Αναζήτηση

Πλοήγηση

• Κοινότητες
• Συγγραφείς
• Έτος
• Τίτλοι
• Θέματα

Ο Χώρος μου

• Είσοδος

Λήψη και ανάλυση εικόνων προσόψεων ιστορικών κτιρίων για την ανίχνευση ρωγμών προκειμένου να εκτιμηθεί ο κίνδυνος κατάρρευσής τους

Koutmos Vasileios

Πλήρης Εγγραφή

---

Περίληψη

Τα ελαττώματα στις προσόψεις κατοικιών και ιστορικών κτιρίων επηρεάζουν τη δομική ακεραιότητα των κτιρίων και υποβαθμίζουν την εξωτερική εμφάνιση. Τα ελαττώματα στην πρόσοψη ενός κτιρίου αντιμετωπίζονται συνήθως με τη χρήση εργατικού δυναμικού κατά τη συντήρηση. Αυτή η προσέγγιση είναι χρονοβόρα, αποφέρει υποκειμενικά αποτελέσματα και μπορεί να οδηγήσει σε ατυχήματα ή ακόμη και θύματα. ‘Έτσι, είναι ιδανική η πρόληψη όλων των τύπων ελαττωμάτων στα στάδια του σχεδιασμού ή της κατασκευής, αλλά αυτός είναι ένας πολύ δύσκολος στόχος να επιτευχθεί. Επομένως, υπάρχει ανάγκη για μια μέθοδο για την αποτελεσματική παρακολούθηση των ελαττωμάτων στη φάση της συντήρησης και την ενεργή δράση στην εμφάνιση των ελαττωμάτων. Ως εκ τούτου, είναι απαραίτητο να αναπτυχθεί μια τεχνολογία που να μπορεί να παρακολουθεί συνεχώς και αυτόματα ελαττώματα σε κτίρια κατοικιών που ελαχιστοποιούν την εξάρτηση από τον ανθρώπινο παράγοντα. Επιπλέον, υπάρχουν διάφοροι τύποι ελαττωμάτων σε κτίρια κατοικιών και κάθε τύπος ελαττώματος στον πραγματικό κόσμο εμφανίζεται με ακανόνιστο μοτίβο.Για να ληφθούν υπόψη τα χαρακτηριστικά αυτών των ελαττωμάτων, η αυτοματοποιημένη τεχνολογία παρακολούθησης ελαττωμάτων θα πρέπει να είναι σε θέση να εντοπίζει και να ταξινομεί αποτελεσματικά διάφορους τύπους ελαττωμάτων στα δεδομένα εικόνας. Για την αντιμετώπιση αυτής της πρότασης, έχουν εφαρμοστεί πολλές μέθοδοι, χρησιμοποιώντας διαφορετικούς τύπους μοντέλων βαθιάς εκμάθησης. Η παρούσα διατριβή δίνει έμφαση σε δύο διαφορετικές μεθοδολογίες, οι οποίες επεκτείνονται και συνδυάζονται, προκειμένου να διαχειριστούν αποτελεσματικότερα τα ελαττώματα, ελαχιστοποιώντας τη συμμετοχή του ανθρώπινου δυναμικού.Το σύνολο δεδομένων που χρησιμοποιείται για την εκπαίδευση ενός δικτύου που βασίζεται σε βαθιά εκμάθηση περιέχει πραγματικές εικόνες πρόσοψης κατοικιών και ιστορικών κτιρίων. Ταχύτερες περιοχές με δομή συνελικτικού νευρωνικού δικτύου (Faster R-CNN) χρησιμοποιούνται για πιο ακριβή εντοπισμό ελαττωμάτων σε τέτοια περιβάλλοντα. Καθώς είναι δύσκολο να εντοπιστούν ελαττώματα σε ένα εκπαιδευτικό περιβάλλον για το νευρωνικό δίκτυο, είναι απαραίτητο να βελτιωθεί η απόδοση του δικτύου. Ωστόσο, το δίκτυο ανίχνευσης αντικειμένων που χρησιμοποιείται σε αυτή τη διατριβή αποδίδει εξαιρετική απόδοση σε σύνθετες εικόνες πραγματικού κόσμου, υποδεικνύοντας τη δυνατότητα ανάπτυξης ενός συστήματος που θα ανίχνευε μεγάλο αριθμό ελαττωμάτων σε περισσότερους τύπους προσόψεων κτιρίων.Συνοψίζοντας, η παρούσα διπλωματική εργασία συνδυάζει δύο διακριτές μεθοδολογίες, και παρουσιάζει τα αποτελέσματα από την εφαρμογή σε πραγματικά ιστορικά κτίρια. Ο απώτερος σκοπός της εργασίας είναι να επεκτείνει τη χρήση μη παραδοσιακών μεθόδων σε ελαττώματα στις προσόψεις των ιστορικών κτιρίων, που εξαρτώνται λιγότερο από το ανθρώπινο δυναμικό. Στο τέλος της διατριβής, τα αποτελέσματα πρόκειται να αξιολογηθούν ως προς την ακρίβεια και την αποτελεσματικότητά τους, καταλήγοντας σε ορισμένες βασικές πτυχές ότι το πεδίο θα επωφεληθεί από τη μετάβαση σε ένα πιο αυτοματοποιημένο μοντέλο.

Διαθέσιμα αρχεία

Υπηρεσίες