Smrzavanje i otapanje svake godine ostavljaju ozbiljne posledice na putevima, mostovima i drugim važnim infrastrukturnim objektima. Pukotine koje se pojavljuju na površinama često predstavljaju prve znake oštećenja, a ukoliko se ne otkriju na vreme mogu da prerastu u ozbiljan bezbednosni problem.
Ilustracija (Foto: AI generated)
Istraživači sa Konkordija univerziteta razvili su novi sistem za detekciju pukotina koji kombinuje tehnologiju dronova i veštačku inteligenciju zasnovanu na analizi slika. Njihov model pod nazivom segment-any-crack (SAC) unapređuje postojeće AI metode za identifikaciju oštećenja, ali uz znatno manje potrebe za dodatnim treniranjem sistema.
Rezultati istraživanja, objavljeni u časopisu Journal of Computing in Civil Engineering, pokazali su da novi pristup ostvaruje veću preciznost u odnosu na modele koji prolaze kroz potpuno ponovno treniranje. Istovremeno, za prilagođavanje sistema bilo je potrebno izmeniti manje od 0,05% parametara modela, čime se značajno smanjuje potrošnja računarskih resursa.
Oglas
Sistem je pokazao dobre rezultate i prilikom rada sa potpuno novim bazama podataka, što ukazuje da se može uspešno prilagođavati različitim uslovima i okruženjima bez dodatne obuke.
Iako su AI alati za inspekciju infrastrukture već brži od klasičnih manuelnih metoda, oni uglavnom zahtevaju velike količine pažljivo označenih podataka kako bi radili efikasno. Dodatni problem predstavlja prilagođavanje različitim materijalima, teksturama površina ili uslovima osvetljenja, što često zahteva dugotrajan i skup proces ponovnog treniranja modela.
Kako bi prevazišli te izazove, istraživači su se fokusirali samo na deo sistema poznat kao slojevi normalizacije. Ovi elementi služe za stabilizaciju toka podataka kroz neuronsku mrežu i mogu se podešavati tako da bolje odgovaraju novim tipovima fotografija. Umesto kompletne rekonstrukcije modela, tim je unapredio samo te ključne delove sistema.
Po-Han Chen, profesor na Odseku za građevinarstvo, građevinsko i ekološko inženjerstvo i koautor studije, objasnio je da je cilj razvoja sistema potpuna automatizacija procesa pregleda infrastrukture. Umesto odlaska na teren, prikupljanja velikog broja fotografija i video-snimaka i naknadne analize pomoću konvencionalnih algoritama, novi pristup omogućava automatizovanu obradu i identifikaciju pukotina.
Chen je naveo da bi ovakav sistem mogao biti posebno koristan za velika područja poput Kanade, gde postoji ogromna teritorija koju treba nadzirati, dok je raspoloživa radna snaga ograničena.
Tim je svoju metodu primenio na veliki, unapred obučeni, AI sistem za segmentaciju slika, odnosno tehnologiju koja prepoznaje i označava objekte na nivou pojedinačnih piksela. Nakon toga, pristup je testiran na više modela za detekciju pukotina korišćenjem baze sa više od 30.000 fotografija koje obuhvataju različite materijale i realne uslove sa terena.
Rezultati istraživanja pokazali su da selektivno fino podešavanje modela može da nadmaši tradicionalne pristupe uz znatno manju potrošnju resursa. Skraćivanje vremena obuke i smanjenje računarskih zahteva istovremeno umanjuju troškove i čine nadzor infrastrukture na velikoj skali daleko praktičnijim.
Nova tehnologija je, prema navodima istraživača, znatno skalabilnija u odnosu na prethodna rešenja, što otvara mogućnost njene primene u širokom spektru scenarija za inspekciju i održavanje infrastrukture.
