شماره ركورد
33753
پديد آورنده
محمدرضا احمدي
عنوان
پايش سلامت سازه ها با استفاده از تكنيك هاي بينايي كامپيوتر
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مهندسي عمران گرايش مهندسي زلزله
سال تحصيل
1402
تاريخ دفاع
1404/06/15
استاد راهنما
دكتري غلامرضا قدرتي اميري - دكتر احسان درويشان
استاد مشاور
دكتر مرتضي رئيسي دهكردي
دانشكده
مهندسي عمران
چكيده
پايش سلامت سازهها (Structural Health Monitoring) يكي از حوزههاي كليدي در مهندسي عمران است كه با هدف افزايش ايمني، بهينهسازي هزينههاي نگهداري و افزايش طول عمر بهرهبرداري از سازههاي حياتي مورد توجه قرار گرفته است. پيشرفتهاي اخير در حوزه هوش مصنوعي و بينايي كامپيوتر، امكان توسعه روشهاي نويني را فراهم كرده است كه با دقت و سرعت بالاتر، رفتار سازهها را پايش و تحليل ميكنند. با توجه به رشد زيرساختهاي عمراني و ضرورت تضمين پايداري و ايمني آنها، توسعه رويكردهاي كارآمد و هوشمند در پايش سلامت سازهها اهميتي مضاعف يافته است. روشهاي سنتي اغلب مستلزم صرف هزينه و زمان قابل توجه بوده و محدوديتهايي در تفسير و تحليل دادهها دارند. از اين رو، استفاده از روشهاي مبتني بر پردازش سيگنال، تبديلهاي رياضي و شبكههاي عصبي ميتواند بستري مناسب براي ارتقاي دقت و كارايي سامانههاي پايش سلامت فراهم آورد. در اين پژوهش، سيگنالهاي سازهاي با بهرهگيري از تبديل ويولت پيوسته به فضاي تصويري تبديل شدند. سپس با استفاده از الگوريتمهاي استخراج نقاط كليدي، ويژگيهاي مؤثر از تصاوير به دست آمد. در ادامه، شبكه عصبي كانولوشنال (CNN) براي آموزش و شناسايي الگوهاي رفتاري سازه مورد استفاده قرار گرفت. تحليل تغييرات نقاط كليدي، مبناي ارزيابي وضعيت سازه و تشخيص آسيبها قرار گرفت و كارايي اين رويكرد در شناسايي تغييرات ساختاري مورد ارزيابي قرار داده شد. نتايج حاصل نشان داد كه تركيب تبديل ويولت پيوسته، تحليل ويژگيهاي تصويري و شبكههاي عصبي كانولوشنال ميتواند به عنوان رويكردي كارآمد و نوآورانه در پايش سلامت سازهها مطرح شود. اين روش علاوه بر ارتقاي دقت و كاهش پيچيدگي محاسباتي، قابليت تعميمپذيري بالايي داشته و زمينه مناسبي براي توسعه كاربردهاي آتي در حوزه پايش سازههاي مختلف فراهم ميسازد. پايش سلامت سازهها (Structural Health Monitoring) يكي از حوزههاي كليدي در مهندسي عمران است كه با هدف افزايش ايمني، بهينهسازي هزينههاي نگهداري و افزايش طول عمر بهرهبرداري از سازههاي حياتي مورد توجه قرار گرفته است. پيشرفتهاي اخير در حوزه هوش مصنوعي و بينايي كامپيوتر، امكان توسعه روشهاي نويني را فراهم كرده است كه با دقت و سرعت بالاتر، رفتار سازهها را پايش و تحليل ميكنند. با توجه به رشد زيرساختهاي عمراني و ضرورت تضمين پايداري و ايمني آنها، توسعه رويكردهاي كارآمد و هوشمند در پايش سلامت سازهها اهميتي مضاعف يافته است. روشهاي سنتي اغلب مستلزم صرف هزينه و زمان قابل توجه بوده و محدوديتهايي در تفسير و تحليل دادهها دارند. از اين رو، استفاده از روشهاي مبتني بر پردازش سيگنال، تبديلهاي رياضي و شبكههاي عصبي ميتواند بستري مناسب براي ارتقاي دقت و كارايي سامانههاي پايش سلامت فراهم آورد. در اين پژوهش، سيگنالهاي سازهاي با بهرهگيري از تبديل ويولت پيوسته به فضاي تصويري تبديل شدند. سپس با استفاده از الگوريتمهاي استخراج نقاط كليدي، ويژگيهاي مؤثر از تصاوير به دست آمد. در ادامه، شبكه عصبي كانولوشنال (CNN) براي آموزش و شناسايي الگوهاي رفتاري سازه مورد استفاده قرار گرفت. تحليل تغييرات نقاط كليدي، مبناي ارزيابي وضعيت سازه و تشخيص آسيبها قرار گرفت و كارايي اين رويكرد در شناسايي تغييرات ساختاري مورد ارزيابي قرار داده شد. نتايج حاصل نشان داد كه تركيب تبديل ويولت پيوسته، تحليل ويژگيهاي تصويري و شبكههاي عصبي كانولوشنال ميتواند به عنوان رويكردي كارآمد و نوآورانه در پايش سلامت سازهها مطرح شود. اين روش علاوه بر ارتقاي دقت و كاهش پيچيدگي محاسباتي، قابليت تعميمپذيري بالايي داشته و زمينه مناسبي براي توسعه كاربردهاي آتي در حوزه پايش سازههاي مختلف فراهم ميسازد.
تاريخ ورود اطلاعات
1404/07/12
عنوان به انگليسي
structural health manitoring using computer vision techniques
تاريخ بهره برداري
9/6/2026 12:00:00 AM
دانشجوي وارد كننده اطلاعات
محمدرضا احمدي
چكيده به لاتين
Structural Health Monitoring (SHM) is one of the key domains in civil engineering, aiming to enhance safety, optimize maintenance costs, and extend the service life of critical infrastructures. Recent advances in artificial intelligence and computer vision have enabled the development of novel methods that monitor and analyze structural behavior with greater accuracy and efficiency. Given the rapid growth of civil infrastructures and the necessity of ensuring their stability and safety, the development of intelligent and effective approaches for SHM has become increasingly important. Traditional methods often require considerable time and cost and face limitations in data interpretation and analysis. Therefore, the adoption of approaches based on signal processing, mathematical transformations, and neural networks provides a suitable foundation for improving the accuracy and performance of SHM systems. In this study, structural signals were transformed into image space using the Continuous Wavelet Transform (CWT). Subsequently, effective features were extracted from the generated images through keypoint detection algorithms. A Convolutional Neural Network (CNN) was then employed for training and identifying structural behavioral patterns. The analysis of keypoint variations served as the basis for assessing the structural condition and detecting damages, and the effectiveness of this approach in identifying structural changes was evaluated. The results demonstrated that the integration of CWT, image feature analysis, and CNNs can serve as an efficient and innovative approach in SHM. This method not only enhances accuracy and reduces computational complexity but also offers high generalizability, providing a promising foundation for future applications in monitoring diverse types of structures.
كليدواژه هاي فارسي
پايش سلامت سازه ها , بينايي كامپيوتر , بديل ويولت پيوسته , شبكه عصبي كانولوشنال , استخراج ويژگي , شناسايي آسيب سازهاي
كليدواژه هاي لاتين
Structural Health Monitoring , Computer Vision , Continuous Wavelet Transform , Convolutional Neural Network , Feature Extraction , Structural Damage Detection.
Author
Mohammadreza Ahmadi
SuperVisor
Dr Gholamreza Ghodrati amiri - Dr Ehsan Darvishan