27718

شناسايي عيبهاي لولههاي فاضلاب و پيشبيني وضعيت خرابي در تصاوير دوربين مداربسته با كمك الگوريتمهاي يادگيري ماشين

كارشناسي ارشد

مديريت ساخت

1398

1401/07/04

مصفي خانزادي

عمران

لولههاي فاضلابهاي شهري جزء زيرساختهاي مهم و اصلي شهر و كشور هستند. شبكهي لولههاي فاضلابها بهعنوان وسيلهاي براي حفاظت از كيفيت آب، حفاظت از سلامت عمومي، بهداشت، باران و تخليه آب اضافي از باران، ذوب برف كه سپس به رودخانهها، درياچهها يا درياها هدايت ميشود، عمل ميكنند. بااينحال، اين داراييها در معرض تهديد جدي قرار دارند، زيرا زماني كه لوله فاضلاب قديمي ميشود، نقصها و تركهاي بيشتري در سطح آن ظاهر ميشود. همچنين توسعهي شهرها افزايش جمعيت موجب آن شده است كه لولههاي فاضلابها نقش مهمتري براي توسعه و ترميم داشته باشند. براي همين، روشهاي بازرسي به سمت آن رفته است تا در حداقل زمان بتوان عيبهاي لوله فاضلاب شناسايي شود و براي ترميم آن اقدام به عمل آيد. در رويكرد ارائهشده از روشهاي مبتني بر هوش مصنوعي و يادگيري ماشين براي دستيابي به مجموعهاي بهينه براي تشخيص عيبهاي لولههاي فاضلاب و تشخيص وضعيت آن استفاده ميشود. اين رويكرد از چهار بخش اصلي تشكيلشده است كه در بخش اول تشخيص وجود يا عدم وجود درشناسايي عيبهاي لولههاي فاضلاب كه به كمك فيلترهاي متنوع براي استخراج ويژگي هر عكس استفاده ميشود و در ادامه به كمك الگوريتمهاي يادگيري ماشين درشناسايي وجود يا عدم وجود عيب بهره ميبرد. در بخش دوم با استفاده از الگوريتم تشخيص متن بر روي تصاوير، مسافتهاي پيموده شده كه بر روي هر عكس از فيلم نمايش دادهشده است، استخراجشده و بعد از بررسي احتمال وجود عيب به نمايش درميآيد. در بخش سوم پس از بررسي در دو بخش پيشين، تشخيص نوع عيب با كمك الگوريتمهاي شبكه مصنوعي انجام ميپذيرد و در بخش آخر ميزان خرابي به كمك پردازش تصوير بر روي تصاوير انجام ميپذيرد. پيادهسازي رويكرد ارائهشده بر روي مطالعهي موردي از دو شهر اصفهان و ساري انجامگرفته است. نتايج پيادهسازي نشان ميدهد كه رويكرد ارائهشده، با دقت 87درصد در بخش اول وجود و يا عدم وجود عيب را تشخيص داد و در بخش شبكه مصنوعي با دقت 80درصد در شناخت نوع عيب به دست آمد. اين رويكرد ميتواند بهمنظور بهبود و راهكاري سريع براي بررسي فيلمهاي ويديو متري شود همچنين ميتواند برنامهي بهسازي بهينه را بعد از بررسي تمامي ويديوها ارائه دهد كه منجر به كاهش هزينه در مديريت و بهسازي لولههاي فاضلاب شود

1401/10/07

Identifying the defects of sewer pipes and predicting the sewer condition in CCTV images

9/26/2023 12:00:00 AM

Urban sewage is one of the important and main infrastructures of the city and the country. The Sewers structure goal is protecting of water quality, protecting public health, sanitation, rain and draining excess water from rain, snowmelt that is then directed to rivers, lakes or seas. However, these assets are under serious threat because as the sewer pipe ages, more defects and cracks appear on its surface. Because of development of the cities and population increase, sewers play a more important role for development and repair. For this reason, the inspection methods have gone towards it so, that the defects of the sewage can be identified in the minimum time and action can be taken to repair it. In the presented approach, methods based on artificial intelligence and machine learning are used to achieve an optimal model for detecting the defects of sewer pipes and diagnosing sewer condition. This approach consists of four main parts, which in the first part detects the presence or absence of defects in sewer pipes with the help of various filters to extract the characteristics of each photo, and then uses machine learning algorithms to identify the presence or absence of defects. In the second part, using the text recognition algorithm on the images, the traveled distances displayed on each photo of the film are extracted and displayed after checking the possibility of defects. In the third part, after checking the first two parts, the type of defect is detected with the help of artificial network algorithms, and in the last part, the amount of damage is done with the help of image processing on the images. The implementation of the presented approach has been done on a case study from two cities of Isfahan and Sari. The results of the implementation show that the presented approach detected the presence or absence of a defect with 87% accuracy in the first part and 80% accuracy in recognizing the type of defect in the artificial network section. This approach can be used as a quick solution for the improvement and review of video footage, and it can also provide an optimal improvement plan after reviewing all the videos, which will lead to cost reduction in the management and improvement of sewer pipes

عيب هاي لوله هاي فاضلاب , ّ ويديومتري , هوش مصنوعي , يادگيري عميق , يادگيري عميق

Deep Learning , Videometry , Artificial intelligence , Sewer Defects , Machine learning , Sewer Condition

sobhan rajabzadeh

mostafa khanzadi