بازدید شبانگاهی وزیر راه و شهرسازی از راه‌های مواصلاتی مازندران

ادامه ...

Thursday, 21 September , 2023
امروز : پنج شنبه, ۳۰ شهریور , ۱۴۰۲

اخبار ویژه »

شناسه خبر : 38889

ارسال

پرینتخانه » مقالات خارجی شهرسازی تاریخ انتشار : 24 جولای 2023 - 4:30 | 15 بازدید | ارسال توسط : shahrsaz

پایان نامه ساختمانها، جلد. ۱۳، صفحات ۱۸۷۲: پایگاه داده عمومی تصاویر ترک ها در پوشش ملات با انواع مختلف سطوح سطوح

ساختمانها، جلد. ۱۳، صفحات ۱۸۷۲: پایگاه داده عمومی تصاویر ترک ها در پوشش ملات با انواع مختلف سطوح سطوح | ۲۰۲۳-۰۷-۲۴ ۰۴:۳۰:۰۰ دسترسی آزادمقاله پایگاه داده عمومی تصاویر ترک ها در پوشش ملات با انواع سطوح مختلف توسط رنر آسیس گارسیا سوبرینیو رنر آسیس گارسیا سوبرینیو Scilit Preprints.org Google Scholar ۱،*، فرانکلین پیاهی نتو فرانکلین […]

ساختمانها، جلد. 13، صفحات 1872: پایگاه داده عمومی تصاویر ترک ها در پوشش ملات با انواع مختلف سطوح سطوح

ساختمانها، جلد. ۱۳، صفحات ۱۸۷۲: پایگاه داده عمومی تصاویر ترک ها در پوشش ملات با انواع مختلف سطوح سطوح
| ۲۰۲۳-۰۷-۲۴ ۰۴:۳۰:۰۰

دسترسی آزادمقاله

پایگاه داده عمومی تصاویر ترک ها در پوشش ملات با انواع سطوح مختلف

^۱

دانشکده مهندسی مکانیک، دانشگاه فدرال Uberlândia، Uberlândia 38408-100، برزیل

^۲

دانشکده محاسبات، دانشگاه فدرال Uberlândia، Uberlândia 38408-100، برزیل

نویسنده ای که مسئول است باید ذکر شود.

ساختمان ها ۲۰۲۳، ۱۳(۷)، ۱۸۷۲; https://doi.org/10.3390/buildings13071872 (ثبت DOI)

دریافت: ۲۴ مه ۲۰۲۳
/
بازبینی شده: ۷ ژوئیه ۲۰۲۳
/
پذیرش: ۱۷ جولای ۲۰۲۳
/
تاریخ انتشار: ۲۴ جولای ۲۰۲۳

(این مقاله متعلق به بخش است مدیریت ساخت و ساز، و کامپیوتر و دیجیتال سازی)

خلاصه

استفاده از فناوری، مانند هوش مصنوعی (AI)، در فرآیندهای تولید، چندین واقعیت صنعتی را بهینه کرده است. در ساخت و سازهای عمرانی می توان از هوش مصنوعی در کاربردهای مختلفی استفاده کرد که یکی از آنها بازرسی ساختمان است. یکی از مشکلات در توسعه این نوع مطالعه، تعداد کم پایگاه داده های تصویر عمومی است که جنبه های کلی تری از سایش ساختمان را نشان می دهد. با توجه به این موضوع، هدف اصلی این تحقیق، راه‌اندازی یک پایگاه داده عمومی از تصاویر ترک‌های پوشش ملات با در نظر گرفتن انواع مختلف پوشش سطحی (نوع صاف، نوع خراشیده و نوع ناهموار) بود. یک پایگاه داده با ۳۳۰۸۸ تصویر ایجاد شد که بر اساس کلاس های تعریف شده در مطالعه، یک فرآیند برچسب گذاری سیستماتیک را طی کردند. آموزش شبکه از طریق یادگیری انتقال با استفاده از VGG16 در گروه بندی های مختلف پرداخت انجام شد. مشخص شد که دقت آموزش با توجه به پایان سطح و تعادل داده ها متفاوت است. پرداخت از نوع اسقاطی آن بود که کمترین دقت را ارائه داد. پایگاه داده چندین نوع نویز را ارائه می دهد و در تمام دسته بندی های تعریف شده در برچسب گذاری نامتعادل بود. به این ترتیب، امکان ایجاد پایگاه داده ای وجود داشت که موقعیت های احتمالی را در بازرسی های واقعی نشان می داد.

کلید واژه ها:

هوش مصنوعی; پوشش ملات; پایگاه داده عمومی; شبکه های عصبی مصنوعی; انتقال یادگیری; شبکه عصبی کانولوشنال

۱٫ معرفی

استفاده از فناوری در فرآیندهای تولید، مانند ادغام رباتیک پیشرفته و یکپارچه سازی سیستم ها، چندین واقعیت صنعتی را مدرن می کند. با توجه به این سناریو، تصور می شود که انقلاب صنعتی چهارم در حال وقوع است، مفهومی به نام صنعت ۴٫۰ [۱]. از جمله نوآوری های مورد استفاده در توسعه محصولات و خدمات در صنعت ۴٫۰، هوش مصنوعی (AI) است. هدف این فناوری توسعه استقلال ماشین‌ها و سیستم‌های محاسباتی است به گونه‌ای که آنها استدلال انسانی را به‌ویژه در تصمیم‌گیری شبیه‌سازی کنند. به این ترتیب، می توان فرآیندها و فعالیت های تکراری در مقیاس طولانی را بهینه کرد که نیاز به تجزیه و تحلیل انسانی دارد [۲,۳].

در ساخت و سازهای عمرانی، در حال حاضر مطالعاتی با هدف استفاده از هوش مصنوعی در رویکردهای مختلف، از تولید پروژه تا عملیات ساختمانی انجام شده است. [۴,۵,۶,۷].

یکی از واقعیت هایی که در آن کاربرد هوش مصنوعی در ساخت و سازهای عمرانی امکان پذیر است، فرآیند بازرسی ساختمان است. مسئله این است که ساختمان ها در طول عمر مفید خود دچار فرسودگی و از دست دادن عملکرد می شوند، بنابراین نیاز به ارزیابی های دوره ای دارند که از طریق خدماتی مانند بازرسی، بررسی و کارشناسی انجام می شود. از سوی دیگر، اینها تمایل به تولید تعداد زیادی تصویر دارند که باید فهرست بندی و طبقه بندی شوند [۸,۹]. گارسیا سوبرینیو و همکاران [۱۰] مطالعه ای بر اساس بازرسی ساختمان انجام دادند که در آن ۴۴۸۱ تصویر تولید کردند که باید به صورت دستی طبقه بندی می شدند، فعالیتی که می توانست توسط یک شبکه آموزش دیده برای طبقه بندی تصاویر در دسته ها انجام شود.

با تجسم بهینه‌سازی این نوع سرویس، می‌توان یک شبکه عصبی را برای فهرست‌بندی مشکلاتی که در ساختمان‌ها یافت می‌شود، آموزش داد. یکی از انواع شبکه هایی که بیشتر در طبقه بندی تصاویر استفاده می شود، شبکه عصبی کانولوشن (CNN) است.

یکی از نکات مهم در به کارگیری CNN برای یک مشکل طبقه بندی، آموزش تشخیص صحیح طبقات تصویری است. برای این کار باید یک پایگاه داده معرف با تصاویر زیاد و دارای تعادل بین تعداد تصاویر هر کلاس باشد. یکی از پرکاربردترین پایگاه های داده برای برنامه های کاربردی تشخیص تصویر، ImageNet است. این شامل بیش از ۱۴ میلیون تصویر است که به بیش از ۲۰۰۰۰ دسته تقسیم شده اند که همه در حوزه عمومی هستند [۱۱]. با این حال، برای برخی از مشکلات خاص که موضوع بررسی علمی هستند، پایگاه‌های اطلاعاتی عمومی فعلی معمولاً اطلاعاتی در مقیاس یا معرف کافی ندارند. با توجه به این وضعیت، برخی از نویسندگان، مانند سیلوا و همکاران. که در [۱۲]، کاتیا و همکاران که در [۱۳]، و Leenhardt در [۱۴]، مطالعاتی را با تمرکز بر توسعه پایگاه داده های تصویر عمومی برای تحقیقات و کاربردهای هوش مصنوعی انجام داد. محققان در برخی از حوزه های مهندسی اغلب نداشتن منابع عمومی داده برای مطالعات طبقه بندی را دشوار می دانند. علاوه بر این، حتی زمانی که یک پایگاه داده خاص برای یک برنامه خاص وجود دارد، در مقایسه با پایگاه‌هایی که برای آموزش CNN‌های فعلی استفاده می‌شوند، کوچک هستند. برای حل این وضعیت، می توان از انتقال یادگیری استفاده کرد.

محققان تلاش می کنند تا شبکه های طبقه بندی کننده را برای مشکلات مختلف ساخت و ساز مدنی آموزش دهند. با این حال، اکثر این مطالعات با مصالح همگن مانند بتن و سنگفرش کار می کنند. همه مصالحی که در ساخت و سازهای عمرانی استفاده می شوند، مانند پوشش های نما، دارای سطوحی با ظاهر همگن نیستند [۱۵,۱۶,۱۷,۱۸].

نماها عناصری از ساختمان ها هستند که در معرض شرایط جوی محیطی مانند تابش، خشک شدن و چرخه مرطوب شدن قرار دارند. بنابراین بازرسی و نگهداری دوره ای در این مناطق ساختمان ضروری است. نماها را می توان از مواد مختلف ساخت. یکی از پرکاربردترین ها برای تکمیل، پوشش ملات است. این نوع پرداخت را می توان به روش های مختلفی اعمال کرد، مثلاً با تغییر ضخامت اجزای آن و نوع بافت. این می تواند منجر به ویژگی های مختلف پرداخت سطح پوشش ها شود [۱۹,۲۰,۲۱].

بیشترین استفاده از پرداخت سطح صاف است. در این نوع پوشش، تسطیح و صاف کردن سطح انجام می شود و ظاهری صاف از پوشش حاصل می شود. یکی دیگر از بافت های احتمالی، روکش ضایعاتی است. برای اجرای آن، دانه های سنگ آسیاب شده حاصل از یک فرآیند آسیاب انتخابی توسط رنگ و گرانولومتری به ملات اضافه می شود. این منجر به ظاهر شیاردار پایان می شود. پرداخت ناهموار نوع دیگری از نهایی شدن پوشش ملات است. می توان آن را با پاشش ملات یا با غلتک بافت اجرا کرد. پوشش بصری آن ظاهری خشن را در جایی که اعمال می شود می دهد.

با توجه به طبقه بندی عیوب در پوشش ملات با استفاده از CNN، Lee et al. [22] از Faster R-CNN برای تشخیص عیوب چند طبقه در نماهای با روکش ملات استفاده کرد. میانگین دقت به دست آمده توسط نویسندگان ۶۲٫۷٪ بود. گوو و همکاران [۲۳] طبقه بندی عیوب در پوشش ملات را از یک مجموعه داده نامتعادل با استفاده از VGG16 انجام داد. برای مقابله با مجموعه داده نامتعادل، نویسندگان از فرا یادگیری استفاده کردند. آنها دقت ۸۲٫۸۶٪ را به دست آوردند. گوو و همکاران [۲۴] یک یادگیری نیمه نظارت شده بر اساس ResNet 101 و یک فیلتر عدم قطعیت برای طبقه بندی عیوب در نماها پیشنهاد کرد که به دقت ۸۴٫۳۶ درصد دست یافت.

با این حال، این مطالعات تنها به پوشش صاف با پوشش رنگ پرداخته است. آنها انواع مختلف پوشش سطحی را در نظر نگرفتند که این امر ظرفیت تعمیم شبکه ها را کاهش می دهد.

ترک ها از مشکلات رایج در پوشش های ملات در ساختمان ها هستند. از تجزیه و تحلیل بصری این نوع ناپیوستگی، از قبل می توان اطلاعات مهمی را در مورد مشکل، مانند آنچه که باعث ایجاد ترک یا شدت آن شده است، داوری کرد. در مورد این نوع عیب، مطالعات مربوط به تشخیص ترک در بتن در حال حاضر نتایج خوبی را نشان می دهد. چاو و همکاران [۲۵] خط لوله ای با هوش مصنوعی برای بازرسی مبتنی بر تصویر سازه های بتنی ایجاد کرد. نویسندگان دقت متوسط ۹۵٫۶٪ را در مجموعه تست به دست آوردند. علی و همکاران [۲۶] عملکرد مکان یابی و تکنیک های تشخیص ترک عمیق مبتنی بر CNN را برای سازه های بتنی ارزیابی کرد. در روش تشخیص پیشنهاد شده توسط نویسندگان، آنها به دقت ۹۶٫۷٪ دست یافتند. اسلام و همکاران [۲۷] یک رویکرد CNN مبتنی بر مدل‌های یادگیری انتقال با استفاده از تقویت و تبدیل داده‌ها برای تشخیص ترک در بتن ایجاد کرد. بهترین نتایج تحقیق با استفاده از VGG16 و AlexNet، هر دو با دقت ۹۹٫۹ درصد به دست آمد. چایسرن و همکاران [۲۸] تشخیص ترک یکپارچه، از CNN-FCN، در سطح پیکسل از طریق نقشه برداری فتوگرامتری از بافت سه بعدی سازه های بتنی انجام شد. نویسندگان به دقت ۹۹٫۸ درصد دست یافتند.

سطح پوشش های ملات در مقایسه با سطح پوشش های بتن مسلح ناهمگن تر است، که در ادبیات چندان مورد بررسی قرار نگرفته است. اینها برای طبقه بندی چند کلاسه عیوب در نظر گرفته شده اند و انواع مختلف پوشش سطح را در نظر نمی گیرند. نکته دیگر این است که در مورد بتن، در حال حاضر پایگاه های داده عمومی در مورد مشکلات این نوع سازه وجود دارد، که ممکن است وقوع تحقیقات بیشتر در مورد این موضوع و نتایج بهتر در معیارهای قاطعیت را در مقایسه با مطالعات این نوع در مورد پوشش ملات توجیه کند. بنابراین، می توان یک شکاف تحقیقاتی را در رابطه با کاربرد CNN برای طبقه بندی پوشش های ملات با انواع مختلف پرداخت های سطحی تأیید کرد. فقدان پایگاه‌های اطلاعاتی عمومی از تصاویر این نوع مطالب می‌تواند دلیلی بر شیوع کم مطالعات در این زمینه باشد.

بنابراین، هدف اصلی مطالعه حاضر گردآوری یک پایگاه داده عمومی از ترک‌ها در پوشش ملات با در نظر گرفتن انواع مختلف پرداخت سطحی بود: پوشش صاف، پرداخت خشن، و پرداخت ضایعات. این پایگاه داده به صورت عمومی در دسترس است و تا آنجا که ما می دانیم، اولین در نوع خود است. یک برنامه کاربردی از پایگاه داده نیز ارائه شده است. تصاویر موجود در پایگاه داده با شبکه VGG16 از پیش آموزش دیده طبقه بندی شدند. زیرمجموعه های مختلف پایگاه داده برای بررسی میزان نمایندگی افراد در پایگاه داده استفاده شد، بنابراین بیشتر ویژگی های دامنه برنامه پوشش داده شده است.

شبکه عصبی کانولوشنال

CNN یک معماری شبکه عصبی است که به طور گسترده در تشخیص تصویر استفاده می شود. اساساً به لایه‌های کانولوشن، لایه‌های جمع‌کننده و لایه‌های متراکم متصل تقسیم می‌شود. در لایه‌های کانولوشن، گروهی از پیکسل‌ها به یک نورون اختصاص داده می‌شوند و این کار برای همه پیکسل‌های تصویر انجام می‌شود. بر اساس این پیکربندی، فیلترهایی روی این خوشه ها اعمال می شود تا مرتبط ترین ویژگی ها را از تصویر استخراج کنند. به این ترتیب در فرآیند کانولوشن، نقشه های ویژگی در هر تصویر تولید می شود که از طریق آنها می توان با توجه به وابستگی و موقعیت پیکسل ها، اطلاعات مهم برای فرآیند طبقه بندی مانند لبه ها و هندسه ها را شناسایی کرد. در فرآیند ادغام، ابعاد تصویر کاهش می یابد. پس از فرآیند دنبال کردن نقشه های ویژگی در لایه کانولوشن، این اطلاعات را می توان ساده کرد، که باعث کاهش وزن های قابل یادگیری می شود و می تواند از برازش بیش از حد جلوگیری کند. آخرین لایه ها لایه های متراکم متصل هستند که در آنها فرآیند طبقه بندی تصویر بر اساس اطلاعات مربوط به انواع ویژگی های تعریف شده در لایه های کانولوشن و ادغام انجام می شود. [۲۹,۳۰].

یکی از عوامل مرتبط برای عملکرد شبکه پایگاه داده ای است که در فرآیند آموزش استفاده خواهد شد. پایگاه داده معمولاً به سه گروه تقسیم می شود: آموزش، اعتبار سنجی و آزمایش. در گروه آموزشی، یکی از تصاویری که برای آموزش شبکه استفاده می شود، نگه می دارد که کدام کلاس باید به هر تصویر اختصاص داده شود. گروه اعتبارسنجی برای بررسی اینکه آیا شبکه واقعاً در مرحله آموزش در حال یادگیری است یا صرفاً در حال حفظ کردن گروه آموزشی است استفاده می شود. در نهایت، در گروه آزمایشی، تصاویری هستند که برای تأیید توانایی شبکه برای موفقیت استفاده می‌شوند، یعنی بررسی می‌کنند که آیا قادر به طبقه‌بندی صحیح فردی است که قبلاً دیده نشده است یا خیر. کل پایگاه داده برای موفقیت آموزش مهم است. پایگاه داده باید به اندازه کافی بزرگ باشد تا شبکه بتواند جنبه های طبقه بندی مورد نظر را تا حد امکان تعمیم دهد و پوشش دهد. برای مثال برخی از شبکه‌ها مانند AlexNet و GoogleNet با میلیون‌ها تصویر آموزش داده شده‌اند. نکته مهم دیگری که باید مورد توجه قرار گیرد تعادل بین کلاس ها است. اگر برخی از کلاس ها تصاویر بسیار بیشتری نسبت به سایرین داشته باشند، شبکه می تواند تمایلی به تنظیم وزن ها به نفع طبقه غالب داشته باشد. [۲۹,۳۱].

برای حل این وضعیت، می توان از انتقال یادگیری استفاده کرد. در این فرآیند، لایه‌های کانولوشن شبکه‌های آموزش‌دیده از قبل منجمد شده و لایه کاملا متصل تغییر می‌کند. در این مورد، قابل درک است که ویژگی های استخراج شده در فرآیند کانولوشن معمولاً بین اشیاء مختلف تفاوت زیادی ندارند. بنابراین، شبکه ای که برای استخراج ویژگی ها از میلیون ها تصویر آموزش دیده است، ظرفیت تعمیم بالایی دارد. بنابراین، هنگام استفاده از شبکه‌های از پیش آموزش‌دیده، فرد از استخراج ویژگی به خوبی لذت می‌برد و فقط باید شبکه را برای طبقه‌بندی افراد در پایگاه داده مورد نظر آموزش دهد. این نوع رویکرد در مطالعات طبقه بندی به کار گرفته شده و نتایج خوبی به دست آمده است [۳۲,۳۳].

۲٫ مواد و روشها

این تحقیق در پنج مرحله اصلی تعیین حدود محیط و روش جمع آوری انجام شد. پیش پردازش تصاویر؛ برچسب گذاری داده ها؛ تجزیه و تحلیل تعداد تصاویر و تعادل پایگاه داده؛ و در نهایت آموزش شبکه های عصبی از انتقال یادگیری با استفاده از VGG16. فلوچارت مراحل را می توان در آن مشاهده کرد شکل ۱.

فرآیند تحدید حدود محیط، جمع آوری تصاویر و پیش پردازش در روش شناسی توضیح داده خواهد شد. سایر فرآیندها در این بخش توضیح داده خواهند شد. با این حال، جزئیات بیشتر در بخش های مربوط به نتایج و بحث داده خواهد شد. این تنظیم به این دلیل ایجاد شد که فرآیند و تصمیم گیری در مونتاژ پایگاه داده بخش های مهمی از اهداف تحقیق بود.

۲٫۱٫ تحدید حدود محیط زیست و روش جمع آوری

محیط جمع آوری اطلاعات تعریف شده برای این مطالعه یکی از واحدهای دانشگاه فدرال اوبرلندیا (UFU) به نام پردیس سانتا مونیکا بود. این پردیس در شهر Uberlândia-MG در برزیل واقع شده است. در حال حاضر دارای ۷۳ بلوک است که با حروف و اعداد نامگذاری شده اند. بلوک ها طبقه بندی های اداری ساختمان ها یا مجموعه ای از آنها هستند که توسط دانشگاه تعریف شده اند. آنها اهداف مختلفی مانند کلاس‌های درس، آزمایشگاه‌ها، مراکز اجتماعی، رستوران‌های دانشگاه، و سوله‌های آزمایشی و سایر ویژگی‌ها را ارائه می‌کنند.

ساختمان هایی که محیط مجموعه را تشکیل می دهند متنوع هستند. آنها در رابطه با قالب، اندازه و مواد تشکیل دهنده متفاوت هستند. که در شکل ۲، می توان چهار ساختمان با ترکیبات مختلف مصالح را در نمای آنها مشاهده کرد.

در بازدید اولیه از UFU، ۴۳ واحد شناسایی شدند که نمای آنها با ملات به پایان رسیده بود. سازه های دیگری با پوشش ملات مانند دیوارهای حائل، دیوارهای رمپ، دیوارهای پلکانی و دیوارهای کم ارتفاع نیز مشاهده شد.

از فهرست بندی ساخت و سازها، بازرسی هایی برای بررسی پایگاه داده انجام شد. برخی معیارها برای استاندارد کردن، تا آنجا که ممکن است، به دست آوردن تصاویر ایجاد شد. اولین نکته، معیارهای ورود و خروج نماها بود. تنها نماهای ساختمان هایی که تا حدودی تماس مستقیم با آب و هوای محیط داشتند در نظر گرفته شد. به این ترتیب تنها تصاویری از عناصری که مستقیماً در معرض نور خورشید قرار می گرفتند یا با قسمت های کوتاه سایبان یا پشت بام محافظت می شدند، به دست می آمد. دیوارهایی که در مرکز ساختمان ها قرار داشتند، در نظر گرفته نمی شدند، حتی اگر در خارج قرار داشته باشند، یا با محافظت در برابر دهانه های طولانی پوشش یا طبقات بالا. که در شکل ۳، می توان نمونه هایی از بسته شدن ها را مشاهده کرد که بخشی از پایگاه داده بودند یا نبودند.

دیوارها، دیوارهای کم ارتفاع و هر نوع ساخت و ساز دیگری که دارای نوع پوشش مورد مطالعه بود و در معرض محیط قرار داشت در پایگاه داده گنجانده شد. در پردازش اولیه داده‌ها، تصاویر ساختمان‌ها با نام‌گذاری بلوک‌های مربوطه مرتبط بودند. ساختمان هایی که به عنوان ضمیمه در نظر گرفته می شدند، زمانی که در همان بلوک ساختمان اصلی قرار می گرفتند، به گروه های مجزا تقسیم می شدند. تصاویر دیوارهای حائل، دیوارهای سطح شیب دار، دیوارهای پلکانی، دیوارهای کم ارتفاع و سایر عناصر در نزدیکترین مجموعه داده بلوک گروه بندی شدند. یک رمپ دسترسی به عنوان یک منطقه متمایز از سایرین طبقه بندی شد که دارای گروه داده های خاص خود بود. در نهایت ۴۴ گروه از تصاویر با توجه به مناطق تعریف شده به دست آمد. بسیاری از آنها بر اساس بلوکی که از آن به دست آمده بودند نامگذاری شدند.

عکس ها با استفاده از دوربین تلفن همراه گرفته شده است. این دستگاه می تواند تصاویر ۴۸ مگاپیکسلی یا ۵ مگاپیکسلی دریافت کند، دارای سنسور ½ اینچی، اندازه دیافراگم F 1.8 + F 2.2 و فوکوس خودکار است. تصاویر با وضوح ۸۰۰۰ × ۶۰۰۰ پیکسل به دست آمد. فاصله بین دوربین و اشیاء عکاسی شده تقریباً ۱ متر (۰٫۲ ± متر) بود. این فاصله به منظور استانداردسازی بیشتر تصاویر به دست آمده و نزدیک شدن آنها به معیارهای عملکرد سازه ای نماهای استاندارد برزیل محدود شد. [۳۴]. فاصله بین اپراتور و پوشش های ملات با استفاده از اندازه گیری نوار لیزری کنترل می شد.

دوربین به موازات جسم مورد بازرسی قرار گرفت. برای این کار از زاویه بندی افقی بین دوربین و پوشش اجتناب شد و زاویه عمودی کمی مجاز بود. ابزاری برای اندازه گیری زوایای بین صفحه دوربین و پوشش استفاده نشد. کنترل مورد نظر با حساسیت اپراتور در مورد موقعیت دوربین انجام شد. که در شکل ۴می‌توان آنچه را که در این تحقیق به‌عنوان زاویه‌بندی افقی و عمودی در نظر گرفته شد، تأیید کرد.

در نهایت، ۴۰۹۲ تصویر در ۴۴ خوشه مشخص شده وجود داشت. که در میز ۱، امکان بررسی تعداد تصاویر برای هر گروه بندی وجود دارد. این تصاویر تحت پیش پردازش قرار گرفتند و طبقه بندی شدند.

۲٫۲٫ پیش پردازش تصاویر

در مرحله پیش پردازش، اندازه عکس ها تغییر کرده و در تکه های تصویری برش داده شدند. تغییر اندازه با هدف بهینه سازی آموزش انجام شد زیرا اندازه اصلی تصاویر بیش از حد بزرگ بود. اندازه معمول تصاویری که عموماً در آموزش شبکه های فعلی مورد استفاده قرار می گیرند، بر اساس ابعاد موجود در پایگاه داده ImageNet، ۲۲۴ × ۲۲۴ پیکسل است که بسیار کوچکتر از اندازه اصلی تصاویر به دست آمده است. این تقسیم بر معنایی آنچه در تصویر ارائه شده است تأثیر نمی گذارد. در مقابل، حتی سودمند است زیرا تعداد بیشتری از تصاویر را در پایگاه داده تولید می کند.

فرآیند تغییر اندازه با استفاده از ابزار Image Resizer برای ویندوز انجام شد. اندازه عکس ها از ۸۰۰۰ × ۶۰۰۰ پیکسل به ۲۰۰۰ × ۱۵۰۰ پیکسل کاهش یافت. این بعد به گونه ای انتخاب شد که تکه های کوچکتر از ۵۰۰ × ۵۰۰ پیکسل را بتوان برش داد. بنابراین، هر عکس در مجموع ۱۲ وصله تصویر ایجاد کرد.

تقسیم تصاویر به تکه‌ها روشی است که معمولاً در مطالعات طبقه‌بندی مشکلات در ساختمان‌ها استفاده می‌شود، همانطور که در مطالعات لی و همکاران مشاهده می‌شود. [۲۲]، گوو و همکاران [۲۳]، گوو و همکاران [۲۴]، و چاو و همکاران. [۲۵]. اندازه ۵۰۰ × ۵۰۰ پیکسل در ابتدا بر اساس مطالعه Guo و همکاران انتخاب شد. [۲۳]. تقسیم تصویر با استفاده از برنامه PhotoScape v3.7 انجام شد. که در شکل ۵، امکان تجسم پیش پردازش انجام شده وجود دارد.

پس از پیش پردازش، پایگاه داده با مجموع ۴۹۰۹۲ وصله از تصاویر ۵۰۰ × ۵۰۰ پیکسل باقی ماند.

۲٫۳٫ برچسب گذاری داده ها

برچسب گذاری داده ها شش مرحله را دنبال کرد: حذف نویز. تقسیم تصاویر بین انواع مختلف پوشش سطح. تقسیم تصاویر به تصاویر دارای نویز یا بدون نویز؛ تقسیم تصاویر به تصاویر با یا بدون شکاف. تقسیم تصاویر دارای ترک بر اساس سطح دید مشکل. و نام گذاری تصویر با توجه به تمام تقسیمات انجام شده. که در شکل ۶، امکان بررسی فلوچارت فرآیند چرخش داده های انجام شده وجود دارد.

در فرآیند حذف نویز، وصله هایی که اطلاعات اصلی آن ها پوشش ملات نبود و یا دارای پایان نبود، از بانک حذف شدند. پس از این مرحله، بانک در مجموع ۳۳۰۸۸ وصله تصویری داشت.

در تقسیم بندی در رابطه با نوع پرداخت سطح، داده ها به سه نوع بافت پوشش ملات گروه بندی شدند: پوشش صاف، پرداخت ریخته گری خشن، و پرداخت ضایعات. که در شکل ۷ می توان نمونه هایی از سه نوع اصلی تعریف شده را تأیید کرد.

در مرحله سوم، وصله های تصویری به تصاویر بدون نویز و نویز تقسیم شدند. به طور کلی هر تصویری که اطلاعاتی غیر مرتبط با پوشش داشته باشد دارای نویز در نظر گرفته می شود. سپس داده‌ها بین پوشش‌هایی که حاوی ترک بودند و پوشش‌هایی که فاقد ترک بودند، طبقه‌بندی شدند.

آخرین فرآیند گروه بندی در مورد قابل مشاهده بودن ترک ها بود. مشاهده شد که در برخی از تصاویر، ناپیوستگی ها بیشتر قابل مشاهده است در حالی که در برخی دیگر تشخیص آنها دشوار است. بنابراین، لکه ها بر اساس سه سطح شناسایی در رابطه با ترک ها شناسایی شدند: زیاد، متوسط و کم. در نهایت، تصاویر با استفاده از کد توسعه یافته برای پایگاه داده مورد نظر نامگذاری شدند. فرآیند تصمیم گیری دقیق در طول برچسب گذاری داده ها در توضیح داده خواهد شد بخش ۳٫۱. که در شکل ۸، می توان فلوچارتی از روند طبقه بندی داده ها را مشاهده کرد.

۲٫۴٫ تجزیه و تحلیل تعداد کلاس ها و تراز پایگاه داده

با تقسیم و طبقه بندی پایگاه داده، مقدار هر دسته جدول بندی و با استفاده از صفحات گسترده تجزیه و تحلیل شد.

برای بررسی تعادل پایگاه داده، از نسبتی بین تعداد تصاویر در هر یک از کلاس‌های مقایسه شده استفاده شد. معادله رابطه مربوطه را می توان در زیر مشاهده کرد.

ارتباط بین را میزان از تصویر از هر یک کلاس ({آر}_{ج}) = \frac{م -}{م +} .

(۱)

در این مورد، م− تعداد تصاویر کلاس با کمترین مقدار در مقایسه و م+ تعداد تصاویر در کلاسی است که بیشترین حجم داده را دارد. به این ترتیب، همیشه نسبتی بزرگتر از ۰ و کمتر یا مساوی ۱ وجود دارد. به این معنی که وقتی نسبت بین کلاس ها در مقایسه نزدیک یا مساوی ۱ باشد، پایگاه داده ای داریم که به خوبی یا کاملاً متعادل است. از سوی دیگر، هرچه این نسبت کوچکتر باشد، وضعیت تحلیل شده نامتعادل تر است.

بر اساس این پارامتر و جدول داده ها، روابط زیر مورد تجزیه و تحلیل قرار گرفت:

بین تصاویر حاوی ترک یا بدون ترک در کل مجموعه داده‌ها و سطوح جداگانه.
از جمله تصاویر حاوی ترک یا عدم در نظر گرفتن شرایط داشتن نویز یا نداشتن
از جمله تصاویر حاوی ترک یا عدم توجه به انواع پرداخت و وجود نویز;
تعداد تصاویر دارای ترک در نظر گرفته شده با دید زیاد، متوسط یا کم با توجه به هر نوع پرداخت سطح.

به این ترتیب، نقاطی که می توانند بر معیارهای قاطعیت-قابلیت آموزش پایگاه داده تأثیر بگذارند ایجاد شدند.

۲٫۵٫ آموزش CNN ها از انتقال یادگیری

آخرین مرحله تحقیق با هدف مقایسه برخی معیارهای جرات ورزی شبکه های آموزش دیده با خوشه های تصویری مختلف انجام شد. تمرکز این بخش آزمایش این بود که آیا نوع پرداخت تأثیری بر قاطعیت در حین آموزش در شبکه دارد یا خیر و از این رو، نکاتی را مطرح کرد که می تواند مبنای تحقیقاتی باشد که از پایگاه داده توضیح داده شده در این مطالعه استفاده می کند. برای این کار از VGG16 بر اساس انتقال یادگیری استفاده شد.

فرآیند یادگیری انتقال با حذف آخرین لایه شبکه که دارای ۱۰۰۰ کلاس بود و جایگزینی آن با لایه ای با دو کلاس خروجی انجام شد. لایه جدیدی برای جایگزینی لایه پنهان شبکه ایجاد شد تا مدل از پیش آموزش دیده VGG16 بتواند وجود یا عدم وجود ترک در پوشش ملات را طبقه بندی کند. این شبکه در ۱۴ دوره و با نرخ یادگیری ۰٫۰۰۱ آموزش داده شد. کل فرآیند در محیط Google Colab Pro+ با استفاده از زبان Python و کتابخانه Pytorch انجام شد. در محیط اجرا از پردازنده گرافیکی A100 و رم بالا استفاده شده است.

در پیش پردازش داده ها در ورودی شبکه، اندازه وصله ها به اندازه ۲۲۴ × ۲۲۴ پیکسل تغییر داده شد که مطابق با ابعاد تصاویر استفاده شده برای آموزش VGG16 است. ورودی ها با استفاده از تابع transforms.ToTensor به نوع Pytorch داده شده تبدیل شدند و با استفاده از تابع transforms.Normalize نرمال شدند که از انحراف استاندارد و میانگین کانال های RGB استفاده می کند. مقادیر انحرافات استاندارد و میانگین های مورد استفاده در نرمال سازی با پایگاه داده ImageNet مطابقت دارد که در هر کانال RGB (0.485؛ ۰٫۴۵۶؛ ۰٫۴۰۶) برای میانگین ها و (۰٫۲۲۹؛ ۰٫۲۲۴؛ ۰٫۲۲۵) برای انحرافات استاندارد است.

تصاویر برای آموزش و اعتبار سنجی به مجموعه داده ها تقسیم شدند. معیار مورد استفاده برای مقایسه دقت بود. منحنی‌های دقت و تابع تلفات در رابطه با تعداد دوره‌ها نیز تأیید شد. دقت معیاری است که بیشترین استفاده را برای ارزیابی عملکرد مدل‌های آموزشی هوش مصنوعی دارد. نشان دهنده درصد پاسخ های صحیح در شبکه به دست آمده از رابطه (۲) است. دقت نشان دهنده درصد تصاویری است که شبکه به درستی از تعداد کل تصاویر طبقه بندی کرده است.

آ = \frac{V = تی پ + تی ن}{تی پ + تی ن + اف پ + اف ن} .

(۲)

در این مورد، حرف A مربوط به دقت است. TP تعداد تصاویر در کلاس مثبت است که شبکه توانسته است به درستی دریافت کند و FP تعداد تصاویر مثبتی است که شبکه از دست داده است. TN تعداد تصاویر کلاس منفی است که به درستی طبقه بندی شده اند و FN تعداد این کلاس است که به اشتباه طبقه بندی شده اند.

در ابتدا، آزمایش‌ها با گروه کوچکی از ۴۴۶ تصویر از سطح صاف، بدون نویز، و به نسبت ۵۰ درصد تصاویر حاوی ترک و ۵۰ درصد بدون ناپیوستگی انجام شد. دو آزمون انجام شد، یکی با انتخاب دستی تصاویر از گروه‌های آموزشی و اعتبارسنجی و دیگری با این تقسیم‌بندی که به‌طور تصادفی از کتابخانه splitfolders تولید شد. در آزمون‌ها، وصله‌های تصویر به نسبت ۸۰ درصد برای مجموعه آموزشی و ۲۰ درصد برای مجموعه اعتبارسنجی سازماندهی شدند.

از این آزمون‌ها، استفاده از کتابخانه splitfolders برای تقسیم مجموعه‌های آموزشی و اعتبارسنجی گروه‌های تجزیه و تحلیل تعریف شد. نسبت ها ۷۰ درصد برای آموزش و ۳۰ درصد برای اعتبارسنجی بود. برای مقایسه، پایگاه داده به دو گروه اصلی تقسیم شد. یکی از آنها شامل تمام تصاویر تولید شده در مجموعه داده های نامتعادل بود. این گروه با حرف A شناسایی شد. در گروه بندی دیگر، داده ها از طبقه اقلیت متعادل شده بودند. یعنی کلاس هایی که تصاویر بیشتری داشتند برای مقدار داده ای از کلاس با کمترین مقدار کاهش یافتند. این فرآیند از طریق کتابخانه splitfolder انجام شد. گروه متعادل با حرف B مشخص شد.

در گروه A و B، چهار رویکرد مختلف برای هر یک از آنها انجام شد. چهار نوع مختلف سازماندهی داده عبارت بودند از:

مجموعه داده ای که شامل تمام تصاویر است که با عدد ۱ مشخص می شود.
مجموعه داده ای که فقط شامل تصاویر با سطح صاف است که با شماره ۲ مشخص می شود.
مجموعه داده ای که فقط شامل تصاویر با سطحی از نوع ضایع شده است که با شماره ۳ مشخص شده است.
مجموعه داده ای که فقط شامل تصاویر با سطح خشن است که با شماره ۴ مشخص می شود.

به این ترتیب هشت جلسه آموزشی برگزار شد. که در جدول ۲، می توان گروه بندی هایی را که برای مطالعه انجام شد تأیید کرد.

هر یک از گروه ها دو طبقه داشتند: تصاویر حاوی ترک و تصاویر بدون. هدف از آموزش بررسی توانایی شبکه ها برای طبقه بندی وجود یا عدم پیوستگی در گروه بندی های انجام شده بود. از این پیکربندی، مجموعه داده‌ها پردازش شدند و معیارهای قاطعیت شبکه‌ها تحلیل شدند.

۳٫ نتایج و بحث

نتایج به سه بخش – برچسب گذاری داده ها، تجزیه و تحلیل پایگاه داده و آموزش تقسیم می شوند.

۳٫۱٫ برچسب گذاری داده ها

لیبل گذاری به صورت دستی توسط دو مهندس عمران متخصص در این زمینه انجام شد. تقسیم بندی بر اساس ادراک متخصصان انجام شد.

اولین فرآیندی که انجام شد حذف نویز بود. عکس های اولیه دارای مناطقی بودند که حاوی پوشش مورد مطالعه نبودند. بنابراین، برخی از وصله ها دارای اطلاعاتی بودند که برای پایگاه داده جالب نبود. بنابراین این وصله ها حذف شدند.

دو نوع اصلی از تصاویر شناسایی شدند که منحصراً نویز در نظر گرفته شدند. در نوع اول، لکه هایی وجود داشت که هیچ ارتباطی با پوشش ملات نداشتند، مانند: تصاویر پس زمینه، کف، قاب، پوشش گیاهی و سایر اشیاء. نمونه هایی از این نوع نویز را می توان در شکل ۹.

نوع دیگری از نویز شناسایی شده، تکه هایی بود که اطلاعات تصویر اصلی آنها پوشش نبود. که در شکل ۱۰، می توان چند نمونه از این نوع نویز را تأیید کرد. تکه های تصاویری که تکرار شده بودند نیز حذف شدند.

پس از حذف نویز، تصاویر بر اساس سه نوع پرداخت سطحی تعریف شده، یعنی: پرداخت صاف، پرداخت خشن، و پرداخت ضایع شده، تقسیم شدند. در هر یک از دسته‌های تکمیل، می‌توان تغییراتی را مشاهده کرد، به عنوان مثال، در بافت سطح. موارد مشاهده شده در زیر حفظ خواهد شد.

در اجرای پوشش، فرآیند تکمیل را می توان با استفاده از تکنیک های مختلف اعمال کرد. این نیز با توجه به هدف ساختمان متفاوت است. به عنوان مثال، برخی از ساختمان ها باید عملکرد زیبایی شناختی بیشتری نسبت به سایرین داشته باشند. به این ترتیب، روند تکمیل تمایل به دقت بیشتری دارد. این تغییرات را می توان در شکل ۱۱. در تصاویر (الف) و (ب) شکل، می‌توان پوشش‌هایی را با ظاهری واقعاً صاف تأیید کرد. در تصاویر (ج) و (د) اما مشکلات موضعی در اجرای پوشش مشاهده می شود. در مورد وصله های (ه) و (ف)، خراش های ناشی از عبور ماله در فرآیند تسطیح وجود دارد، احتمالاً به این دلیل که نهایی سازی با استفاده از اسفنج مرطوب انجام نشده است. غیبت احتمالی آیین‌نامه اجرایی اخیر در (ز) و (ح) نیز قابل مشاهده است. با این حال، نتیجه در این مورد یک نگاه خشن بود. در نهایت، بافت تصویر (i) ممکن است با استفاده از تکنیک خاصی اجرا شده باشد که برای صاف کردن سطح در نظر گرفته نشده است.

تغییر دیگری که در پرداخت سطح صاف یافت شد، رنگ های رنگ بود. که در شکل ۱۲، می توان برخی از این تفاوت ها را مشاهده کرد. یکی از نکاتی که از نظر بصری تأیید می شود این است که سطوح رنگ شده معمولاً ظاهر همگن تری نسبت به سطوح بدون رنگ دارند. این را می توان توجیه کرد زیرا رنگ تخلخل ملات را می پوشاند که ظاهر خشن پوشش را کاهش می دهد.

با توجه به نوع پرداخت، امکان بررسی جنبه های مختلف بافت سطح نیز وجود داشت. تصویر (الف) در شکل ۱۳ توزیع یکنواخت تری را بین جهت های شیارها نشان می دهد. در (ب) امکان مشاهده یک ناحیه صاف بین پایان خراشیده شده وجود دارد. در وصله تصویر (d)، پایان ظاهری صاف در بخش بزرگی از تصویر باقی مانده است، احتمالاً به دلیل برخی روش‌های اجرای نادرست. در تصویر (d)، جهت شیارها نازکتر و با تراکم بالاتر هستند. این در تضاد با تصویر (e) است، جایی که شیارها ضخیم تر هستند. در مورد (f)، ظاهر تمام شده به سوراخ ها نزدیک تر بود تا شیارها، که ممکن است نتیجه مشکلات در کشیدن دانه های سنگ در فرآیند اجرا باشد.

با توجه به رنگ‌های این نوع پرداخت، آنها بین رنگ‌های سفید، خاکستری، آبی و مایل به زرد قرار داشتند و نسبت به رنگ‌های توسعه‌یافته تفاوت چندانی نداشتند. شکل ۱۳.

در مورد پرداخت خشن، در شکل ۱۴، امکان مشاهده تفاوت در ناهمواری بین تصاویر وجود دارد. در موارد (ج) و (د)، ناهمواری با موج‌های بزرگ‌تر از تصاویر (الف) و (ب) برجسته‌تر است. در مورد تکه‌های (e) و (f)، زبری سبک‌تر است که نتیجه استفاده از یک غلتک بافت‌دار است. در تصاویر (g) و (h)، بافت زبری ظریف تری مشاهده می شود. در نهایت، تصویر (i) دارای یک نقص در استفاده از پرداخت سطح ناهموار است.

مانند روکش خراشیده، روکش ریخته‌گری خشن از نظر رنگ‌های رنگی که در رنگ‌های سفید و در سایه‌های خاکستری و زرد یافت می‌شد، تفاوت چندانی نداشت، مشابه آنچه در نشان داده شده است. شکل ۱۴.

پس از طبقه بندی در رابطه با انواع پرداخت سطح، لکه ها به گروه های دارای نویز یا بدون نویز تقسیم شدند. بر خلاف تصاویری که نویز بودند، آنهایی که به عنوان دارای نویز تعریف می شدند، تصاویری بودند که پوشش ملات را به عنوان اطلاعات اصلی تصویر داشتند. با این حال، آنها اطلاعات دیگری نیز داشتند که مستقیماً به پایان مربوط نمی شد.

به عنوان مثال، تصاویری هستند که در آنها پس زمینه در لبه ها ظاهر می شود، همانطور که در مورد گوشه ساختمان ها وجود دارد. این را می توان در مشاهده کرد شکل ۱۵.

وضعیت دیگری که به عنوان نویز در نظر گرفته می شود، برخورد بین دیوارها، دیوار و دال، دیوارها و کف و سطوحی بود که ناهم تراز بودند. مسئله اصلی این تعیین حدود این است که این پیکربندی ها خطوطی را در تصاویر ایجاد می کنند که از نظر تئوری می توان آنها را با شکاف های هندسی در آموزش یک شبکه، عمدتاً در جهت عمودی و افقی اشتباه گرفت. که در شکل ۱۶ بررسی نمونه هایی از این وضعیت امکان پذیر است.

برخی از تصاویر حاوی گوشه ها و قسمت هایی از قاب ها مانند پنجره ها و درها بودند. این نوع نویز در ظاهر می شود شکل ۱۷.

وجود دستگاه ها و عناصر تاسیسات هیدرولیک، برق، منطق و تهویه مطبوع از دیگر انواع نویزهای موجود در کنار پوشش ها بود. نمونه هایی از این نوع را می توان در شکل ۱۸.

صدایی که اغلب ظاهر می شد، بروز پوشش گیاهی بود. این را می توان در وصله های موجود مشاهده کرد شکل ۱۹.

نوع دیگری از نویز در نظر گرفته شده، سایه‌هایی بود که تصاویر را بر روی سطوح پوشش و تغییرات نور شدید نشان می‌داد که تجسم پرداخت را مختل می‌کرد. نمونه هایی از این نوع را می توان در شکل ۲۰. نوسانات فوکوس در تصاویر با نویز در نظر گرفته نشد.

نقاشی ها، نمادها یا حروف حاصل از نقاشی یا گرافیتی روی پوشش نیز به عنوان نویز طبقه بندی می شدند. شکل ۲۱ نمونه هایی از این موارد را نشان می دهد.

در نهایت، هر تکه ای با اشیاء غیر از روکش در کلاس دارای نویز قرار داده شد. شکل ۲۲ برخی از انواع تصاویر را با این تنظیمات نشان می دهد.

تظاهرات آسیب شناسی یا عیوب ناشی از فرسودگی طبیعی یا استفاده و بهره برداری از ساختمان ها صدا محسوب نمی شد. در نظر گرفته شد که شبکه حتی با این نوع اطلاعات باید بتواند کرک ها را به درستی طبقه بندی کند. برخی از تظاهرات پاتولوژیک یافت شده را می توان در آن مشاهده کرد شکل ۲۳.

امکان مشاهده چندین نوع تظاهرات پاتولوژیک در پایگاه داده وجود داشت. مطالعاتی مانند لی و همکاران. [۲۲]، گوو و همکاران [۲۳]، و گوو و همکاران. [۲۴] با هدف طبقه بندی این نوع عیوب در نماها از رویکرد چند کلاسه CNN. به این ترتیب مشاهده می شود که پایگاه داده تفصیلی می تواند با در نظر گرفتن عیوب به عنوان کلاس، فرآیند برچسب گذاری را طی کرده و در مسائل طبقه بندی از این نوع استفاده شود.

پس از این مرحله برچسب‌گذاری، تصاویر به تصاویر با یا بدون ترک تقسیم شدند. مشاهده شد که در برخی از تصاویر، شناسایی ناپیوستگی ها دشوار بود یا جایی برای شک و تردید باز کرد. بنابراین، مشخص شد که هر تصویری که وجود ترک را پیشنهاد کند در کلاس کرک قرار می‌گیرد. نمونه هایی از ترک خوردگی توسط هر نوع پرداخت سطحی را می توان در این قسمت مشاهده کرد شکل ۲۴.

می توان مشاهده کرد که ترک ها انواع مختلفی از پیکربندی را ارائه می دهند، همانطور که می توان در آن مشاهده کرد شکل ۲۴. این ویژگی برای بازرسی بصری این نوع ناپیوستگی مهم شناخته شده است. شکل ۲۵ نمونه هایی از پیکربندی های مختلف ترک های یافت شده را ارائه می دهد.

از پیکربندی ترک ها، می توان دلایل احتمالی وقوع آنها را تعیین کرد. به عنوان مثال، ترک های افقی تمایل دارند در اتصالات بین سازه و بنایی ایجاد شوند، ترک های شیب دار در ۴۵ درجه می تواند نشان دهنده نشست سازه یا عدم وجود لنگه و لت در پنجره ها باشد. در مورد ترک های نقشه برداری شده، این ترک ها با مشکلات عملکرد یا خستگی پوشش همراه هستند. به این ترتیب می توان پایگاه داده را در رابطه با تنظیمات کرک نیز برچسب گذاری کرد و برای این منظور اعمال کرد.

با توجه به معیار گنجاندن کلیه تصاویری که شک و شبهه ایجاد می کردند در گروه تکه های دارای ترک، این کلاس بر اساس سطوح دید بالا، متوسط و کم تقسیم شد. بنابراین، می توان پایگاه داده را بر اساس میزان دید ترک ها گروه بندی کرد، به عنوان مثال، برای آزمایش یک آموزش شبکه، تصاویر با دید کم را حذف کنید. این قسمت از برچسب را می توان در شکل ۲۶.

آخرین روش انجام شده در چرخش نامگذاری تصاویر بود. برای این، یک کدگذاری با استفاده از حروف ایجاد شد که عبارتند از:

در مورد وجود یا عدم وجود ترک:

F: تصاویر با شکاف.
ن: تصاویر بدون کرک.

در مورد وجود نویز:

R: تصاویر با نویز.
S: تصاویر بدون نویز.

در مورد نمایان بودن ترک، زمانی که در تصویر بود:

A: دید بالا؛
M: دید متوسط؛
ب: دید کم

در مورد نوع پرداخت سطح:

L: تصاویر با سطح صاف.
G: تصاویر با روکش سطحی خرد شده.
ج: تصاویر با سطح ریختگی ناهموار.

نام گروه مورد استفاده برای به دست آوردن تصاویر، با توجه به میز ۱، تعدادی برای متمایز کردن تصاویر با طبقه بندی های یکسان دنبال شد.

بنابراین، نام تصویر با دنباله کدهای خاص مطابقت دارد. که در شکل ۲۷، می توان دو نمونه از رمزگذاری تصویر را مشاهده کرد.

بررسی تنوع در دسته‌های تعریف‌شده در طول فرآیند چرخش امکان‌پذیر بود. در پرداخت سطح، این سه نوع بافت های متفاوتی را در تصاویر خود ارائه کردند که در جنبه های توپوگرافی مختلف ایجاد شده بودند. در شرایطی که این ویژگی مهم است، این تنظیم می‌تواند تأثیرگذار باشد. به عنوان مثال، تصویر (ج) از شکل ۱۳، که در آن پوشش با روکش خراشیده دارای قسمت صاف بزرگی است، می تواند توسط یک شبکه به عنوان متعلق به طبقه بندی پوشش صاف اشتباه گرفته شود.

پایگاه داده انواع مختلفی از نویزها را ارائه می دهد. برخی از آنها خطوطی را در تصاویر و اشکالی ایجاد می‌کنند که ممکن است در فرآیند استخراج ویژگی، مانند برخورد بین دیوارها و بروز سایه‌ها، به ترک‌هایی شبیه باشند. نکته دیگر این است که برخی از صداها اغلب مربوط به ترک است. مشاهده این امر در طول فرآیند برچسب‌گذاری زمانی که بخشی از کف وجود داشت امکان پذیر بود، زیرا بسیاری از تصاویر با این نوع نویز با ترک همراه بودند. این وضعیت همچنین زمانی که تظاهرات پاتولوژیک وجود داشت تأیید شد. برخی از انواع مشکلات با بروز شقاق همراه بود.

ترک ها اندازه ها و پیکربندی های متفاوتی را نشان دادند. در برخی از تصاویر، تشخیص ناپیوستگی‌ها دشوار بود و حتی در میان متخصصان مسئول برچسب‌گذاری دستی نیز تردید ایجاد کرد.

پایگاه داده توضیح داده شده در این تحقیق وضعیت واقعی مشکلات را در یک جهان محدود نشان می دهد. بنابراین، یافتن راه‌حل‌هایی برای کار با پیکربندی داده‌ها و به‌دست آوردن نتایج قاطعیت خوب می‌تواند منجر به شبکه‌هایی با ظرفیت تعمیم بیشتر در رابطه با مسئله بررسی‌شده شود و برای موقعیت‌های واقعی مناسب‌تر باشد.

بنابراین، فرآیند برچسب گذاری داده ها تکمیل شد.

۳٫۲٫ تجزیه و تحلیل تعداد داده ها در کلاس ها و تراز پایگاه داده

در این بخش از پژوهش، داده ها جدول بندی شده و بر این اساس، بین تعداد تصاویر طبقات و گروه های مورد تجزیه و تحلیل مقایسه شده است. برای این،

{آر}_{متر}

رابطه استفاده شد که در تعریف شد بخش ۲٫۱ از روش.

جدول ۳ تعداد تصاویر را نشان می دهد، تقسیم شده به تصاویر دارای یا بدون ترک، برای هر نوع پرداخت و برای کل پایگاه داده.

امکان تایید در جدول ۳ که مجموعه داده پایان صاف تقریباً کاملاً متعادل است و دارای نسبت ۰٫۹۵۷ است. بقیه دارای پیکربندی نامتعادل هستند. نوع اسکراپ شده با نسبت ۰٫۲۰۸ بیشترین تفاوت را بین تعداد تصاویر در کلاس های مقایسه شده دارد. بانک نیز با در نظر گرفتن تمام پایان ها با هم نامتعادل بود. اما با مقدار نسبت ۰٫۷۱۳ از گروه پوشش‌های ضایعاتی و ناهموار بالاتر بود.

جدول ۴ تعداد تصاویر با یا بدون نویز را در رابطه با وجود ترک با در نظر گرفتن کل پایگاه داده نشان می دهد.

مشاهده می شود که تصاویر از نظر وجود نویز نیز متعادل نیستند. با در نظر گرفتن این وضعیت، داده ها بر اساس سطح، نویز و وجود یا عدم وجود ترک سازماندهی شدند. این را می توان در مشاهده کرد جدول ۵.

بنابراین، می توان دریافت که میزان نویز موجود در تصاویر نیز در هر گروه بندی سطح متفاوت است. این تأیید شد زیرا در تمام تنظیمات موجود در جدول ۵ روابط بین ۰٫۶ و ۰٫۲ ارزش دارند. فرض بر این است که اگر نویز عامل مهمی برای قاطعیت شبکه باشد، حتی در هنگام متعادل کردن بانک در رابطه با وجود یا عدم وجود ترک، نویز ممکن است بر عملکرد آموزش تأثیر بگذارد.

که در جدول ۶، می توان تعداد تصاویر حاوی ترک را با توجه به کلاس های دید تأیید کرد. در کنار هر مقدار، درصد تصاویر نسبت به تعداد کل تصاویر دارای ترک برای هر پرداخت سطح ذکر شده است.

به نظر می رسد که پرداخت نوع ضایع شده دارای بیشترین تصاویری است که در آن ترک ها به سختی قابل تشخیص هستند، که نشان دهنده ۵۶٪ از ترک ها در این گروه بندی است. پایان صاف با ۳۶٪ از تصاویر با دید کم در رتبه بعدی قرار می گیرد. نوع خشن، پایان با انواع کمتری از این تصاویر بود.

پایگاه داده عدم تعادل را در تمام دسته‌های مشخص شده در برچسب‌گذاری نشان داد، یعنی در رابطه با پرداخت سطح، وجود نویز، وجود ترک‌ها، و دید ناپیوستگی‌ها. به طور کلی، تعداد بیشتری از تصاویر بدون بروز ترک نسبت به تصاویر دارای مشکل وجود دارد. پایگاه داده خشن پایگاهی بود که کمترین تعداد تصاویر را داشت. از سوی دیگر، نوع اسقاطی بیشترین عدم تعادل را در رده مرتبط با وجود یا عدم وجود ترک داشت. پوشش صاف پوششی بود که بیشترین حجم داده و متعادل‌ترین رابطه را بین بروز ناپیوستگی‌ها در تصاویر آن‌ها که حاوی ترک هستند یا نه داشتند.

با مجموعه داده توسعه یافته در این مطالعه، تأیید اظهارات لی و همکاران امکان پذیر شد. [۲۲]، گوو و همکاران [۲۳]، و گوو و همکاران. [۲۴] در مورد پایگاه های تولید پوشش ملات با تنوع زیاد و نامتعادل عمدتاً در مقایسه با بتن و روسازی. موقعیت های مطرح شده در فرآیند برچسب گذاری با سناریوهایی مطابقت دارد که می توان در بازرسی های واقعی یافت. بنابراین، پایگاه داده تفصیلی این پتانسیل را دارد که با توجه به رویکردهای مختلف بینایی کامپیوتری روی آن کار شود، زیرا می‌تواند ظرفیت تعمیم شبکه‌ها را بهینه کند.

۳٫۳٫ آموزش VGG16 از Transfer of Learning

در ابتدا، آموزش با گروه کوچکی انجام شد که به صورت دستی انتخاب شده و بین تصاویر با یا بدون ترک تعادل برقرار کردند. تقسیم پچ ها برای آموزش و اعتبارسنجی به دو روش انتخاب دستی و به صورت تصادفی با استفاده از کتابخانه splitfolders انجام شد. نمودارهای آموزشی را می توان در آن مشاهده کرد شکل ۲۸.

مشاهده می شود که آموزش با استفاده از انتخاب تصادفی منظم تر از انتخاب دستی بوده است. این را می توان در تصویر (ج) با کاهش خطای اعتبارسنجی همراه با آموزش مشاهده کرد که وضعیت ایده آل در این فرآیند است. انتخاب دستی می تواند تمایلی در انتخاب تصاویر ایجاد کند که به عملکرد شبکه و نمایش بین تقسیم بندی دسته ها آسیب می رساند. بنابراین، تعریف شد که سایر گروه‌بندی‌ها و تقسیم‌بندی‌ها به صورت تصادفی و با استفاده از کتابخانه splitfolders انجام می‌شوند.

از این رو، طبقات اکثریت گروه B تعداد تصاویرشان به ارزش طبقه اقلیت کاهش یافت. به ترتیب، گروه A و B به ترتیب به مجموعه های آموزشی و اعتبار سنجی با نسبت های ۷۰% و ۳۰% تقسیم شدند. معیارهای داده مورد استفاده در آموزش را می توان در جدول ۷.

در فرآیند کاهش، کتابخانه گروه‌های B1 و B2 را به پایین‌تر از طبقه اقلیت کاهش داد. با این حال، آن را برای تعادل داده ها اجازه می دهد. آزمایش ها با گروه ها ادامه یافت جدول ۴.

که در شکل ۲۹، امکان تایید آموزش A1 و B1 وجود دارد. نمودارها برای هر گروه با هسته های مختلف برای تسهیل شناسایی ترسیم شد. این روش در نمودارهای دیگر نیز تکرار شد.

می توان تأیید کرد که نمودارهای مربوط به آموزش گروه های A1 و B1 تقریباً متفاوت نیستند. مقدار دقت گروه B2 در محدوده کمی پایین تر از گروه A1 قرار داشت و نزدیک و کمتر از ۸۵٪ بود. دقت گروه A1، تقریباً برای تمام تمرینات، بالاتر و نزدیک به ۸۵٪ بود. در مورد تابع ضرر، خطای اعتبارسنجی در هر دو گروه تا یک نقطه مشخص کاهش می یابد و سپس شروع به افزایش می کند. این به این دلیل رخ می دهد که شبکه یادگیری را متوقف کرده و از آن نقطه به بعد شروع به تنظیم خطای آموزشی خود می کند که می تواند منجر به بیش از حد برازش شود. یکی از راه‌های جلوگیری از این امر، استفاده از توقف زودهنگام برای توقف آموزش به محض اینکه شبکه دیگر در حال یادگیری نیست، است.

شکل ۳۰ نمودارهایی را نشان می‌دهد که به آموزش گروه‌ها فقط حاوی پوشش نوع صاف است.

در مورد پوشش نوع صاف، تقریباً هیچ گونه تغییری بین گروه‌های A2 و B2 وجود نداشت. نمودارهای توابع از دست دادن و دقت رفتار یکسانی را در هر دو موقعیت با دقت کمی بالاتر از ۸۵ درصد در طول تمرین نشان می‌دهند. به نظر می رسد که گروه A2 قبلاً به خوبی متعادل شده بود. آن

{آر}_{متر}

نسبت ۰٫۹۵۷، بسیار نزدیک به ۱ بود. به این ترتیب، روند متعادل سازی توسط طبقه اقلیت تقریباً هیچ تغییری ایجاد نکرد.

نکته دیگر مشاهده شده این است که نتایج گروه های A2 و B2 نیز مشابه نتایج گروه های A1 و B1 است. این را می توان با این واقعیت توضیح داد که پوشش نوع صاف، پوشش سطحی با بیشترین تعداد در پایگاه داده است. در مجموع ۲۲۷۹۵ تصویر را در جهان ۳۳۰۸۸ نشان می دهد. به این ترتیب، این امکان وجود دارد که پرداخت صاف، تمایلی به تنظیمات در شبکه های آموزش دیده با کل پایگاه داده ایجاد کند.

شکل ۳۱ داده هایی را نشان می دهد که به گروه بندی های پایانی از نوع اسقاطی اشاره دارد.

در مورد پرداخت اسقاط شده، بین گروه های A3 و B3 تفاوت وجود داشت. دقت گروه A3 بیشتر از گروه B3 بود. در حالی که A3 به نتایج نزدیک به ۹۰٪ رسید، گروه B3 به ۸۰٪ نرسید. این تفاوت را می توان با عدم تعادل داده ها توضیح داد. در مورد A3، پایگاه داده آن دارای ۴۷۳۹ تصویر بدون کرک در مقابل ۹۸۵ تصویر با ترک است. به این ترتیب شبکه می تواند در تصحیح تصاویری که کرک ندارند متخصص شود. بنابراین، در نهایت دقت بهتری خواهد داشت، زیرا حجم تصاویری که ترک ندارند بسیار بیشتر از تصاویری است که دارای ترک هستند. به این ترتیب شبکه بازدیدهای بیشتری خواهد داشت، حتی اگر نتواند تصاویر دارای ترک را طبقه بندی کند. این وضعیت مشکل ساز است، زیرا در نهایت شبکه توانایی تعمیم ندارد. به این ترتیب ما یک مدل طبقه بندی ضعیف داریم. یک فرآیند مناسب برای ارزیابی این، داشتن یک گروه آزمایشی با تصاویری است که در طول آموزش استفاده نشده است.

نکته دیگر این است که فینیش از نوع اسکراپ بیشترین تعداد تصاویر با دید کم را دارد که مربوط به ۵۶ درصد از تعداد کل تصاویر دارای شکاف در گروه است.

داده های مربوط به آموزش پرداخت نوع خشن را می توان در آن مشاهده کرد شکل ۳۲.

گروه پرداخت خشن نیز از نظر دقت بین گروه های A4 و B4 تفاوت داشت. در این مورد، دقت گروه A4 بالای ۹۰ درصد بود در حالی که دقت گروه B4 کمتر از این مقدار بود. همان شرایط عدم تعادل داده ها را می توان در گروه اسقاط شده مشاهده کرد، اگرچه با تفاوت کمتری در دقت بین A4 و B4. در این مورد، A4 در مجموع ۱۱۴۰ تصویر با ترک و ۳۴۲۹ تصویر بدون ناپیوستگی داشت.

در مورد تمرین، نمودار تابع ضرر برای همه گروه ها رفتار یکسانی را نشان داد. خطا تا یک نقطه مشخص کاهش می یابد و سپس شروع به افزایش می کند. این نشان می دهد که بیش از حد در حال انجام است. بنابراین، داده های ارائه شده را نمی توان به عنوان معیاری برای ارزیابی عملکرد VGG16 برای پایگاه داده تفصیلی استفاده کرد. با این حال، آنها در خدمت هدف تحقیق مقایسه گروه‌بندی‌های مختلف و مطرح کردن نکات قابل بررسی هستند. مشکل اضافه برازش را می توان با استفاده از ابزارهایی مانند توقف زودهنگام و نرخ ترک تحصیل به حداقل رساند.

به این ترتیب تفاوت هایی بین تمرینات گروه های مختلف مشاهده شد. که در شکل ۳۳، بهترین دقت های هر گروه ترسیم شد.

که در شکل ۳۳، می توان تمام موقعیت های مورد نیاز را با وضوح بیشتری ارزیابی کرد. اولین نکته این است که تقریباً همه گروه‌های متعادل نسبت به گروه‌های نامتعادل دقت کمتری یا کم‌تری داشتند. گروه های A2 و B2 تقریباً هیچ گونه تغییری از نظر دقت بهتر نداشتند. گروه های A1 و B1 مقادیر مشابهی با گروه های A2 و B2 داشتند. گروه‌های A3 و B3 بیشترین تنوع را در دقت بین خود داشتند و A3 نیز با نامتعادل‌ترین پایگاه داده مطابقت داشت. گروه A4 دقیق ترین مقدار بود، با این حال، آن نیز نامتعادل بود. در این مورد، دقت گروه B4 کمتر از گروه A4 بود، اما با تغییرات کمتری نسبت به آنچه بین گروه‌های A3 و B3 رخ داد. دقت گروه B4 در بین گروه های متعادل بهترین بود و همچنین در کنار گروه های A1، B1، A2 و B2 قرار گرفت. این ممکن است نشان دهنده این باشد که توانایی شناسایی ترک ها در یک سطح زبر نزدیک به شناسایی در یک سطح صاف است.

نوع پرداخت ضایعاتی بیشترین تفاوت را بین تمرینات گروه A و B نشان داد. در این مورد، نوع پرداخت سطحی نامتعادل تر بود که می تواند دقت ۸۹٫۵۵% را در گروه A3 توضیح دهد. این به این دلیل است که ممکن است شبکه در تصاویر کلاسی که دارای کرک نیستند دقت بیشتری داشته باشد که با توجه به اینکه حجم تصاویر در این دسته نسبت به دسته دیگر بسیار بیشتر است، دقت شبکه را افزایش می دهد. ابزاری که می تواند به ارزیابی این سناریو کمک کند، ماتریس سردرگمی و تأیید صحت در هر یک از کلاس ها است.

دقت گروه B3 در بین تمامی تمرینات کمترین میزان را داشت و ۷۹٫۹۷ درصد بود. این موضوع را می‌توان با پیچیدگی شناسایی ترک‌ها در پرداخت ضایعات توجیه کرد. شیارهای این نوع پرداخت عملاً ردپایی هستند که می تواند شبیه به برخی از انواع شکاف باشد. این را می توان در برچسب گذاری داده ها، با توجه به تعداد زیاد تصاویر با دید کم در گروه مشاهده کرد.

گروه A4 از کلاس راف بالاترین مقدار را در بین دقت ها داشت – ۹۲٫۹۵٪. با این حال، آن نیز نامتعادل بود، بنابراین، همان مشاهدات انجام شده برای پرداخت سطح از نوع ضایع شده را می توان در این مورد برای پرداخت خشن نیز اعمال کرد. گروه B4 با ۸۷٫۴۸ درصد بهترین دقت را نسبت به گروه بندی های متوازن داشت. این مقدار نزدیک به مقادیر بدست آمده در پرداخت نوع صاف بود، که ممکن است نشان دهد که دشواری شناسایی ترک ها بین این دو نوع پرداخت مشابه است. در تئوری، سطح پرداخت ناهموار ریخته گری ظاهری بسیار زبرتر از سطح صاف دارد. با این حال، اطلاعات زیادی ندارد که بتوان آن را با ترک اشتباه گرفت، همانطور که در مورد نوع اسقاط شده است. نکته دیگر این است که در پرداخت صاف، می توان بررسی کرد که برخی از بافت ها نیز ظاهر یکنواخت کمتری دارند، همانطور که در شکل ۱۱.

پرداخت نوع صاف نتایج مشابهی بین دقت گروه های A1 و B1 داشت. این را می توان با این واقعیت توضیح داد که گروه A1 قبلاً متعادل بود، با تنوع ۵۰۱ تصویر بین کلاس ها در جهان ۲۲۷۹۵٫ سطح نوع صاف همان سطحی است که بیشتر به سطح بتن شباهت دارد. با این حال، دقت نتایج A1 و B1 به ترتیب ۸۶٫۶۵٪ و ۸۶٫۳۶٪ بود، که کمتر از مطالعات مشخصی مانند Chow و همکاران است. [۲۵]، علی و همکاران [۲۶]، اسلام و همکاران [۲۷]، و چایسرن و همکاران. [۲۸]. این ممکن است نشان دهد که کاربرد بینایی کامپیوتری در تصاویر پوشش ملات در واقع پیچیده تر از بتن است.

گروه‌بندی‌هایی که شامل تمام پرداخت‌های سطحی بودند، مقادیر نزدیکی بین نامتعادل و متعادل داشتند. دقت A1 87.49% و B2 85.54% بود. این مقادیر نزدیک به مقادیر گروه A2 و B2 بود. از آنجایی که اکثر تصاویر در پایگاه داده از نوع پوشش صاف بودند، ممکن است شبکه تمایل به برخورد با این نوع پوشش داشته باشد. این را می توان با استفاده از ماتریس سردرگمی ارزیابی کرد.

شکل ۳۴ زمان آموزش را در رابطه با هر گروه نشان می دهد.

می توان مشاهده کرد که زمان تمرین بین گروه ها متفاوت است. این قابل توجیه است زیرا گروه بندی ها دارای مقادیر متفاوتی از داده ها هستند. با توجه به این وضعیت، زمان آموزش در رابطه با تعداد تصاویر استفاده شده برای انجام فرآیند ترسیم شد. این را می توان در مشاهده کرد شکل ۳۵.

تأیید شد که زمان آموزش با توجه به تعداد تصاویر افزایش می یابد. با اضافه کردن یک خط روند چند جمله ای، ضریب تعیین (R²) ۰٫۹۲۷۹ ممکن شد.

بنابراین، مشاهده چندین نکته مرتبط برای بررسی با استفاده از پایگاه داده پیشنهادی از رویکردهای هوش مصنوعی امکان پذیر بود.

۴٫ نتیجه گیری

با این مطالعه، می‌توان مسائلی را که هنوز در ادبیات به آن پرداخته نشده است، تأیید کرد، مانند تأثیر پوشش سطحی یک پوشش ملات بر تشخیص ترک‌ها. برای این منظور، یادگیری انتقال به شبکه VGG16 به منظور آموزش یک طبقه‌بندی کننده اعمال شد.

این مطالعه همچنین یک پایگاه داده عمومی جدید با تصاویر ترک در پوشش ملات با انواع مختلف پرداخت سطح ارائه کرد. انواع مختلفی از نویز در پایگاه داده مشاهده شد، مانند وجود پس‌زمینه در تصاویر، پوشش گیاهی، برخورد بین عناصر، پنجره‌ها، درها، تاسیسات برقی و بهداشتی، سایه‌ها، گرافیتی و اشیاء مختلف. پوشش‌های سطحی در هر نوع نسبت به بافت و رنگ آن‌ها تغییرپذیری نشان داد.

تصاویر موجود در پایگاه داده دارای ترک هایی با انواع مختلف پیکربندی و سطوح دید هستند. علاوه بر این، پایگاه داده در تمام کلاس های محدود شده در فرآیند برچسب گذاری نامتعادل است. گروه اسقاط شده از نظر وجود ترک نامتعادل ترین گروه بود و همچنین گروهی بود که تصاویر بیشتری ارائه می کرد که در آن تشخیص ناپیوستگی ها دشوار بود. به همین دلیل در تمام جلسات تمرینی اضافه فیتینگ مشاهده شد.

گروه‌های A1، A2، B1، B2 و B4 مقادیر دقت نزدیک بین ۸۵٫۵% و ۸۷٫۵% را نشان دادند. پرداخت های ناهموار و ضایع شده آنهایی بودند که بیشترین تفاوت را بین مقادیر دقت گروه های متعادل و نامتعادل نشان دادند. گروه با پوشش ضایعات متعادل، B3، با ۷۹٫۹ درصد کمترین میزان دقت را داشت.

یکی از محدودیت های اصلی تحقیق این بود که آموزش VGG16 بدون گروه آزمایشی انجام شد و تجزیه و تحلیل بر اساس دقت تمرین انجام شد. مناسب ترین رویکرد استفاده از شبکه آموزش دیده برای طبقه بندی تصاویر از گروهی بود که در مرحله آموزش مورد استفاده قرار نگرفتند که گروه آزمایشی بود. مسئله دیگر این است که تنها معیار دقت مورد تجزیه و تحلیل قرار گرفت. برای داشتن بحث های غنی تر، ارزیابی سایر معیارهای قاطعیت ضروری است. با این حال، این آموزش هدف خود را افزایش نکات احتمالی برای مطالعه با پایگاه داده پیشنهادی انجام داد.

بنابراین، می توان نتیجه گرفت که نوع پوشش ملات بر عملکرد آموزشی یک CNN تأثیر می گذارد. پایگاه داده پیشنهادی دارای ۳۳۰۸۸ تصویر و ویژگی های مهم در رابطه با تنوع احتمالی است که در بازرسی نماها یافت می شود. بنابراین، پتانسیل را برای کاربردهای بینایی شهری و کامپیوتری بیشتر ارائه می دهد.

پایگاه داده توسعه یافته در این مطالعه را می توان در پیوند موجود در بیانیه در دسترس بودن داده ها در انتهای مقاله یا در [۳۵]. توضیحی در مورد نحوه تقسیم پایگاه داده به پوشه های موجود در پیوند را می توان در اینجا یافت پیوست اول.

مشارکت های نویسنده

RdAGS تحقیق را تشریح کرد، روش را توسعه داد، بر برچسب گذاری داده ها نظارت و انجام داد، آموزش انجام داد و متن مقاله را نوشت. FPN با برچسب گذاری داده ها محقق شد و نسخه نهایی مقاله را اصلاح کرد. HF تحقیق را هدایت کرد، مقاله را در طول فرآیند نگارش و نسخه نهایی اصلاح کرد. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.

منابع مالی

این مطالعه تا حدی توسط سازمان هماهنگی برای بهبود پرسنل آموزش عالی – برزیل (CAPES) – کد مالی ۰۰۱ تأمین مالی شد.

بیانیه در دسترس بودن داده ها

پایگاه داده ایجاد شده در این مقاله در دسترس است: https://doi.org/10.34740/KAGGLE/DSV/6091986. دسترسی به ۲۰ ژوئیه ۲۰۲۳٫

تضاد علاقه

نویسندگان هیچ تضاد منافع را اعلام نمی کنند.

پیوست اول

پایگاه داده به گروه های آموزشی، اعتبار سنجی و آزمون به نسبت های تقسیم شد: ۷۰ درصد برای آموزش، ۲۰ درصد برای اعتبار سنجی و ۱۰ درصد برای آزمایش. این پیکربندی مناسب ترین است، زیرا امکان آزمایش شبکه را روی پایگاه داده ای که در آموزش استفاده نشده است را ممکن می سازد.

برای به دست آوردن نسبت های ۷۰% برای آموزش و ۳۰% برای اعتبار سنجی استفاده شده در این مقاله، فقط پوشه های اعتبار سنجی و تست را گروه بندی کنید.

در لینک دیتابیس می توانید دو پوشه به نام های All_Database و Split_Database را پیدا کنید.

پوشه All_Database شامل پایگاه داده با تمام تصاویر است که به گروه های آموزشی، اعتبار سنجی و آزمایش تقسیم می شوند.

در پوشه Split_Database، پایگاه داده به پوشه های زیر تقسیم می شود:

CR— که حاوی تصاویر پرداخت سطحی از نوع خشن با نویز است.
CS — که حاوی تصاویری از پوشش سطحی از نوع خشن و بدون نویز است.
GR— که حاوی تصاویری از سطحی است که با نویزها از بین رفته است
GS – که حاوی تصاویری از سطحی است که بدون نویز از بین رفته است.
LR – که حاوی تصاویر سطح صاف از نوع صاف با نویز است.
LS – که حاوی تصاویر سطح صاف و بدون نویز است.

به این ترتیب می‌توان با پیوستن به پوشه‌های مربوطه، ترکیب‌های مختلفی را انجام داد، مثلاً پوشه‌های CS و CR را گروه‌بندی کنیم تا مجموعه‌ای داشته باشیم که فقط دارای فینیش نوع تخته باشد. همه پوشه ها بین گروه های آموزشی، اعتبار سنجی و تست، در نسبت های مشخص شده تقسیم می شوند.

منابع

شواب، ک. انقلاب صنعتی چهارم; مجمع جهانی اقتصاد: کلنی، سوئیس، ۲۰۱۶٫ [Google Scholar]
تاولی، تی. مبانی هوش مصنوعی: مقدمه ای غیر فنی; Apress: مونروویا، کالیفرنیا، ایالات متحده آمریکا، ۲۰۱۹٫ [Google Scholar]
وینود چاندرا، اس اس. آناند هارینکران، اس. هوش مصنوعی و یادگیری ماشینی; آموزش PHI: دهلی نو، هند، ۲۰۱۴٫ [Google Scholar]
Tan, K. چارچوب ترکیبی از هوش مصنوعی و چاپ سه بعدی ساخت و ساز در مهندسی عمران. MATEC Web Conf. 2018، ۲۰۶، ۰۱۰۰۸٫ [Google Scholar] [CrossRef]
Zhang, Y. مدیریت ایمنی ساخت و ساز مهندسی عمران بر اساس فناوری هوش مصنوعی و بینایی ماشین. Adv. مدنی مهندس ۲۰۲۱، ۲۰۲۱، ۳۷۶۹۶۳۴٫ [Google Scholar] [CrossRef]
پالنسیا، اس. دیاز، S.Á. Chicote، MA یادگیری ماشینی برای بهبود پروژه‌های بازسازی عمیق ساختمان‌ها با استفاده از مدل‌های BIM As-Built. پایداری ۲۰۲۱، ۱۳، ۶۵۷۶٫ [Google Scholar] [CrossRef]
پریتو، SA; منگیست، ای تی. سوتو، BG بررسی استفاده از Chat GPT برای برنامه ریزی پروژه های ساخت و ساز. ساختمان ها ۲۰۲۳، ۱۳، ۸۵۷٫ [Google Scholar] [CrossRef]
چانگ، DWM نگهداری ساختمان پایدار برای ایمن تر و سالم تر: استراتژی های اثربخشی برای اجرای طرح بازرسی ساختمان اجباری (MBIS) در هنگ کنگ. جی. ساخت. مهندس ۲۰۱۹، ۲۴، ۱۰۰۷۳۷٫ [Google Scholar] [CrossRef]
سیلوا، ا. Brito, J. آیا به یک نرم افزار بازرسی، تشخیص و پیش بینی عمر سرویس ساختمان ها نیاز داریم؟ جی. ساخت. مهندس ۲۰۱۹، ۲۲، ۳۳۵-۳۴۸٫ [Google Scholar] [CrossRef]
گارسیا برادرزاده، RA; موتا، لس آنجلس; گوترش، PRC تجزیه و تحلیل بروز تظاهرات پاتولوژیک در ساختمان های عمومی که تحت فرآیندهای توانبخشی قرار گرفته اند. در مجموعه مقالات شانزدهمین کنگره آمریکای لاتین آسیب شناسی ساخت و ساز و هفدهمین کنگره کنترل کیفیت در ساخت و ساز، آنلاین، برزیل، ۲۱ اکتبر ۲۰۲۱٫ [Google Scholar] [CrossRef]
ImageNet. در دسترس آنلاین: https://www.image-net.org/index.php (دسترسی در ۱ ژوئن ۲۰۲۳).
سیلوا، LF; Saade, DCM; Sequeiros، AC; سیلوا، AC؛ پایوا، AC؛ براوو، RS; Conci، A. پایگاه داده جدید برای تحقیقات پستان با تصاویر مادون قرمز. J. Med Imaging Health Inform. 2014، ۴، ۹۲-۱۰۰٫ [Google Scholar] [CrossRef]
کاتیا، ک. اورستاین، ای. شینینگ، بی. لوندستن، ال. بارنارد، ک. ساینز، جی. بولایس، او. کرامول، ام. وودوارد، بی. Bel، KLC FathomNet: پایگاه داده جهانی تصویر برای فعال کردن هوش مصنوعی در اقیانوس. علمی هرزه. ۲۰۲۲، ۱۲، ۱۵۹۱۴٫ [Google Scholar] [CrossRef]
Leenhardt، R. لی، سی. موئل، جی. رحمی، گ. Saurin، JC; چوتل، اف. Boureille، A.; آمیوت، ایکس. دلواکس، م. دوبورک، سی. و همکاران CAD-CAP: مجموعه داده ۲۵۰۰۰ تصویری که در خدمت توسعه هوش مصنوعی برای آندوسکوپی کپسولی است. اندوسک. بین المللی باز کن ۲۰۲۰، ۸، E415–E420. [Google Scholar] [CrossRef]
لی، بی. وانگ، KCP; ژانگ، ا. یانگ، ای. Wang, G. طبقه بندی خودکار ترک روسازی با استفاده از شبکه عصبی کانولوشن عمیق. بین المللی مهندس J. روسازی. ۲۰۱۷، ۲۱، ۴۵۷-۴۶۳٫ [Google Scholar] [CrossRef]
ژانگ، سی. ناطقی نیا، ای. میراندا-مورنو، LF; Sun، L. تشخیص پریشانی روسازی با استفاده از شبکه عصبی کانولوشن (CNN): مطالعه موردی در مونترال، کانادا. بین المللی J. Transp. علمی تکنولوژی ۲۰۲۲، ۱۱، ۲۹۸-۳۰۹٫ [Google Scholar] [CrossRef]
جیانگ، ی. پانگ، دی. لی، سی. یک رویکرد یادگیری عمیق برای تشخیص سریع و طبقه بندی آسیب بتن. با ماشین. ساخت و ساز ۲۰۲۱، ۱۲۸، ۱۰۳۷۸۵٫ [Google Scholar] [CrossRef]
سرگین، CV; تشخیص ترک بتن خودمختار Anh، LD با استفاده از شبکه عصبی کاملاً پیچیده عمیق. با ماشین. ساخت و ساز ۲۰۱۹، ۹۹، ۵۲-۵۸٫ [Google Scholar] [CrossRef]
سونتاگ، اچ. گرونوالد، جی. روش برای توسعه عمل محور مفهوم نوسازی ساختمان شامل در نظر گرفتن مشکلات بالقوه موجود مرتبط با رطوبت و اقدامات مرمت نما. E3S Web Conf. 2020، ۱۷۲، ۲۳۰۰۸٫ [Google Scholar] [CrossRef]
Tomal، ES مشکل تخریب بیولوژیکی نماهای ساختمان های عایق – علل و اثرات. IOP Conf. سر. ماتر علمی مهندس ۲۰۱۷، ۲۴۵۰۳۲۰۱۲٫ [Google Scholar] [CrossRef]
ادیس، ای. کولن، آی. Brito, J. مشکلات رطوبت ترموگرافی غیرفعال در نماها با روکش سرامیکی چسبیده. ساخت و ساز ساختن. ماتر ۲۰۱۴، ۵۱، ۱۸۷-۱۹۷٫ [Google Scholar] [CrossRef]
تره فرنگی.؛ هونگ، جی. سائل، ال. لی، اس. او، HY MultiDefectNet: تشخیص عیب چند کلاسه نمای ساختمان بر اساس شبکه کانولوشن یادگیری عمیق. پایداری ۲۰۲۰، ۱۲، ۹۷۸۵٫ [Google Scholar] [CrossRef]
گوا، جی. وانگ، کیو. لی، ی. Liu, P. طبقه‌بندی نقص‌های نما از مجموعه داده‌های نامتعادل با استفاده از شبکه کانولوشن مبتنی بر فرا یادگیری. محاسبه کنید. کمک مدنی زیرساخت. مهندس ۲۰۲۰، ۱۷، ۱۴۰۳-۱۴۱۸٫ [Google Scholar] [CrossRef]
گوا، جی. وانگ، کیو. Li، Y. یادگیری نیمه نظارت شده بر اساس شبکه عصبی کانولوشن و فیلتر عدم قطعیت برای طبقه بندی عیوب نما. محاسبه کنید. مدنی زیرساخت. مهندس ۲۰۲۰، ۳۶، ۳۰۲-۳۱۷٫ [Google Scholar] [CrossRef]
چاو، JK; سو، ز. وو، جی. لی، ز. قهوهای مایل به زرد، PS; لیو، ک. مائو، ایکس. Wang, Y. خط لوله مبتنی بر هوش مصنوعی برای بازرسی مبتنی بر تصویر سازه‌های بتنی. با ماشین. ساخت و ساز ۲۰۲۰، ۱۲۰، ۱۰۳۳۷۲٫ [Google Scholar] [CrossRef]
علی، ل. النجار، ف. جاسمی، ح. کوفو، ام. خان، دبلیو. سرهانی، کارشناسی ارشد ارزیابی عملکرد بر روی تکنیک‌های تشخیص ترک عمیق و مکان‌یابی سازه‌های بتنی مبتنی بر CNN. حسگرها ۲۰۲۱، ۲۱، ۱۶۸۸٫ [Google Scholar] [CrossRef] [PubMed]
اسلام، م.م. حسین، ب. اختر، ن. مونی، MA; حسن، KF CNN بر اساس مدل‌های یادگیری انتقالی با استفاده از استدلال داده‌ها و تشخیص صنوبر تبدیل ترک بتن. الگوریتم ها ۲۰۲۲، ۱۵، ۲۸۷٫ [Google Scholar] [CrossRef]
چایسرن، ک. بواتیک، ع. مرامد، ح. ژو، ام. کونگسیلپ، اس. Poovarodom, N. ادغام تشخیص ترک در سطح پیکسل CNN-FCN از طریق نگاشت بافت سه بعدی فتوگرامتری سازه های بتنی. با ماشین. ساخت و ساز ۲۰۲۲، ۱۴۰، R713–R715. [Google Scholar] [CrossRef]
ویدمن، اس. یادگیری عمیق از ابتدا: ساختن با پایتون از اصول اولیه; رسانه O’Reilly: سباستوپل، روسیه، ۲۰۱۹٫ [Google Scholar]
Zeiler، MD; Fergus, R. تجسم و درک شبکه های کانولوشن. arXiv 2013، arXiv:1311.2901. [Google Scholar] [CrossRef]
شولت، اف. یادگیری عمیق با پایتون، ویرایش دوم؛ منینگ: نیویورک، نیویورک، ایالات متحده آمریکا، ۲۰۲۱٫ [Google Scholar]
گونسالوس، سی بی; اسپوزا، جی آر. فرناندز، H. بهینه سازی معماری CNN با استفاده از الگوریتم های الهام گرفته از زیستی برای تشخیص سرطان سینه در تصاویر مادون قرمز. محاسبه کنید. Biol. پزشکی ۲۰۲۲، ۱۴۲، ۱۰۵۲۰۵٫ [Google Scholar] [CrossRef]
چاوز، ای. گونسالوس، سی بی; آلبرتین، MK; لی، اس. جئون، جی. Fernandes، HC ارزیابی یادگیری انتقال CNN های از پیش آموزش دیده اعمال شده برای تشخیص پستان در تصاویر مادون قرمز. Appl. انتخاب کنید ۲۰۲۰، ۵۹، E23–E28. [Google Scholar] [CrossRef]
NBR 15575-4; ساختمان‌های مسکونی – عملکرد، بخش ۴: الزامات سیستم‌های آب‌بندی عمودی داخلی و خارجی. NBR 15575-4; انجمن استانداردهای فنی برزیل (ABNT): ریودوژانیرو، برزیل، ۲۰۲۱٫
گارسیا سوبرینیو، RA; پیاهی نتو، اف. Fernandes, H. (پایگاه داده) تصاویر ترک در پوشش ملات. کاگل. ۲۰۲۳٫ در دسترس آنلاین: https://www.kaggle.com/datasets/garciasobrinho/database-cracks-images-in-mortar-coating (در ۱۶ ژوئیه ۲۰۲۳ قابل دسترسی است).

شکل ۱٫
فلوچارت مراحل انجام شده

شکل ۲٫
نما با انواع مواد تشکیل دهنده. (آ) نما با پوشش ملات; (ب) نمای آجری اکسپوز; (ج) نما با فریم فلزی و شیشه ای; (د) نما با روکش سرامیک.

شکل ۳٫
نمونه ای از چهره ساختمان ها در نظر گرفته شده یا نشده در جمع آوری داده ها. (آ،ب) دیوارهایی با پوشش کوتاه حفاظتی که در حفاظت از پایگاه داده در نظر گرفته شده است. (ج،د) دیوارهای خارجی محافظت شده توسط مناطق وسیعی از سقف ها یا طبقات فوقانی که در مونتاژ پایگاه داده در نظر گرفته نشده اند.

شکل ۴٫
تغییرات زاویه ای بین دوربین و پوشش ملات. (آ) صفحه دوربین موازی با صفحه پوشش. (ب) چرخشی که تغییرات زاویه ای افقی بین دوربین و پوشش حول محور y ایجاد می کند. (ج) چرخشی که تغییرات زاویه ای عمودی بین دوربین و بدنه حول محور x ایجاد می کند.

شکل ۵٫
طرح پیش پردازش تصویر (آ) تغییر اندازه؛ (ب) به تکه هایی از تصاویر ۵۰۰ × ۵۰۰ پیکسل برش دهید.

شکل ۶٫
روش برچسب گذاری داده ها

شکل ۷٫
انواع مختلف پرداخت سطح. (آ) پوشش صاف. (ب) پرداخت خشن. (ج) پایان اسقاط شده.

شکل ۸٫
فرآیند طبقه بندی در برچسب گذاری داده ها

شکل ۹٫
نمونه ای از تکه های با اطلاعات غیر مرتبط با پوشش دوغاب. (آ) تصویر پس زمینه؛ (ب) قسمت پنجره شیشه ای; (ج) قسمت تهویه مطبوع; (د) تنه درخت; (ه) زندگی گیاهی؛ (f) کف.

شکل ۱۰٫
نمونه ای از تکه هایی که پوشش دوغاب اطلاعات اصلی نیست. (آ) لوله کشی؛ (ب) ستون بتنی; (ج) مقطع تحصیلی؛ (د) کف و لوله کشی؛ (ه) سیم کشی تهویه مطبوع؛ (f) گوشه پنجره (g) کف و در. (ساعت) زندگی گیاهی؛ (من) پس زمینه تصویر.

شکل ۱۱٫
بافت های مختلف در سطح صاف. (آ،ب) پایان صاف. (ج،ه) نقص های محلی در بافت ها. (د،f) بافت با خراش ناشی از عبور ماله و عدم وجود فرآیند تکمیل. (g،ساعت) بافت با زبری به دلیل عدم وجود فرآیند تکمیل. (من) در نظر گرفته شده که پایان کاملا صاف نباشد.

شکل ۱۲٫
رنگ های مختلف رنگ روی سطح صاف. (آ) رنگ نشده؛ (ب) سفید؛ (ج) رنگ بژ؛ (د) رنگ زرد؛ (ه) نارنجی؛ (f) گل سرخ؛ (g) قرمز؛ (ساعت–j) سایه های سبز؛ (ک) آبی؛ (ل) سیاه.

شکل ۱۳٫
بافت های پایان سطح خراشیده؛ (آ) توزیع یکنواخت؛ (ب) با منطقه بدون شیار. (ج) با بخشی از منطقه صاف; (د) با شیارهای نازک و با تراکم بیشتر. (ه) با شیارهای ضخیم؛ (f) بدون کشیدن کافی دانه های سنگ، باعث ایجاد ظاهر بیشتر سوراخ ها در پوشش می شود.

شکل ۱۴٫
بافت های پایانی ریخته گری خشن؛ (آ،ب) با زبری جزئی؛ (ج،د) با زبری زیاد؛ (ه،f) با یک غلتک بافت اعمال می شود. (g،ساعت) با ظاهر زیبا؛ (من) با نقص در پایان.

شکل ۱۵٫
پوشش تصاویر با پس زمینه (آ–ج).

شکل ۱۶٫
برخورد با تصاویر؛ (آ) برخورد بین دو دیوار; (ب) رویارویی بین دیوار و دال. (f) سطوح نامناسب. (ج–ه) جلسه دیوار و کف.

شکل ۱۷٫
تصاویر قطعات قاب; (آ) پنجره در بالا؛ (ب) گوشه پنجره؛ (ج) بخشی از در در گوشه سمت راست.

شکل ۱۸٫
تصاویر با قطعات تاسیسات ساختمان; (آ) لوله کشی؛ (ب) پریز برق؛ (ج) نقطه انرژی؛ (د) شیر دروازه.

شکل ۱۹٫
تصاویر با پوشش گیاهی (آ–ج).

شکل ۲۰٫
تصاویر سایه و نور; (آ،ب) سایه هایی که تصاویر را روی پوشش مشخص می کنند. (ج) روشنایی شدید در بالا.

شکل ۲۱٫
نقشه ها، نمادها یا حروف ساخته شده بر روی پوشش ملات؛ (آ،ب) گرافیتی; (ج) نقاشی حروف; (د) نقاشی کشیدن.

شکل ۲۲٫
تصاویر با اشیاء؛ (آ) کاغذها و نوار چسب میخ شده به پوشش؛ (ب) قسمت نرده یک سطح شیب دار. (ج) پشتیبانی نیمکت؛ (د) اشیاء متفرقه.

شکل ۲۳٫
تظاهرات پاتولوژیک؛ (آ) جابجایی رنگ. (ب) تاول زدن رنگ. (ج) حباب در رنگ؛ (د) تفکیک پوشش؛ (ه) خسارت ناشی از ضربه؛ (f) رطوبت؛ (g) تکثیر خزه; (ساعت) خاک ناشی از روان آب باران؛ (من) تکثیر بیولوژیکی شدید.

شکل ۲۴٫
ترک بر اساس نوع پرداخت؛ (آ) صاف و بدون ترک. (ب–د) پایان صاف با ترک. (ه) ضایعات بدون ترک. (f–ساعت) پایان خراشیده با ترک. (من) پرداخت خشن بدون ترک. (j–ل) پرداخت خشن با ترک.

شکل ۲۵٫
پیکربندی های مختلف ترک ها؛ (آ–ج) ترک های هندسی در جهت عمودی. (د–f) ترک های هندسی در جهت افقی. (g–من) ترک های مایل. (j–ل) ترک ها نقشه برداری شده اند.

شکل ۲۶٫
سطوح مختلف دید ترک ها؛ (آ) کم؛ (ب) متوسط؛ (ج) بالا.

شکل ۲۷٫
نمونه هایی از پچ کدینگ

شکل ۲۸٫
نمودارهای عملکرد از دست دادن و دقت در تمرین تست. (آ) عملکرد از دست دادن دوره گروهی با انتخاب دستی. (ب) دقت دوره گروهی با انتخاب دستی. (ج) تابع زیان دوره گروه با انتخاب تصادفی. (د) دقت بر اساس دوره های گروهی با انتخاب تصادفی.

شکل ۲۹٫
نمودارهای تابع از دست دادن و گروه های دقت با کل پایگاه داده. (آ) تابع از دست دادن دوره گروه A1 (نامتعادل). (ب) دقت بر اساس دوره های گروه A1 (نامتعادل). (ج) تابع از دست دادن دوره گروه B1 (متعادل)؛ (د) دقت بر اساس دوره های گروه B1 (متعادل).

شکل ۳۰٫
نمودارهای تابع از دست دادن و دقت گروه هایی که فقط حاوی پوشش صاف هستند. (آ) تابع از دست دادن دوره گروه A2 (نامتعادل). (ب) دقت بر اساس دوره های گروه A2 (نامتعادل). (ج) تابع از دست دادن دوره گروه B2 (متعادل)؛ (د) دقت بر اساس دوره های گروه B2 (متعادل).

شکل ۳۱٫
نمودارهای تابع تلفات و دقت گروه‌هایی که فقط حاوی پوشش ضایع شده هستند. (آ) تابع از دست دادن دوره گروه A3 (نامتعادل). (ب) دقت بر اساس دوره های گروه A3 (نامتعادل). (ج) تابع از دست دادن دوره گروه B3 (متعادل)؛ (د) دقت بر اساس دوره های گروه B3 (متعادل).

شکل ۳۲٫
نمودارهای تابع تلفات و دقت گروه‌هایی که فقط دارای پوشش نوع خشن هستند. (آ) تابع از دست دادن دوره گروه A4 (نامتعادل). (ب) دقت بر اساس دوره های گروه A4 (نامتعادل). (ج) تابع از دست دادن دوره گروه B4 (متعادل)؛ (د) دقت بر اساس دوره های گروه B4 (متعادل).

شکل ۳۳٫
بهترین دقت اعتبار سنجی هر گروه. (۱) کل بانک؛ (۲) صاف. (۳) قراضه (۴) خشن.

شکل ۳۴٫
زمان آموزش هر گروه (۱) کل بانک؛ (۲) صاف. (۳) قراضه (۴) خشن.

شکل ۳۵٫
زمان آموزش بر اساس تعداد تصاویر.

میز ۱٫
تعداد تصاویر در هر گروه

گروه بندی	N. از تصاویر	گروه بندی	N. از تصاویر	گروه بندی	N. از تصاویر	گروه بندی	N. از تصاویر
۱C	۴	۱ ولت	۳	۳Z	۹	۵O.A	۵۵
۱D	۱۵	۱X	۴۶	۵B	۹۶	۵ OB	۱۸۳
۱E	۹۴	۳c	۴۷	۵ بعدی	۲۶	۵P	۱۰
۱EA	۱۶۲	۳E	۲۵۶	۵DA	۲۴	۵RA	۱۰۱
۱I	۴۹	۳J	۸۴	۵F	۱۶۷	۵RB	۱۷۶
۱K	۳۸	۳K	۶۰	۵G	۹۶	۵T	۹۱
۱M	۱۶۰	۳KA	۹۰	۵ ساعت	۵۴	۵ U	۴۶
۱N	۱۱۲	۳ لیتر	۴۳	۵I	۸۸	۵ ولت	۲۹
۱P	۲۰	۳o	۹۲	۵J	۷۷	آر	۱۸۶
۱Q	۹۹	۳P	۳۸۸	۵K	۱۲۸
۱S	۱۴۲	۳Q	۲۲۸	۵ لیتر	۹۲
جمع		۴٫۰۹۱

جدول ۲٫
خوشه های داده تجزیه و تحلیل شدند.

	گروه بندی بر اساس موازنه داده ها
مجموعه ای از تصاویر با توجه به نوع پایان	پایگاه داده نامتعادل (گروه A)	پایگاه داده متوازن (گروه B)
همه انواع – ۱	A1	B1
نوع صاف – ۲	A2	B2
نوع اسقاط شده – ۳	A3	B3
نوع خشن – ۴	A4	B4

جدول ۳٫
تعداد تصاویر در هر سطح پرداخت.

تکمیل سطح	با ترک	بدون ترک	${آر}_{متر} = \frac{م -}{م +}$
صاف	۱۱۶۴۸	۱۱,۱۴۷	۰٫۹۵۷
اسقاط شده	۹۸۵	۴۷۳۹	۰٫۲۰۸
خشن	۱۱۴۰	۳۴۲۹	۰٫۳۳۲
جمع	۱۳۷۷۳	۱۹,۳۱۵	۰٫۷۱۳

جدول ۴٫
تعداد تصاویر در رابطه با نویز.

	با ترک	بدون ترک	${آر}_{متر} = \frac{م -}{م +}$
با سر و صدا	۴۸۶۷	۳۷۷۹	۰٫۷۷۶
بدون سر و صدا	۸۹۰۶	۱۵۵۳۶	۰٫۵۷۳

جدول ۵٫
تعداد تصاویر در رابطه با پرداخت سطح و نویز.

	بدون ترک			با ترک
تکمیل سطح	بدون نویز	با نویز	${آر}_{متر} = \frac{م -}{م +}$	بدون نویز	با نویز	${آر}_{متر} = \frac{م -}{م +}$
صاف	۸۹۷۳	۲۱۷۴	۰٫۲۴۲	۷۴۶۲	۴۱۸۶	۰٫۵۶۱
اسقاط شده	۳۸۸۷	۸۵۲	۰٫۲۱۹	۶۷۳	۳۱۲	۰٫۴۶۴
خشن	۲۶۷۶	۷۵۳	۰٫۲۸۱	۷۷۱	۳۶۹	۰٫۴۷۹

جدول ۶٫
تعداد تصاویر نسبت به سطح دید ترک ها.

	تعداد تصاویر (درصد *)
	بالا	میانگین	کم	جمع
صاف	۱۸۳۹ (۱۶%)	۵۶۶۸ (۴۹%)	۴۱۴۱ (۳۶%)	۱۱,۶۴۸ (۱۰۰%)
اسقاط شده	۱۲۳ (۱۲%)	۳۰۹ (۳۱%)	۵۵۳ (۵۶%)	۹۸۵ (۱۰۰%)
خشن	۳۶۷ (۳۲%)	۵۱۸ (۴۵%)	۲۵۵ (۲۲%)	۱۱۴۰ (۱۰۰%)

* درصد بین تعداد تصاویر نسبت به سطح دید و تعداد کل تصاویر دارای ترک در هر سطح پرداخت.

جدول ۷٫
تعداد تصاویر پس از ایجاد تعادل و تقسیم بین آموزش و اعتبارسنجی.

گروه بندی ها	با ترک	بدون ترک	${آر}_{متر} = \frac{م -}{م +}$	جمع	آموزش (۷۰%)	اعتبارسنجی (۳۰%)
گروه A1	۱۳۷۷۳	۱۹,۳۱۵	۰٫۷۱۳	۳۳,۰۸۸	۲۳,۱۴۴	۹۹۴۴
گروه A2	۱۱۶۴۸	۱۱,۱۴۷	۰٫۹۵۷	۲۲۷۹۵	۱۵۹۳۸	۶۸۵۷
گروه A3	۹۸۵	۴۷۳۹	۰٫۲۰۸	۵۷۲۴	۴۰۰۲	۱۷۲۲
گروه A4	۱۱۴۰	۳۴۲۹	۰٫۳۳۲	۴۵۶۹	۳۱۹۴	۱۳۷۵
گروه B1	۱۱۷۶۱	۱۱۷۵۶	۱۰۰۰	۲۳,۵۱۷	۱۶,۴۶۰	۷۰۵۷
گروه B2	۹۶۳۶	۹۶۲۱	۰٫۹۹۸	۱۹,۲۵۷	۱۳,۴۷۱	۵۷۸۶
گروه B3	۹۸۵	۹۹۰	۰٫۹۹۵	۱۹۷۵	۱۳۸۱	۵۹۴
گروه B4	۱۱۴۰	۱۱۴۵	۰٫۹۹۶	۲۲۸۵	۱۵۹۸	۶۸۷

سلب مسئولیت/یادداشت ناشر: اظهارات، نظرات و داده های موجود در همه نشریات صرفاً متعلق به نویسنده (ها) و مشارکت کننده (ها) است و نه MDPI و/یا ویرایشگر(ها). MDPI و/یا ویراستار(های) مسئولیت هرگونه آسیب به افراد یا دارایی ناشی از هر ایده، روش، دستورالعمل یا محصولات اشاره شده در محتوا را رد می کنند.

© ۲۰۲۳ توسط نویسندگان. دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC BY) توزیع شده است (https://creativecommons.org/licenses/by/4.0/).

منابع:
۱- shahrsaz.ir , ساختمانها، جلد. ۱۳، صفحات ۱۸۷۲: پایگاه داده عمومی تصاویر ترک ها در پوشش ملات با انواع مختلف سطوح سطوح
,۱۶۹۰۲۱۶۵۰۵
۲- https://www.mdpi.com/2075-5309/13/7/1872 | 2023-07-24 04:30:00