В УрФУ разработали нейросеть, снижающую риск аварий и экономящую на обслуживании городской инфраструктуры

Специалисты Уральского федерального университета разработали ^[1] нейросеть, которая находит опасные трещины в мостах, дорогах и зданиях за секунды. По словам разработчиков нейросети, новая технология может заменить многочасовые ручные проверки, снизить риск аварий и сэкономить бюджет на обслуживании инфраструктуры. Разработка уже показала точность 88,7% на снимках из России и Китая. Описание исследования опубликовано ^[2] в журнале Sensors.

Зоя Беляева

Соавтор работы, заведующая кафедрой «Строительные конструкции и механика грунтов» УрФУ

«В то время как традиционная ручная проверка мостов или дорожных конструкций занимает от одного до двух часов, наша модель способна обрабатывать изображения в 100 раз быстрее — в течение секунд, что теоретически позволяет существенно сократить время инспекций и обеспечить непрерывный, высокоточный и объективный мониторинг. В дальнейшем мы планируем провести тестирование модели на платформе Jetson и интегрировать ее с беспилотными системами для практического применения в задачах мониторинга мостов, дорог и другой инженерной инфраструктуры в реальном времени».

Как объяснили в УрФУ, система обладает рядом преимуществ, в частности, высокой скоростью обработки (до 232 кадров в секунду) и легкой архитектурой в сравнении с конкурентами (2,51 млн параметров). Благодаря этим характеристикам у разработки уральских исследователей есть большой потенциал для использования в дронах или других устройствах, которые смогут обеспечить быструю инспекцию строительных сооружений.

Чтобы уменьшить количество ложных срабатываний на тенях или водяных пятнах, исследователи внесли в нейросеть ряд улучшений. В разработку был внедрён механизм внимания ^[3] SimAM и использован модуль Concat_BiFPN.

SimAM имитирует фокусировку человеческого зрения ^[4] и позволяет выделять области с трещинами без добавления дополнительных параметров, эффективно подавляя помехи от фоновых элементов. Concat_BiFPN используется для многомасштабного слияния признаков, что позволяет модели более точно захватывать текстурные особенности мелких трещин.

Результаты тестов на 2 тысячах изображений показывают, что новая модель демонстрирует прирост точности на 1,4% и обеспечивает стабильное распознавание трещин в сложных условиях, например, туннели, нижние части мостов или в ночное время суток.

В УрФУ отметили, что использование новой модели на платформах с ограниченной вычислительной мощностью затруднительно. Для решения этой проблемы специалисты использовали модуль C3Ghost. Этот модуль позволяет сократить количество параметров модели на 16% при сохранении стабильной точности, обеспечив возможность её работы в реальном времени.

На момент написания материала создатели системы адаптируют систему для реальных задач — совмещают её с дронами на платформе Jetson и добавляют поддержку инфракрасных камер, внедрение таких камер позволит разработке обнаруживать скрытые дефекты ночью или под слоем грязи.

Также специалисты УрФУЦ алгоритм верифицируют и продолжают обучать на фотографиях с трещинами, сделанных в России и в Китае. Параллельно разработчики отслеживают международные стандарты оценки повреждений конструкций, такие как ASTM (США) и CEN (Европа), чтобы в будущем обеспечить совместимость модели с мировыми нормами.

Чжан Цзяхуэй

Соавтор работы, аспирант УрФУ

«Мы исследуем возможность слияния инфракрасных и видимых изображений, чтобы за счет инфракрасного спектра усилить текстурную информацию и повысить способность модели обнаруживать трещины в условиях низкого контраста. Хотя эта работа пока находится на экспериментальной стадии, она закладывает основу для создания системы круглосуточного и всепогодного мониторинга в будущем».