15039

بينايي ماشين در مهندسي عمران

1402

دكتر غلامرضا قدرتي اميري

بينايي ماشين به عنوان شاخه‌اي پيشرفته از هوش مصنوعي، در سال‌هاي اخير جايگاه ويژه‌اي در مهندسي عمران يافته است. اين فناوري با بهره‌گيري از الگوريتم‌هاي پردازش تصوير، يادگيري ماشين و به‌ويژه شبكه‌هاي عصبي عميق، توانايي تفسير و تحليل خودكار داده‌هاي بصري را فراهم كرده و موجب تحول در فرآيندهاي طراحي، نظارت، اجرا و نگهداري سازه‌هاي عمراني شده است. هدف از به‌كارگيري بينايي ماشين در مهندسي عمران، افزايش دقت، سرعت و كارايي در تصميم‌گيري‌هاي مهندسي و كاهش وابستگي به بررسي‌هاي دستي و پرهزينه است. يكي از مهم‌ترين كاربردهاي بينايي ماشين در اين حوزه، پايش سلامت سازه‌ها است. با استفاده از تصاوير گرفته‌شده توسط پهپادها يا دوربين‌هاي نصب‌شده در محل پروژه، ترك‌ها، خوردگي‌ها و تغييرشكل‌هاي سطحي به‌صورت خودكار شناسايي مي‌شوند. اين امر امكان تشخيص زودهنگام خرابي‌ها و جلوگيري از بروز خسارات جبران‌ناپذير را فراهم مي‌كند. از سوي ديگر، بينايي ماشين نقش مؤثري در مديريت پروژه‌هاي عمراني ايفا مي‌كند. از طريق تحليل خودكار تصاوير مراحل ساخت، ميزان پيشرفت پروژه با برنامه‌ريزي زماني تطبيق داده مي‌شود و خطاهاي اجرايي به سرعت شناسايي مي‌گردند. همچنين در زمينه‌ي كنترل كيفيت مصالح و فرآيند ساخت، اين فناوري با استفاده از مدل‌هاي يادگيري عميق قادر است نوع مصالح ساختماني، يكنواختي سطح بتن، تراكم آرماتورها و حتي كيفيت جوشكاري را مورد ارزيابي دقيق قرار دهد. كاربرد ديگر بينايي ماشين در مدل‌سازي سه‌بعدي محيط‌هاي واقعي است كه با استفاده از تصاوير برداشت‌شده از پهپادها يا حسگرهاي نوري، مدل‌هاي ديجيتال دقيقي از سازه‌ها و سايت‌هاي عمراني توليد مي‌شود. اين مدل‌ها در طراحي، بازبيني، و شبيه‌سازي عملكرد سازه‌ها بسيار مؤثرند. افزون بر آن، افزايش ايمني كارگاه‌هاي عمراني از طريق تحليل تصاوير زنده‌ي دوربين‌هاي نظارتي و تشخيص تجهيزات ايمني كارگران (نظير كلاه و جليقه) از ديگر مزاياي اين فناوري است كه به كاهش حوادث شغلي كمك شاياني مي‌كند.

1/1/1900 12:00:00 AM

87530

1404/07/15

پردازش تصوير , پايش سلامت سازه‌ها , يادگيري عميق , شبكه‌هاي عصبي كانولوشني , تشخيص مصالح ساختماني , كنترل كيفيت ساخت , شناسايي تغييرشكل‌ها , تصويربرداري حرارتي , ايمني كارگاه‌هاي عمراني

Construction site safety , Image processing , structural health monitoring , deep learning , convolutional neural networks , building material recognition , construction quality control , deformation detection