PointCrack3D: Deteksi Retak di Lingkungan Tidak Terstruktur menggunakan Jaringan Saraf Dalam Berbasis 3D-Point-Cloud
Uncategorized

PointCrack3D: Deteksi Retak di Lingkungan Tidak Terstruktur menggunakan Jaringan Saraf Dalam Berbasis 3D-Point-Cloud

Retakan pada struktur adalah tanda-tanda potensi kelemahan dan pada akhirnya dapat menyebabkan bencana bencana seperti runtuh dan runtuhnya batu. Sebuah studi baru-baru ini di arXiv.org mengusulkan metode deteksi retak otomatis yang memanfaatkan data LIDAR untuk menangkap informasi geometris yang akurat.

Retakan gempa di jalan raya.  Kredit gambar: NPS

Retakan gempa di jalan raya. Kredit gambar: NPS

Para peneliti mengusulkan PointCrack3D, pendekatan DNN berbasis titik-cloud untuk deteksi retakan pada permukaan yang sangat tidak terstruktur. Ini terdiri dari tiga komponen utama. Pertama, metode down-sampling adaptif mempertahankan kepadatan titik retak yang cukup. DNN mengklasifikasikan setiap titik sebagai retak atau non-retak, dan metode pengelompokan pasca-pemrosesan mengelompokkan titik retak ke dalam instance retak.

Metode ini dilatih dan divalidasi secara eksperimental pada kumpulan data baru dari tebing batu alam yang besar. Ini sangat mengungguli metode deteksi cacat berbasis cloud point-of-the-art.

Retakan permukaan pada bangunan, dinding alami, dan terowongan tambang bawah tanah dapat menunjukkan masalah integritas struktural yang serius yang mengancam keselamatan struktur dan orang-orang di lingkungan. Deteksi dan pemantauan retakan yang tepat waktu sangat penting untuk mengelola risiko ini, terutama jika sistem dapat dibuat sangat otomatis melalui robot. Algoritme pendeteksian retakan berbasis penglihatan menggunakan jaringan saraf dalam telah menunjukkan harapan untuk permukaan terstruktur seperti dinding atau terowongan teknik sipil, tetapi sedikit pekerjaan yang telah membahas lingkungan yang sangat tidak terstruktur seperti tebing batu dan terowongan penambangan kosong. Untuk mengatasi tantangan ini, makalah ini menyajikan PointCrack3D, algoritma pendeteksian retakan berbasis titik 3D berbasis cloud untuk permukaan yang tidak terstruktur. Metode ini terdiri dari tiga komponen utama: metode pengambilan sampel turun adaptif yang mempertahankan kepadatan titik retak yang cukup, DNN yang mengklasifikasikan setiap titik sebagai retak atau non-retak, dan metode pengelompokan pasca-pemrosesan yang mengelompokkan titik retak ke dalam contoh retakan. Metode ini divalidasi secara eksperimental pada kumpulan data batuan alam besar yang baru, yang terdiri dari awan titik LIDAR berwarna yang membentang lebih dari 900 m^2 dan 412 retakan individual. Hasil menunjukkan tingkat deteksi retak 97% secara keseluruhan dan 100% untuk retakan dengan lebar maksimum lebih dari 3 cm, secara signifikan mengungguli keadaan seni. Lebih lanjut, untuk validasi silang, PointCrack3D diterapkan ke kumpulan data yang sama sekali baru yang diperoleh di lokasi yang berbeda dan tidak digunakan sama sekali dalam pelatihan dan terbukti mendeteksi 100% kasus retaknya. Kami juga mengkarakterisasi hubungan antara kinerja deteksi, lebar retakan dan jumlah titik per retakan, memberikan landasan untuk membuat keputusan tentang penerapan praktis dan arah penelitian di masa depan.

Makalah penelitian: Azhari, F., Sennersten, C., Milford, M., dan Peynot, T., “PointCrack3D: Crack Detection in Unstructured Environments using a 3D-Point-Cloud-Based Deep Neural Network”, 2021. Tautan: https:/ /arxiv.org/abs/2111.11615



Posted By : togel hongkon