten!

Bis dahin! – David

Kontaktieren Sie uns unter contact@preml.io oder verbinden Sie sich mit mir auf LinkedIn

Bildquelle: Patel RA, Steinmann L., Fehrenbach J., Fehrenbach D., Dehn F. (2022) Convolution Neural Network-based Machine Learning Approach for Visual Inspection of Concrete Structures. In: Pellegrino C., Faleschini F., Zanini MA, Matos JC, Casas JR, Strauss A. (Hrsg.) Proceedings of the 1st Conference of the European Association on Quality Control of Bridges and Structures. EUROSTRUKTUR 2021. Vorlesungsunterlagen Bauingenieurwesen, Band 200. Springer, Cham. https://doi.org/10.1007/978-3-030-91877-4_80