Automatisierte Riss- und Schadensidentifizierung in Gebäuden anhand von Luftbildern basierend auf Machine-Learning-Techniken

Die Unparteilichkeit und Zuverlässigkeit der Bewertung sowie die hohen zeitlichen und finanziellen Anforderungen machen es unmöglich, eine manuelle Prüfung von Infrastrukturproblemen wie Gebäudebrüchen durchzuführen. Für Luftbilder von Schäden werden unbemannt fliegende Fahrzeuge eingesetzt. Künstliche Intelligenz und Methoden des maschinellen Lernens können helfen, die Grenzen vieler computer vision-basierter Ansätze zur Rissdetektion zu überwinden. Aber diese hybriden Ansätze haben ihre eigenen Einschränkungen, die gelöst werden können. Bilder mit Schäden können möglicherweise genauer mithilfe von modifizierten konvolutionalen neuronalen Netzwerken (MCNNs) erkannt werden, die weniger anfällig für Bildrauschen sind. Für die Rissidentifikation und Schadensbewertung in zivilen Infrastrukturen wurde ein Modifiziertes Deep CNN-Modell (MDCNN) eingesetzt. Die Architektur mit 16 Schichten und die Support Vector Machine werden in diesem Design verwendet. Die letzte Schicht der CNN-Netzwerke wird durch SVM ersetzt. Anstelle sich auf eine einzelne Schicht zu verlassen, schlagen wir ein mehrschichtiges Netzwerk vor. Ihre Fähigkeiten zur Objekterkennung und Kategorisierung sind sehr zuverlässig. Ein weiterer großer Vorteil von MDCNNs ist ihre Fähigkeit, die Last zu teilen. Im Vergleich zu einem standardmäßigen neuronalen Netzwerk benötigt die vorgeschlagene Methode erheblich weniger Rechenleistung.